大家好，我是 Penny。

上次我開玩笑說，如果你的職業技能里面有“研究”“分析”之類的詞，那你絕對是跟 AI 戰斗的一線戰士。

換句話說，你也是最應該花時間去了解 AI 進展的人。

之前我們講過金融領域的AI投研，今天的主題是，在數據分析這一領域，AI 到底在做什么？進展如何？

當然，主講人并不是我。前陣子見了一個老朋友，他創業做的事其實就是讓 AI 賦能數據分析。

這位技術大佬叫周衛林，花名敬智。創業之前，他在阿里工作了 15 年，一直在做數據這一件事。離職前是螞蟻金服數據平臺部的負責人，職級 P10（打工天花板了…）。

他 21 年出來創業，創立的公司叫做大應科技 Aloudata，此前獲得了紅杉資本、博華資本的投資。

我們認識多年了，這次也一起錄了一期播客，想深入了解的話，文末有收聽方式。

但是此前，讓我多花一些時間來介紹這件事情的意義。

首先，數據分析師是一個普遍存在于互聯網行業的職能，一般叫 BI 或者商業智能，存在于業務和戰略部門。主要是解決業務部門的數據需求，協調數據開發資源。必備技能是寫 SQL取數，做數據指標體系的搭建。

歸根結底，都是為了能夠更好地用數據解決實際的業務問題。

這年頭，數據分析是一個底層技能，畢竟我們所有的業務目標，不管是 OKR 還是 KPI，都需要用量化的數據指標來呈現。

我在互聯網公司做過，也曾經為了把我的需求提前一點，給 BI 小哥哥小姐姐送過咖啡哈哈。太知道 BI 的需求排得有多滿，有多限制業務的靈活性。

過去 20 年，數據中臺加 BI 服務了人類分析師，催生了千億級的數據智能市場。今天，AI Agent 將成為前端很多線上工作的執行者，而且它沒有人力的瓶頸，永不停歇，你只需要給它打錢（買 token）。

所以，新的數據基礎設施，不僅要服務人類的數據分析師，還要考慮怎么服務好 AI。

打個比方，大家現在都在很熱情地養蝦，但未來有一天，如果它不但能幫你執行一些自動化的簡單任務（比如整理發票，爬取網頁），它還能夠真正成為你企業的智能決策中樞呢？

比如說，你可以在里面問它：

1）我上個月的銷售額是多少？同比情況怎么樣？（精準取數）

2）漲跌的原因是什么？（數據歸因）

3）我能夠通過哪些產品組合，或者流量渠道的調整，讓我下個月的銷售額增長 30%？（業務策略）

4）如果市場出現了變動，下個月我的銷量跌了 30%，那我的庫存跟現金流情況怎么樣？（風險預測）

要做到這一點，它要能獲取到你的準確的業務數據，并且分析給你提供業務優化建議。

就我個人的感覺，這也太棒了吧，簡直是一種麥肯錫式頂級智能的下沉……從理解上，你確實可以在分析邏輯上要求它采用頭部咨詢公司的分析邏輯，寫成 skills，還是實時獲取的。

（比如這個， 就是一個平臺內置的做數據歸因的 skills 步驟 ）

這些并不是白日做夢，而是已經被實現的現實。

我們再暢想一下，當它的上下文夠長，獲取的業務數據夠全，顆粒度夠細，它是不是可以成為 CEO 的最佳業務伙伴？甚至成為企業的首席戰略官？

就我了解的，如果說投研類的 Agent 分析能力已經到了投資總監級別，那么目前的數據分析 AI Agent 的能力，大概在20-30 萬年薪左右的數據分析師級別。這種差別，其實是在于優質的數據源和數據基礎。

（找了個公司自己發的類似教程，讓大家更有體感一點）

大家在使用 AI 的過程中，此前有一個經常被詬病的點，那就是 AI 的幻覺。

在企業場景里，尤其是涉及到業務決策，一旦數據的可靠性不夠，這是致命的。（想想你給老板匯報的時候，被老板當場指出上面某個數據是錯誤的是 AI 編的，導致你的所有邏輯都不成立，天塌了……）

而且因為生成式 AI 的特性，這種幻覺在當前的情況是無法避免的。

Aloudata 的解決方案，是為企業構建一套標準語義層（context layer）+數據分析 Agent 。

“語義層”這個詞聽上去有點技術，但其實說清楚很簡單：這是一份讓不同系統可以相互理解數據含義的統一規范，是 AI Agent 與數據庫對接的新基礎設施。

打個比方，“月度凈利潤”“活躍用戶”“業務健康度”這些指標在不同企業都有不同的計算方式。在此之前，是通過人類開會，大家確定數據口徑一致，才能達成統一認知，但是 Agent 不會開會。。。

有了語義層之后，你可以把它的計算方式在里面固定下來，把數據邏輯代碼化了。以后所有的Agent 只要需要用到這個指標，就從語義層調用，數據是完全一致，清晰可溯源的。

另外，這套體系也可以實現指標和崗位的動態匹配，解決數據權限和安全的問題，通過監控指標的使用，還可以消除大量無效和重復的寬表，降低數據的存儲成本。

近幾年，他們已經為很多頭部企業提供了整套解決方案，合作伙伴包括招商銀行，平安證券，麥當勞中國，理想汽車，Lululemon等等。敬智自己把這套系統比喻為數據管理的“自動駕駛”。

舉幾個實際的例子：

在麥當勞中國，這套系統整合了“人、貨、場”的數據，成為了店長運營的智能大腦。把優秀店長的管理半徑大大增加了。

例如餐廳的運營日報、周報自動化，營銷活動復盤，甚至可以實時監控出餐速度、服務質量和能耗管理。

在平安證券，數據平臺建立起了統一的語義層指標庫后，在此基礎上做了各類看板、駕駛艙，微卡片，給業務人員作為自助化分析工具，在客戶洞察、營銷活動、業績分析方面都有很多應用。

在未來幾年，只具備初級取數能力的分析師，可能確實會被淘汰了。

但是，那些具備業務思維和認知，以及數據分析和運營思維的高級運營/分析師和業務決策者，將如虎添翼。

在過去的兩年中，語義層也取代“Text to SQL”，逐漸成為全球數據行業的共識。

大家意識到，AI 不需要學會寫 SQL，AI 需要學會的是調用指標。

到現在，幾乎主流的所有數據平臺（例如Snowflakes、Databricks、DBT labs等）都發布了針對 AI 的語義層協議。 2025 年 9 月，這三家聯合發起了 OSI 協議倡議，正式將語義層定性為 AI Agent 與數據對接的全球通用標準，目前已經有幾十家全球數據技術公司參與。

傳統的“數倉+ BI ”的兩層架構，正在被“數據湖 + 語義層 + 消費層”的三層架構所替代。

SQL 的標準是 1986 年發布的，統治了 30 年，現在新的標準剛剛發布幾個月。中國的廠商也有機會參與全球的生態建設。

在中國過去轟轟烈烈的 20 年 IT 基礎建設中，很多大型企業建立了數據中臺，積累了大量的數據資產，但是卻沒有能夠把它用起來。

數據越大，進入 AI 時代的包袱越重，當然，能夠挖掘的金礦也越多。

國內 AI Agent 的進展其實比想象中要快，但是此前投資機構的關注度都集中在 C 端+出海，軟件過于冷了。

我們在交談中，敬智也提到，他認為未來 2 到 3 年會是企業級 Agent 的一個爆發期，而且他認為，目前的 Agent 不光是像 SaaS 那樣實現了業務的線上化，而是實際交付了業務結果。從理解上，他應該會有新的定價和收費方式出來。

也許這是一次能夠改寫商業模式，重塑企業軟件+SaaS+AI 的機會。

我也問過敬智，是不是目前只有大一些的企業才會有這樣的需求？

他告訴我，借助這一套標準系統，你不需要學會寫 SQL，人人都能成為數據的消費者。

底層的數據不會說謊，只要你有想解決的問題，又不想拍腦袋，而是從數據中去發現問題，你就是潛在意義上的需求者。

好了，如果想更深入了解，大家可以在以下平臺點擊收聽我們倆的這一期對談，微信音頻點↓，也可以在小宇宙，蘋果 Podcast 搜索《佩妮聊創投》關注收聽～

也歡迎大家留言討論，或者轉發給你認為需要的人。

如果有企業想要試用，或者投資的朋友想要聊，可以私我，我可以幫你們 問下周老師哈哈～

我是佩妮，關注我，一個只說真話的創投人