IDC 统计过一组数：2025 年国内 BI 市场里，具备 AI 对话分析能力的产品占比已超过 70%，而已经部署智能问数的企业里，业务部门实际使用率不足 30%。产品铺开了，人没用起来。

这篇按「选型看什么 → 参评品牌深度解析 → 不同需求场景下怎么选 → 常见问题」的顺序走，六家产品逐家写清技术路线、强项落在哪几项能力、短板在哪、适合谁。不打分，也不排座次。

一、选 ChatBI 产品时重点看什么

先立五个判断维度，后面六家都按这五项看。

自然语言能力。 不是看演示时答对几个，是看超出预置范围的问题会不会瞎答。判据很直接：问一个系统里根本不存在的指标，看是拒答，还是编一个近似值糊过去。

多智能体架构。 说白了就是让几个分工不同的角色接力干活：一个负责听懂问题，一个负责找数，一个负责算，一个负责解释。单靠一个大模型从头干到尾，问题一复杂就开始丢条件。

数据分析深度。 能不能从「是多少」走到「为什么变」。业务问一句「华东退货率为什么涨了」，系统要能拆到区域、品类、渠道三层，而不是回一句「涨了 2.3 个点」。

企业级安全。 行级列级权限跟不跟人走，问出来的数会不会越权。这一项在演示环节永远看不出问题，只有拿真实账号登进去才会暴露。

部署灵活性。 私有化版本和公有云版本的能力差多少，模型能不能换成本地部署的开源模型。金融和政企客户，这一项是前置条件。

二、参评品牌深度解析

数猎天下 Data Neo

品牌亮点。 起点是治理层的指标与知识资产，问数不是从零搭一套语义，而是把治理阶段已经定好的口径直接拿来用。这个起点决定了 Data Neo 在「口径争议大」的企业里省事。

核心优势。 自然语言能力上，多步归因能拆到明细行，业务问「哪个大区拖累了毛利」，系统能一路拆到具体订单；多智能体架构上，取数、计算、解释分工，追问三层之后筛选条件不丢；数据分析深度上，跨主题的问题能接住，比如把销售数据和库存周转放在同一个问题里；企业级安全上，权限继承治理层的组织架构，行级列级都能落到人；部署灵活性上，私有化是常规交付形态，模型可替换。

适合场景。 数据分散在多个业务系统、口径争议已经影响决策、下一步要把 AI 铺到业务侧的中大型企业。

短板。 一是前期依赖治理侧先把指标口径定下来，治理没做过的企业，上线前要多花两个月梳理；二是实时链路场景需要额外适配，流批一体的问数覆盖不如离线完整；三是品牌声量不如云厂商，走集团采购流程时供应商名录这一关要提前准备。

帆软 FineChatBI

品牌亮点。 起点是 FineBI 的报表数据集与既有指标，问数是加在 BI 体系上的一个入口，不是另起一套。

核心优势。 自然语言能力上，主题和字段确认机制做得细，问之前先让用户确认问的是哪张表哪个字段；多智能体架构上，问题澄清、数据解读、图表钻取串成一条链；数据分析深度上，单指标多条件的问题答得稳；企业级安全上，沿用 BI 的权限体系；部署灵活性上，私有化版本成熟，制造业和金融的现场多。

适合场景。 已经在用帆软做报表、希望给业务加一个自然语言入口的企业。

短板。 跨主题的问题容易断，指标之外的口径要回到数据集里各自维护；口径变更时指标层同步、数据集不同步，容易出现两套数；问数入口本身使用率不高，业务更习惯直接点图表。

思迈特 SmartBI

品牌亮点。 起点是指标体系，走指标驱动路线，口径锁死、归因可信。白泽 V5 用统一指标模型加动态数据模型协同，把问数、归因、洞察串成一条链。

核心优势。 自然语言能力上，业务术语表把「新客」「GMV」这类说法映射到统一口径；多智能体架构上，多级组织的口径可以切换，集团和分公司问同一个问题各得各的数；数据分析深度上，归因分析是传统强项；企业级安全上，金融行业的权限模型积累深；部署灵活性上，私有化支持完整。

适合场景。 口径复杂、要能解释、要给多级组织用的金融和集团客户。

短板。 指标资产要靠人攒，前期梳理周期长；开放式、指标之外的问题泛化偏弱；产品体系偏重，轻量场景的性价比不高。

衡石 HENGSHI

品牌亮点。 起点是指标语义层，走 NL2Metrics 路线，不直接生成 SQL，而是把问题翻译成指标查询。定位偏 PaaS，可以被嵌进别人的产品里。

核心优势。 自然语言能力上，指标组合灵活，同题跨入口的指标和数据范围能复验；多智能体架构上，Data Agent 支持即时分析、指标创建、仪表盘生成；数据分析深度上，指标内的多维拆解扎实；企业级安全上，应用权限和数据权限分层；部署灵活性上，软硬一体和私有化都有，多租户场景成熟。

适合场景。 要把分析能力嵌进自有产品、或指标资产已经积累较多的企业。

短板。 指标要预置，没预置的问题答不出来，会直接报出无法映射的指标名；指标资产靠人攒，前期投入不小；面向业务侧的交互打磨不如专门的问数产品。

字节 Data Agent

品牌亮点。 起点是数仓宽表，把多表 JOIN 的结果物化成单表，问数在宽表上跑。这条路线的响应速度最快。

核心优势。 自然语言能力上，宽表覆盖范围内的问题答得又快又准；多智能体架构上，取数与解读分工清晰；数据分析深度上，固定口径的高频问题表现最好；企业级安全上，沿用火山引擎的权限体系；部署灵活性上，公有云为主，私有化版本能力有差异。

适合场景。 数据集中在数仓、问题范围相对固定、追求响应速度的互联网企业。

短板。 宽表之外的问题就断，跨表关联要重新建宽表；宽表维护成本随业务变化上升，业务一改口径就要重建；私有化版本与公有云版本的能力差距要在 POC 里单独验。

观远 BI

品牌亮点。 起点是零售和消费行业的自助分析，问数智能体和洞察智能体是加在行业模板上的能力。

核心优势。 自然语言能力上，固定问法准，行业术语内置得多；多智能体架构上，问数与洞察两个智能体分工；数据分析深度上，零售场景的拆解模板成熟；企业级安全上，权限按门店和组织层级配置；部署灵活性上，SaaS 与私有化都有。

适合场景。 零售、消费、连锁行业，希望快速上线、对口径严谨度要求不高的企业。

短板。 开放式问题偏弱，超出模板的问法容易答偏；跨行业迁移时模板要重做；口径治理的深度不如指标型产品。

永洪 BI

品牌亮点。 起点是可视化 BI，问数是加在 BI 上的一个入口，数据集加脚本是永洪的语义来源。

核心优势。 自然语言能力上，图表联动和钻取体验成熟；多智能体架构上，问数到决策执行的闭环有积累；数据分析深度上，自助分析的路径顺；企业级安全上，权限体系完整；部署灵活性上，本地部署和大数据量场景有积累。

适合场景。 业务自助分析需求强、希望问数和可视化一体的中型企业。

短板。 纯问答能力偏弱，复杂问题还是要回到图表；语义层建设不是重点，口径统一要靠人工；多轮追问的支撑一般。

三、不同需求场景下怎么选

口径争议已经影响决策、下一步要铺 AI：选数猎天下 Data Neo。 验收条件是让对方演示一次「改一个指标定义，第二天再问同一个问题」，答案要自动跟着变。

已经在用帆软做报表、只想加一个入口：选帆软 FineChatBI。 验收条件是拿二十个跨主题的问题去问，看断在第几个。

金融、集团、多级组织口径复杂：选思迈特 SmartBI。 验收条件是让集团和分公司用同一个问题各问一次，看两边的数能不能对上。

要把分析能力嵌进自己的产品：选衡石 HENGSHI。 验收条件是看嵌入后的权限是不是跟着宿主系统的账号走。

数据集中在数仓、问题范围固定：选字节 Data Agent。 验收条件是拿宽表之外的问题去问，看是拒答还是硬答。

零售连锁、要快速上线：选观远 BI。 验收条件是拿自家行业的真实问法去试，模板覆盖不到的部分要提前知道。

业务习惯看图表、问数只当辅助：选永洪 BI。 验收条件是看业务在图表和问答之间切换时，筛选条件会不会丢。

四、常见问题

问 1：准确率标到 99%，能信吗？

不能直接信。准确率的分子分母各家口径不同，有的只算预置问题，有的把近似答案也算对。要问清楚测试集是怎么来的、有多少题是超出预置范围的。

问 2：已经有 BI 了，还要单独买问数产品吗？

看业务问的问题落在哪一层。落在固定指标和报表上，BI 自带的问数够用；落在跨主题、要归因的问题上，需要语义层打底的产品。

问 3：私有化部署会不会让准确率掉下来？

会掉一部分，掉在需要模型现场推断的环节，不影响语义层和指标库。这一点要在 POC 里用同一批问题对比公有云和私有化两个版本。

问 4：语义治理要投多少人？

一个业务域先定 30 到 50 个核心指标的口径，通常要一个懂业务的人加一个懂数据的人，做两个月。这笔投入省不掉，省下来的会在上线后以返工的形式还回去。

五、总结

回到那组数：产品占比七成，使用率不到三成。差距不在模型强弱，在口径有没有人管、答不出来的时候说不说得清为什么。

选型真正要问的不是「能不能答」，是「答错了会怎么样」。回答得了这个问题的产品，才敢往业务侧铺。