AI用15分钟做完一份运营报告，过去那套BI工作流可能真的要变了

这次AI数据分析，起因是我们的一个系统刚上线满一个月。前几天，我想看一下这一个月到底跑得怎么样，就给生产环境里的 DeepSeek Harness 提了一个要求：通过 MCP 访问数据库，把上线以来的业务情况分析一下，给我出一份报告。

我原本只是想看看几个核心指标，结果它前后跑了大约15分钟，最后给出了一份8个部分的分析，里面有核心指标和月内周趋势、用户与访问规模、业务规模、收费与资金等内容。报告当然谈不上什么咨询公司级别，但作为一份日常经营分析，我看下来觉得已经相当够用了。

这让我想到以前工作的公司。运营部有个小姑娘，每周统计运营数据，整理成报告供周一公司开会使用；公司里还有一个4—5人的BI团队，负责报表、分析和各种临时取数需求。那时候这套配置很正常。

但这次看着 Harness 自己查库、算指标、比较趋势，最后把结果组织成文字，我突然意识到，AI对企业数据工作的影响，可能已经不只是“让分析师效率高一点”了。对于业务不复杂、数据规模也不大的公司，过去那套为了生产运营报表而建立起来的工作流，可能真的要变了。

以前做一份报告，真正耗时间的往往不是“分析”

业务先提出需求，运营确认口径，BI或者研发找表、写SQL、导数据，再用Excel或者BI工具整理，做图表、写说明，最后变成周报或者PPT。真正需要管理层判断的，往往只是最后那几页，但为了得到这几页，前面要有人把数据库里的原始数据加工成人能读懂的信息。

微软在 Power BI 的文档里提到，人工分析一份报告并准备给管理层的摘要，可能要30分钟到数小时；现在 Copilot 可以根据报表数据生成摘要、趋势和异常说明，甚至用自然语言创建和修改报表页面。

所以我这次最强烈的感受，并不是“AI写SQL比人快”。真正变化的是，Agent开始把原来分散在人和工具之间的一整段流程接起来：理解我要看什么，自己去找数据、执行查询、比较结果，然后把数字组织成一份可以直接阅读的报告。

DeepSeek对 Harness 的定位也很能说明这种变化。它不是单纯的聊天界面，而是让模型调用工具、处理文件、分析数据并持续执行任务的 Agent Harness，官方也已经把 Data Analysis、Sales Report 列为示例场景。

当Agent开始自己“看数据”，报表生产这一层最先受到影响

过去的BI系统主要是把数据做成图，让人更容易看。现在Agent又往前走了一步：人不一定先打开Dashboard，再逐张图判断哪里异常，而是可以直接问：“这个月业务怎么样？”然后让Agent决定应该查哪些指标、做哪些比较。

Google的Looker已经提供 Conversational Analytics，用户可以直接用自然语言问业务数据；Snowflake的Cortex Agents也让Agent自己理解请求、制定步骤、调用工具、执行代码再生成答案。

这意味着，最先被压缩的可能不是“数据分析”这个职业，而是企业里大量重复的报表生产工作。固定周期的新增用户、活跃、收入、退款、渠道占比、同比环比，过去需要人每周重复做一次；对Agent来说，本质上只是一个可以反复执行的工作流。

所以我不太愿意简单说“AI要替代BI团队”。这种说法很抓眼球，但不准确。大型企业的数据仓库、ETL、权限体系、数据质量和复杂分析不会因为大模型出现就自动消失。更容易被AI吃掉的，是数据库和决策者之间那一层大量机械的信息搬运。

对于数据结构相对简单的中小企业，这个变化可能会更快。过去为了让管理层看到经营数字，也要有人长期取数、整理和出报告；以后这件事的边际成本，可能越来越接近一次Agent任务。

AI数据分析越普及，企业越需要把业务“定义清楚”

不过，我这次用得很顺，并不意味着随便给AI一个数据库账号，它就能成为一个靠谱的BI团队。

数据库知道字段叫什么，却不知道你公司真正怎么定义业务。什么算“付费用户”？下单但退款的人算不算？收入看支付金额还是扣除优惠和退款后的净收入？这些都不是数据库天然能够回答的问题。

这也是现在主流AI BI产品都在强调“语义层”的原因。Looker的 Conversational Analytics 并不是直接让Gemini猜数据库，而是把LookML语义模型当作事实来源，让“revenue”“churn”这样的业务概念有明确的定义；Google同时明确提醒，这类AI仍然可能生成看似合理但事实上错误的结果，重要输出需要验证。

Snowflake也在做同样的事情。它的Semantic View可以把客户、订单、收入等业务实体、关系和指标定义在数据库里，例如明确“净收入”应该按什么公式计算，再让Cortex Analyst和Agent依据这些规则生成查询。

我反而觉得，这可能是AI进入企业数据分析之后更值得关注的变化：过去BI团队大量时间花在“帮业务拿到数字”，以后更有价值的工作会往上游移动——定义指标、保证数据质量、整理权限和业务规则，让AI有一个可信的数据环境。

15分钟的报告很好，但它还不是15分钟的决策

当然，一个上线一个月、业务关系还不复杂的系统，本来就是Agent比较容易处理的场景。我不会因为这一次效果不错，就推导出以后企业都不需要数据分析师。

数据规模一大、表之间关系一复杂，问题会迅速增加；而且AI可能给出一个格式很漂亮、逻辑也很顺，但口径其实错了的答案。连Google在企业级产品文档里都明确要求用户验证输出，这已经说明“能回答”和“值得相信”还是两回事。

生产环境里还有安全问题。我的做法是通过MCP让Harness访问数据库，但如果这种能力真正进入企业日常使用，至少要考虑只读权限、敏感字段和审计。Snowflake现在提供托管MCP Server时，也把OAuth、基于角色的访问控制和治理放在核心位置。

还有一个边界：报告不等于决策。AI可以告诉我本周付费下降了多少、哪个渠道转化变差了，但要不要调整价格、停止某个渠道、修改产品流程，仍然需要人结合业务背景去判断。

所以我现在更倾向于认为，AI未必会让BI团队消失，但它很可能让一大批“为了出报表而存在的工作”逐渐失去必要性。以后公司需要的数据能力，会更多集中在数据治理、指标体系、复杂分析和决策支持，而不是每周重复地把同一批数字搬进Excel和PPT。

回到我这次15分钟生成的那份报告，如果放在以前，我首先会想到的是：谁去查数据，谁来整理，什么时候能给我。现在我只需要先想清楚，我到底想知道什么。

对我来说，这才是这次体验里最值得注意的变化。AI带来的效率提升当然很大，但更深一层是，企业为了“看到自己的业务”而长期维持的一套人工信息加工流程，正在被重新拆解。至少对于业务并不复杂、规模也没有大到需要重型数据团队的公司，过去那套BI工作流，可能真的要开始变了。

AI用15分钟做完一份运营报告，过去那套BI工作流可能真的要变了 Share on X