【數智化人物展】衡石科技創始人兼CEO劉誠忠：2026 企業數智化轉型要走人機協同深潛之路

劉誠忠

“【提示】2026第六屆數智化頒獎典禮將于8月5日在北京舉行頒獎點擊可報名參加頒獎典禮丨此次人物榜單/獎項的評選依然會進行初審、公審、終審三輪嚴格評定，并會在國內外渠道大規模發布傳播歡迎申報。

2026年，中國企業數智化轉型正式進入深水區。歷經多年數字化基建鋪設，絕大多數企業完成數據采集、數據倉庫搭建，大模型、AI Agent技術全面普及，行業集體迎來一場熱鬧卻充滿誤區的變革：一部分企業全盤否定傳統BI，認為ChatBI、Data Agent可以徹底取代報表、看板；另一部分企業固守傳統BI工具，視AI問數為華而不實的演示玩具。兩種極端認知，正在大量消耗企業數字化預算，拉長轉型周期，最終造成大量AI項目“上線即閑置”。

深耕BI行業十余年，從傳統大數據平臺到AI原生智能分析，我見證了數智化轉型完整發展周期，今天以一線從業者、企業服務創業者的身份，分享我對2026年數智化核心趨勢、AI Agent落地痛點、企業數據建設正確路徑的深度思考。核心觀點清晰且堅定：2026年企業數智化轉型不存在“傳統BI與AI Agent二選一”，真正成熟的數據體系，是傳統BI穩定底座與Agent智能探索能力深度融合，人機協同才是企業數據驅動的終極答案；脫離指標、口徑、治理等底層基建的AI Agent，永遠無法支撐企業真實經營決策。

復盤行業現實：AI熱潮之下，企業數智轉型普遍陷入兩大認知誤區

2024至2025年，ChatBI、AI Agent概念席卷整個數據產業，幾乎所有企業都啟動了AI數據工具POC測試。但兩年多落地實踐下來，行業暴露出統一的困境：絕大多數企業的AI問數工具使用率不足三成，演示階段效果驚艷，長期使用后業務團隊反饋集中于三點：AI經常給出失真結論、復雜業務問題輸出無效信息、遇到固定經營復盤場景，依舊依賴傳統看板。

我走訪過近百家不同行業客戶，總結出當下企業在AI+BI轉型中最致命的兩大認知偏差，也是阻礙數智化真正落地的根源。

誤區一：激進替代論——認為AI Agent可以淘汰傳統BI，拋棄報表、指標體系

不少廠商對外宣傳“傳統BI已過時，一套AI對話工具就能搞定所有數據分析”，很多企業管理層被這類宣傳打動，直接擱置多年搭建的BI看板、指標中臺，全力采購純對話式AI工具。落地后才發現巨大漏洞。

傳統BI承載的核心價值，是企業標準化、可審計、穩定可控的數據資產。集團月度經營復盤、財務合規報表、風控監管報送、生產固定監控大屏，這類場景對數據口徑、計算邏輯、權限追溯、版本留存有硬性要求。傳統BI依托指標中臺、統一語義層，把全公司統一收入、毛利、復購、產能等核心指標固化下來，所有部門共用一套計算標準，任何數據結果可追溯、可校驗、可存檔。

而純對話式AI工具沒有標準化約束，大模型僅依靠通用語義理解業務問題。我接觸過一家區域零售集團，放棄原有BI體系全面上線ChatBI，運營人員提問“上半年門店凈利潤”，AI調用未統一口徑的原始數據表，銷售部門、財務部門兩套收入邏輯混雜，輸出同比數據偏差超過15%，管理層依據錯誤數據制定促銷策略，直接造成數百萬元營銷損耗。

我始終堅持一個行業鐵律：沒有標準化指標基建的AI Agent，只是無根之木。AI可以做靈活探索，但無法替代企業沉淀多年、經過業務與財務雙重校驗的標準化數據底座。傳統BI的報表、看板、指標體系不是歷史包袱，而是企業數據可信性的底線保障。

誤區二：保守排斥論——固守傳統BI，將AI Agent視為錦上添花的附加功能

與激進替代論對立的另一類企業，是深耕傳統BI多年的制造、金融、大型集團。這類企業擁有成熟數據團隊，搭建了完整數據倉庫與看板體系，但對AI持觀望態度，認為“業務人員看報表足夠，AI問數沒有實際業務價值”，僅把ChatBI當作演示工具，不納入常態化數據工作流。

這套思路會帶來顯著效率瓶頸。傳統BI的工作鏈路存在天然人力斷層：業務人員產生新分析需求，必須提交工單至IT或數據分析師，分析師建模、配置看板、調試數據，常規需求交付周期3-5個工作日。市場瞬息萬變，當運營發現銷量異常、HR觀測人員流失波動、財務追蹤預算偏差時，等待數天的分析結果早已失去決策時效。

以制造業供應鏈場景舉例：某汽配企業依靠傳統BI僅能每日輸出固定庫存報表，當原材料價格波動、上游工廠延期交貨時，業務人員無法快速交叉拆解“不同品類庫存、交付周期、采購成本”關聯數據，只能手動導出多份報表Excel拼接，單次深度分析耗時半小時以上。而嵌入Data Agent后，業務人員用自然語言即可完成多維度交叉分析，幾分鐘定位供應鏈風險點。

2026年市場競爭節奏持續提速，企業需要全員具備即時數據探查能力。只依靠固定靜態報表，數據無法前置支撐業務預判，數智化轉型只能停留在“事后復盤” 階段，無法實現事前預警、事中調整的閉環運營。排斥AI智能能力，等于主動放棄數據轉型的效率升級紅利。

兩種誤區本質是把傳統BI與AI Agent對立，陷入非黑即白的二元選擇思維。但真實企業經營場景復雜分層，固定標準化場景需要傳統BI兜底，靈活探索式場景需要AI Agent賦能，二者不存在競爭關系，而是互補共生的完整數據體系。

2026數智化核心趨勢：Agentic BI引領數據智能，人機協同重構企業數據工作流

站在2026年產業節點，我判斷今年企業數智化轉型第一核心趨勢，是從單一ChatBI工具走向完整Agentic BI架構，從“人適配工具”轉向“智能體自主協同數據全流程”，構建傳統BI底座+AI智能體的雙輪驅動模式。

此前市場主流ChatBI，本質是Copilot輔助問答工具，僅能完成單次簡單查詢，不具備自主規劃、多輪推理、自動化調度、環境迭代能力。而衡石定義的Agentic BI，是一套覆蓋數據查詢、指標校驗、報表生成、定時調度、環境發布、結果推送的全鏈路智能體系，由ChatBI、CLI、JARVIS三大組件協同形成自動化分析工廠，完美補齊傳統BI的效率短板。

JARVIS承擔調度編排能力，負責定義分析任務觸發時機；ChatBI承載自然語言理解、多輪深度分析、報告生成能力；CLI提供命令行標準化交付，打通開發、測試、生產三環境CI/CD自動化流水線。三者聯動，解決傳統BI兩大長期痛點：一是業務人員自助分析門檻高，二是BI資源批量上線、環境切換全靠人工操作，交付效率低下。

在落地過程中，我清晰總結出傳統BI與AI Agent各自的舒適區、深水區，兩者分工明確，形成完整閉環：

傳統BI的舒適區：標準化、高合規、固定周期場景集團月度經營看板、財務合規報表、風控實時監控大屏、固定績效考核指標。依托統一語義層固化口徑，數據穩定、可追溯、權限管控嚴密，作為企業可信數據底座，不可被AI替代。

AI Data Agent的舒適區：靈活探索、多輪歸因、自動化報告場景HR分析人員流動趨勢、財務追蹤預算偏差、運營復盤營銷活動效果、供應鏈拆解庫存波動。業務人員無需掌握SQL、無需等待數據團隊，自然語言完成多維度交叉分析，自動生成文字解讀、定時推送日報周報。

兩者協同的深水區：復雜口徑變更、跨指標關聯、季節性剔除等高階分析當企業指標口徑迭代、需要剔除促銷/季節異常、多業務線同比對比時，單純看板無法快速調整，純ChatBI易出現口徑混亂。此時依托傳統BI沉淀的指標版本管理體系，由Agent自動識別口徑變更記錄，自動完成數據調整，輸出可比分析結果，實現穩定底座與智能探索結合。

2026年另一不可忽視的數智化趨勢，是數據民主化下沉至全員，數據不再是IT部門專屬資產。過去十年，數據分析長期被貼上“IT工作”標簽，HR、財務、市場、生產等業務部門有高頻數據需求，卻缺乏專業工具與技術能力。Agentic BI 的核心價值，就是打破技術壁壘，讓非技術人員自主完成完整數據分析，真正實現“人人可用數據”。

我接觸的一家頭部連鎖零售企業，落地衡石Data Agent半年后，業務部門自助數據查詢占比從18%提升至72%，數據團隊從重復制作報表的低價值工作中解放，轉向數據架構、指標治理、合規體系搭建等戰略工作，企業整體數據人力投入產出比提升超60%。這正是人機協同轉型的真實價值：AI Agent承接重復性查詢工作，傳統BI守住數據標準底線，人類數據專家聚焦高價值架構與治理工作。

永落地實戰：避開AI Agent落地陷阱，構建可持續的企業數智化路徑

創業十年來，我始終堅持務實落地路線，不鼓吹脫離企業現實的技術噱頭。很多企業AI項目失敗，根源不是大模型技術不足，而是跳過數據基建直接上線AI工具。結合數百客戶落地案例，我總結出2026年企業搭建AI+BI融合體系的三層落地方法論，也是企業深潛數智化轉型的核心實操路徑。

第一層：筑牢底層根基——統一語義層與指標中臺，解決AI“胡說”核心痛點

當前絕大多數ChatBI落地翻車，核心問題是大模型不懂企業專屬業務口徑。同樣叫“收入”，銷售部統計簽約金額，財務部統計實收金額，沒有統一指標定義，AI自然輸出矛盾數據。

因此所有企業啟動AI數據工具前，首要工作是搭建統一指標中臺與語義層，把全公司核心業務指標標準化：統一計算公式、歸屬業務域、數據源、變更記錄、負責人。衡石Text2Metrics引擎將標準化指標沉淀為企業專屬“業務詞典”，AI提問時優先匹配內部指標定義，而非通用大模型知識，從根源降低數據失真概率。

針對指標口徑變更場景，指標中臺留存全版本記錄，當企業調整MRR、營收、成本等指標計算邏輯，Agent可自動區分新舊口徑，做同比分析時自動完成數據校準，避免跨周期對比失真。這一層基建，是AI Agent能夠穩定落地的前置條件，任何企業都不能省略。

第二層：搭建雙輪體系——傳統BI標準化底座+Agent智能自助平臺并行建設

完成指標治理后，企業同步搭建兩套相輔相成的數據能力：一方面，基于傳統BI搭建集團統一經營看板、合規報表、監控大屏，固定業務周期、固定口徑的工作全部交由標準化看板承載，保障決策底線數據可信；另一方面，上線全鏈路Data Agent體系，開放給全體業務人員做自助探索分析。HR、財務、運營、生產人員通過自然語言自由提問，完成多輪歸因、異常拆解、臨時分析，Agent自動生成可視化圖表與文字解讀，無需IT介入。

二者數據同源，共享同一套指標語義層，不存在兩套數據、兩套口徑的割裂問題。固定工作看板兜底，臨時探索AI賦能，兼顧穩定與靈活，徹底規避“二選一 誤區。

第三層：構建自動化交付流水線——CLI+JARVIS打通BI CI/CD，支撐規模化擴張

當企業BI規模從十幾張看板擴張至上百份報表、數十套業務應用，手動導出導入、切換環境、配置權限的模式完全不可持續，人力成本極高且極易出錯。

依托CLI命令行工具，企業可將數據集、看板、權限、指標全部轉化為可版本管理的腳本文件，存入Git倉庫；搭配JARVIS調度引擎搭建CI/CD流水線，實現開發環境修改資源→自動同步測試環境→校驗無誤一鍵發布生產環境全自動化。定時任務可由JARVIS配置，每日自動調用ChatBI生成經營報告，推送至管理層企業微信、飛書群，實現“分析-解讀-推送”無人值守閉環。

這套自動化體系解決大型集團多業務線、多環境BI交付痛點，讓數據團隊可以批量維護數百份報表應用，支撐企業數智化規模持續擴張，也是2026年中大型企業數字化建設的剛需能力。

長遠展望：2026后數智化終局

數據智能成為企業原生操作系統

站在行業長期發展視角，我判斷AI Agent與傳統BI融合不是階段性過渡方案，而是企業數據能力的長期終局形態。未來三年，企業數智化將持續沿三大方向演進。

第一，數據智能深度嵌入業務全流程，形成“感知-分析-決策-執行”閉環。當前多數AI工具僅停留在輸出數據、生成報告階段，未來Data Agent可直接對接ERP、MES、CRM等業務系統，識別數據異常后自動觸發業務動作。例如制造企業Agent監測設備良品率下滑，自動拆解生產參數并推送調整指令至產線；金融Agent識別客戶風險異動，自動觸發風控復核流程，數據不再僅用于事后復盤，而是前置驅動業務運營。

第二，數據生態協同成為主流，BI平臺從內部工具轉型生態連接器。單一企業數據能力存在邊界，未來BI Agent將打通上下游供應商、渠道合作伙伴數據，在數據安全隔離前提下實現協同分析，產業鏈數據價值全面釋放。衡石現階段已構建200余家SaaS廠商生態，將AI+BI能力嵌入各類垂直業務系統，讓數據分析原生存在于業務軟件中，無需單獨部署獨立BI平臺。

第三，數據驅動成為組織底層文化，全員數據素養成為企業核心競爭力。2026 年起，優秀企業不再將數據分析限定為數據部門職能，業務崗、管理崗全員具備基礎數據探查能力。AI Agent大幅降低使用門檻，傳統BI提供統一可信標準，兩者結合持續培育全員數據思維，企業所有經營決策均以標準化數據為依據，真正完成從數字化到數智化的質變。

結語：深潛數據基建

遠航人機協同的數智新周期

回到本次榜單主題“深潛?遠航”，這四個字恰好概括我對2026年中國企業數智化轉型的全部思考。

所謂“深潛”，是企業放下對AI技術的浮躁期待，沉下心搭建指標、語義、數據治理等底層基建，不追逐短期演示效果，深耕可信數據底座；所謂“遠航”，是善用AI Agent智能能力，打破數據分析的技術壁壘，讓數據驅動覆蓋全業務、全角色，依靠人機協同的完整數據體系支撐企業長期增長。

行業不必再糾結傳統BI與AI Agent孰優孰劣、二選一，真正的下一代企業數據智能，從來不是單一技術的替代，而是成熟底座與前沿智能的融合共生。作為深耕BI賽道十余年的從業者，我也將持續帶領衡石科技，堅持務實落地路線，持續完善Agentic BI全鏈路產品體系，助力更多中國企業避開AI落地誤區，走出一條穩健、可持續、高價值的數智化轉型升級之路。

·申報人“劉誠忠”簡介：

劉誠忠，衡石科技創始人&CEO畢業于北航計算機系，擁有超過20年高科技企業?作經驗，歷任VMware Core Networking組高級工程師、秒針大數據研發經理、明略科技創始合伙?，專注于Big Data Infra領域，是國內最早?批?數據分析的創新實踐者。2016年創?衡?科技，專注于新一代AI-Powered Agentic BI智能分析平臺，賦能全行業的數據驅動型組織零代碼構建數據智能場景。旗下核心產品HENGSHI SENSE作為定位超前的BI PaaS引擎式產品，讓軟件廠商在自己的業務場景中輕松上線Data Agent、ChatBI、數據看板、自助分析、業務大屏等功能。獲評“2025數智化領軍人物“，擁有多項BI相關發明專利。