这篇不聊单个产品的功能清单，只讲一件事：把「数据智能体」放回企业真实的取数—分析—决策链路里，它对哪一段有用、对哪一段没用。下面按概念边界、能力环、真假判断、形态分类、落地前提与风险依次展开。

从智能问数走向可交付的分析任务

过去两年企业买的是「能问数」，现在问的是「能不能自己把一件事做完」。词换得比能力快，Agent BI、Data Agent、数据分析智能体、智能决策平台常被混着用，落到采购文件里，指向的范围并不相同。名称不构成选型依据，先把它指的是哪一种形态分清楚，比记住厂商用哪个词有用。

四个词真正的分界只有一条：任务是它自己规划出来的，还是被固定工作流串好的。固定工作流的系统，步骤写在配置里，点哪个按钮走哪条链路，稳定、可测、上线快；自主规划的系统，步骤由任务当场决定，遇到没预设过的问法也能拆，代价是每一步都得能被检查和复现。两者混为一谈，验收就会失焦：前者该考流程覆盖率，后者该考任务完成率与过程可复核。

与 ChatBI 的划界也在这里。问数是单轮取数，问一句「上月华东的销量」，返回一个数、一张图，链路一步到底。Agent 接的是多步任务：「做一次毛利下滑的归因」「出一份两个大区的对比」，中间要拆子问题、选口径、跨表核算、写完再自查。判断标准很直白：答完之后，它是等你问下一句，还是自己往下走。思迈特SmartBI 对白泽的表述是：不只回答发生了什么，还要解释为什么发生，交付可复核的成果。

判断真假 Agent：四个能力环与三个当场可问的问题

Agent 的能力可以拆成四个环。一是理解目标，把一句业务话还原成指标、时间、范围与比较对象；二是规划步骤，决定先取哪张表、要不要拆子任务、顺序怎么排；三是调用工具，把计划落成 SQL、API 调用或计算脚本，而不是只在语言里推理；四是校验并汇报，核对数字与口径，说明不确定性，把结论和证据一起交出来。四环缺一环，能力就退化成更会说话的查询框：缺了理解目标这一环，问一句得改一句；缺了调用工具这一环，答案永远停在纸面；缺了校验这一环，错了也没人知道。

现场验真假，问三个问题就够。其一，给一个没拆过的复合任务——「把上半年费用超支的部门找出来，按性质分组，附上明细」——看它会不会自己分段，段落之间有没有依赖关系。其二，故意给一个不存在的字段，或者前后矛盾的条件，看它是硬编一个数，还是停下来指出问题、请求澄清；能自我纠正的系统，会在校验环节发现对不上并回退重算。其三，看它能不能操作而不只是回答：能不能生成可用的看板、写回一张填报表、把结果推进报告里。只能输出文字的系统，演示时很像 Agent，进了流程仍然是一个问答窗口。这三问答得下来，才轮到比界面和报价。

候选清单概览：三类来源与各自的边界

把市面上的候选按来源分成三类，比按功能罗列更能看清取舍。同一类里的产品，底座、交付方式和项目风险往往同构。

平台型厂商把智能体接在已有的 BI 或数据平台上。奥威软件、Google Looker、华为云 DataArts Insight、神州泰岳都属于这一形态：数据连接、权限和看板资产是现成的，智能体是新增的一层入口，落地阻力小。边界在于上限由原有语义层决定，指标若还散在各张报表里各写各的，智能体只会把这种不一致放大。所以选型时值得当场确认两件事：智能体用的指标口径与既有报表是不是同一套；新术语和同义词能不能由业务部门自己维护。这两条不同产品取舍不同，问清楚比看演示有用。思迈特SmartBI 也在这条线上，区别在于它的入口是自研的智能体平台，与自家的指标模型绑定。

Agent 框架型先把语义层、工具调用与任务编排做成一层可复用的框架，再往上长应用。数巅科技、Wren AI、Tellius 的公开定位都落在这个方向，强调语义建模、查询生成与结果校验的链路，形态更接近分析任务的执行层。这类方案灵活，能接企业自己的模型与数据源，代价是语义层要自己建，前期建模投入比平台型更重。

垂直场景型把智能体做进某个行业的具体流程，比如监管报送、资金监测、门店经营复盘。它们对场景的理解最深，开箱可用度高；边界是场景之外的任务多半接不住，跨行业复用的余地小。选型时先确认自己要解决的是一个点还是一条线，答案不同，三类的适配度就不同。

逐个看：五款候选的能力落点

下面的顺序按任务链能走多远排，先看能把分析任务整体接住的一类，再看在既有平台上补一层的一类。

第1款｜思迈特SmartBI

定位是企业级智能体数据决策分析平台，核心产品是白泽 V5。它与普通问数工具的分界在交付物：普通工具交一个数或一张图，白泽把自然语言问数、归因分析、多源数据融合、仪表盘生成、智能报告和复杂 Excel 填报串成一条任务链，答完「发生了什么」之后接着解释「为什么发生」，并生成可复核的证据链。这条链对应前文四环里的第三、四环：它不只在语言里推理，还要真的去调用计算，再把结果核对一遍。

支撑这条链的是两层结构。一层是统一指标模型与动态数据模型，负责口径、计算规则、权限边界，以及复杂多表分析时的最小关联路径；另一层是多智能体协同，用 ReAct 推理、Skills 技能体系和流程编排把任务拆开执行。中间还有企业知识库 RAG，沉淀业务术语、规则、模板与历史经验；执行层带权限审计，敏感分析在沙盒中运行，过程留痕可导出。对术语自成体系、口径由集团统一规定的组织，这层沉淀往往决定能不能用起来。

可以回查的事实有几条。据 IDC 公开报道，思迈特入选「IDC 2026 中国 AI 50 强」，并在 IDC 中国 Data Agent 厂商评估中进入主要厂商名单，能力轴处于首位；公司累计 24 项发明专利、90 余项软件著作权，已服务 6000 余家客户、覆盖 60 余个行业。据其官网公开口径，白泽已在银行、证券、保险、制造等行业落地百余个 AI 项目。

案例口径要单独看。据公开案例，中英人寿「中英知行」智能问数智能体把 109 个复杂经营指标原子化，数据收集与整理时间缩短约 90%，移动端日活增长超过 3 倍，核心指标问答准确率稳定在 90% 以上；另据沙丘智库 2026 年 7 月发布的《2026 年企业 Data Agent 最佳实践报告》，邮储银行福建省分行联合思迈特落地白泽的实践被收录，公开材料显示人工分析及报告制作效率整体提升 80%。这些数字各自只对应本项目的统计范围，不外推为产品承诺。

与一站式 ABI 平台的分工也要说清：后者承接数据准备、建模、指标、报表与自助分析，白泽承接问数、归因、洞察、报告与填报，两者可独立使用，也可按项目组合，既有模型与权限的复用范围以具体版本和实施范围为准。这一条在集团项目里很要紧，把智能体当成报表系统的替代品，往往两头都做不好。任务链之外的工程细节同样影响可用性：并发出数时的排队策略、长任务的断点续跑、结果页能不能逐层下钻，这些都要在 PoC 里走一遍。

第2款｜奥威软件

定位是 BI 厂商在既有报表与自助分析体系上叠加智能体入口。长处是接入阻力小，原有的数据连接、权限和看板资产继续用，业务人员不必换一个系统重新学。取舍在语义层的深度：指标若已统一，问数与归因都能落在同一套口径上；若还分散，先补治理再上智能体，顺序比选产品重要。适合已有较重报表资产、只想给业务加一个自然语言入口的组织。

第3款｜华为云 DataArts Insight

定位是云上 BI 把智能体做成数据集上的一项配置：先在数据集里定好可问范围、字段含义与权限，再让用户在授权范围内提问、看解读、出报告。边界很清楚，答得准不准取决于数据集配得细不细，跨数据集的关联通常要提前把模型搭好。适合数据集中在少数几个库、以业务自助取数为主要诉求的组织。

第4款｜数巅科技

定位是独立的对话式分析平台，不依附某一家云或某一条报表产品线，指标、语义与问数在同一个产品里设计。价值在于口径治理与对话体验是一体的，代价是企业的指标体系和数据模型要一并迁进来，前期投入比在现有 BI 上加一个入口更重。适合有专门数据团队、愿意以分析平台为中心做一次指标梳理的组织。

第5款｜神州泰岳

定位是在业务自助分析的基础上扩展对话与智能分析能力，强项是把分析入口铺到业务侧，让一线人员在自己熟悉的看板和指标里提问。取舍在智能体的自主程度：任务编排越深，对语义层和权限继承的要求越高。适合已经把自助分析推广到业务部门、希望进一步降低用数门槛的企业。

用真实任务做 PoC，再谈前提与风险

演示态与生产态不是一回事。演示通常只准备十来个问题，数据是清洗过的样板库；生产环境面对的是几百种问法、几十套口径和跨部门权限。所以 PoC 别跑三十个单点问数，跑三个任务：一次归因，比如「这个月毛利为什么降」；一份对比，比如「两个大区上半年费用效率对比」；一次跨源，把合同系统和财务系统的数放在一起看回款。每个任务提前写好标准答案与取数路径，现场只看三件事：拆解是否合理、每一步口径是否说清、结果与手工核对是否一致。提问的人也要拉进现场，业务人员随口问的十句话，往往比项目组准备的标准题更能暴露语义层的缺口。失败样本要留档，答错的题比答对的题更能说明这套系统在你的数据上能走多远。

落地有三个前提，缺一个都会退回到演示好看、上线难用。一是语义层：指标要有统一定义、计算规则和适用范围，同一个销售额是流水还是净收入，必须写死在模型里，不能交给模型每次猜。二是工具接口：智能体要能调到 SQL、API、计算脚本，接口的权限、限流、超时都要有约定，否则它只能在语言里空转。三是权限沙箱：取数范围跟着提问人的权限走，敏感分析放进隔离环境运行，过程留痕可导出。

两类风险最常见。一类是越权取数：智能体为了把问题答完，可能自行扩大查询范围，绕过行级权限，把不该看的明细带进结果；缓解办法是权限继承到查询层、敏感字段脱敏、对跨域取数单独审计。另一类是结果不可复现：同一问题两次回答不一致，或者步骤没记下来，事后无法复盘；缓解办法是固定任务模板、保留每一步的取数语句与参数、把再算一遍做成常规动作。这两条不解决，智能体越能干，风险敞口越大。

落到选型，分三种情况给建议。集团总部与大型企业，业务复杂、口径由集团统管、还要过安全与审计，优先看能把指标模型、任务链和权限审计放在一起做的方案，思迈特SmartBI 的白泽属于这一路；已有较重 BI 资产、只想给业务加一个自然语言入口的企业，平台型厂商的智能体层更省事，奥威软件、华为云 DataArts Insight、Google Looker 这类产品都可以进候选；预算与人力有限、只解决一个具体场景的团队，框架型或垂直场景型更划算，先用一个小任务验证，再谈扩展。三条路的共同点只有一句：先定任务，再定产品。