芯耀
与非AI
837
当下，AI 浪潮汹涌，数据分析领域正面临深刻变革，而 AI Agent 成为其中备受瞩目的焦点。本次邀请到质变科技创始人兼CEO占超群，一起探讨除了 ToB 端之外， ToC 端中国 Agent 市场机会，探索数据与 AI 结合的路径。
01
容忍度是AI时代产品的核心基准质变科技在海外服务140多万用户，以及在国内做产品的用户反馈和几个核心基准：首先要考虑的是用户容忍度，且需将其置于最高优先级。由于当前AI 本质上是一个超大规模的参数化函数，若相关服务未能良好适配用户容忍度，产品将陷入类似西西弗斯式的困境。 例如，若 A 场景处理完善，B 场景却出现问题；A 用户的需求得到满足，B 用户的需求又无法达成，因此必须找到一个用户容忍度的合适区间。以芯片制造为例，借助 AI 生成芯片设计图在短期内难以实现，原因在于用户对精度要求极高，误差容忍度极低，单次试错可能造成上亿美元损失。相比之下，在写作场景中，即便出现几个错字，影响也相对有限。因此，从容忍度的角度出发，才能快速定位自身与 AI 均擅长的场景，尽量避免挑战 AI 能力的上限。从创业或企业运营角度来看，AI 当前的能力上限容易导致最终无法交付的局面。可以看到，今天ToC AI 应用的用户容忍度普遍较高，像视频、写作、图像生成等娱乐化及轻量办公场景，即便存在个别错字或视频像素偏差，通常也是可接受的。而在 ToB 场景中，生成的视频 logo 出现轻微倾斜，或是数据分析报告存在错字、标点失误，都是无法容忍的。从用户容忍度这一视角，ToC 与 ToB AI 应用市场存在显著差异。但由于 ToB 应用所涉场景更为严肃，其落地周期相对较长。
例如，企业对 AI 的可解释性、可靠性、可干预性，以及与企业系统集成相关的认证、鉴权、审计等方面的要求，均是零错误容忍，这就需要大量人工干预。因此目前 ToB 领域的 Data Agent 仍需经历人机协同阶段，虽较上一代有所进步，但尚未达到规模化生产的水平。这是从用户容忍度视角适配自身能力与用户场景的首要要点。其次是用户感知的价值。如今人们使用 AI 时，普遍默认 AI 具备较高智能，能够解决业务问题。从这一角度看，ToC 与 ToB 也存在差异，需关注AI提供的能力是否能被用户即时感知，还是需要用户进行大量准备工作，如观看视频、启动操作或接受培训等，这些因素都会导致 ToC 与 ToB 呈现出不同特点。当前，ToC AI 应用基本需做到简单、富有趣味性且功能效果惊艳。例如，Kling 的视频生成功能，相较于同类应用能给用户带来惊艳体验，从而促使用户付费，因为用户能切实感知到 AI 的价值。而 ToB 则有所不同，其一，ToB 用户更关注能否在现有流程基础上进行微调，以及能否实现轻量级、安全的应用。相较于 ToC，若无法带来跨代际的升级体验，用户付费意愿较低。其二，ToC 领域竞争已极为激烈，字节的豆包、腾讯的元宝等，营销费用均以百亿为起点。在此情况下，ToC 对营销和流量分发的依赖性极强，若功能没有代际差异，便只能陷入营销红海。而 ToB 领域至今尚未出现创新的流量触达与营销方式，仍较多依赖传统展会、行业直采及在线营销。
02
AI 时代数据分析的转型：从服务管理者到赋能一线
在AI 浪潮来临前，数据分析主要围绕管理者展开，服务对象包括组长、团队负责人、经理乃至高层管理者。这类服务聚焦于提供确定且简单的交互，核心是帮助管理者进行确认、验证或增强论证，并未带来显著价值提升。这也导致经济下行时，许多公司会较先优化数据团队，因为管理者对经营方向已有大致判断。即便是知名 BI 产品升级为 Chat BI 后，交给管理者使用时遭冷遇，转由下属使用也因难以满足需求而不了了之，可见 Chat BI 形态在企业内难以发挥大作用。AI 时代的数据分析需从两个视角转型：解决生产力问题与赋能每个人。
第一点是场景和用户的扩展：传统BI 叠加 Chat 功能的模式难以成立，不少 Chat BI 公司实际使用率低，其价值难以通过每日交互次数和降本增效的具体对象来衡量。真正的机会在于将 AI 赋能一线员工，而非传统报表。例如，零售店店长优化出餐效率、咖啡店提升坪效、跨境小商贩及代运营人员的日常运营，都需要数据驱动的个性化支持。通过语音、多模态等方式，让一线员工借助数据提升效能，才能避免数据 “只存不用” 的成本困境。
第二点是交互方式的变化：传统静态报表与Chat 模式存在明显缺陷。用户往往难以清晰描述数据需求，比如在对比分析中，无法明确是同比、环比还是交叉比；即便是 CEO和管理者，也难以准确输入指标。这导致从清晰表述数据到明确行动目标之间存在巨大鸿沟，需要全新的交互方式、数据理解能力、需求理解能力和全新的产品设计。实践中，大量用户的提问互动次数低，甚至出现错误也不知如何修改，这表明仅靠传统 Chat 模式无法解决问题，必须探索新的产品形态，出现新的交互方式、技术架构以及新的易用性设计。
第三点是ToB 产品本身具有严肃性，数据的介入更放大了这种属性，使得企业落地时需解决分析的可解释性、可控性与可干预性。例如，某客户要求生成的 PPT 备注中，必须详细说明每个指标的来源，包括具体表格的行、列，计算公式，引用材料及具体段落，备注内容甚至远超 PPT 正文。此外，还需处理数据单位、位数、标注等细节问题。这远非定义几个指标供用户查询就能解决，因为用户即便问到指标，也可能不清楚其用途及如何转化为决策，其间的鸿沟远超预期。技术层面还面临成本与安全的双重挑战。企业数据量庞大，而现有模型处理能力有限，例如部分模型Context Window上限为 128K Token，最新模型虽有提升，但多数仍在 32k左右，难以应对企业级百亿级数据。因此，需探索小尺寸垂直模型或数据模式识别等技术，平衡处理能力与成本。同时，安全合规至关重要，企业中不同角色权限差异大，需防止未授权的数据访问或操作，例如模型生成的代码、SQL 需严格控制权限，避免数据泄露或误操作，这对权限管理提出了极高要求。质变科技在两年的实践中，通过与大量客户的交流以及产品迭代，逐步应对各类挑战。面对100 多万用户的使用数据，发现用户提问存在互动少、错误多且不知如何干预等问题，这推动了我们在交互设计以及技术架构上的反思。尽管目前尚未有明确的技术能完全解决所有问题，但在可解释性、可控性和可干预性以及提高交互意图理解上，已取得让客户很满意的成果。在持续迭代与优化中，不断完善数据与 AI 结合的路径，以适应企业对数据分析的深层需求，逐步缩小从数据理解到实际应用的差距。
03
Data Agent产品的技术挑战与优化路径
AI 产品与传统数据领域产品存在显著不同，其中严肃性和准确性尤为关键，这涉及上下文工程的多个方面。首先是带数据的提问上下文处理（意图理解以及数据理解等），其次是提问生成的代码问题,因为复杂任务生成的代码常达数万行，但当前大模型在一次性生成 2000 行以上代码时准确性大幅下降，易出现变量上下文等问题。因此，需将用户意图拆转化为思维树，通过有向无环图（DAG）分段生成代码，确保每段相对确定、简单、可解释。此外，环境感知的演进存在两种流派：完全依托 AI 虽灵活但响应慢、易不收敛；固定 workflow模式响应快但灵活性不足，两种形态在上下文工程中差异明显。数据准确性方面，新兴的data verify 工程正逐步发展，即对生成答案进行校验。
例如，生成答案涉及 10 万条数据时，需决定逐条校验还是批量校验及具体校验方式。海外多家公司已涉足该领域，比如验证报告中哪些内容是事实、哪些不是，解决部分报告 “有理有据但无实” 的问题。再加上模型本身存在幻觉、上下文长度限制及数据源抓取解析等问题加剧了准确性挑战。若无法保证准确性，还需构建智能体与人的互动机制，允许人工协作(Human-in-the-loop)，这也成为技术挑战之一。成本是另一大挑战，包括校验成本、Token 成本及 Agent 计算等。例如，解析一个包含几十个子表的 1 兆大小表格，即便经过优化，单次准确解析成本可能仍达 0.8 美金。当前仅处理文本领域已产生高额月度 Token 费用，尚未涉足的图像和视频领域成本压力更大。高昂的成本使得相关产品在实际应用中面临不小的落地阻力，如何在保证功能的同时控制成本，成为亟待解决的问题。安全合规的制约与影响愈发突出，许多场景需用户登录才能获取数据，例如部分浏览器产品的设计正是为解决权限问题。数据获取存在诸多限制，不登录则难以获取有效数据，导致体验不佳。
例如，生成数据领域的ToC 和 ToB 应用分析报告时，大量数据因权限问题无法爬取，安全合规成为影响产品体验和功能实现的重要因素，其复杂性在实际操作中逐渐显现。从长远来看，数据交互方式必然发生改变。传统Chat模式难以满足用户提出优质问题、获取优质数据报告以及业务结果的需求。在数据领域，用户往往难以一次性说清需求，需要多次交互探索，例如分析门店营收下降原因时，可能需结合节假日、天气等因素逐步深入。这种高频、动态的交互需求，使得传统模式难以应对，推动着交互方式向更适配数据特性的方向演进。质变科技在上下文工程的实践中，对模型的依赖经历了从LLM Chat、LLM Workflow、Agent Workflow、Agent Workflow 等多个阶段。初期全依赖模型导致迭代轮次多、速度慢、成本高，后续转为Agent Workflow，在代码生成领域采用模块化、解耦方式，例如将同比环比的代码预设为函数，仅让模型输出调用以及感知信息，提升代码生成效率。随着模型增强，工程化技术和架构可更聚焦，我们沉淀出来的自演进 Multi-Agent Framework 也越来越强越来适应严肃性场景。即便模型增强，上下文工程、Data Verify、交互方式变革、大数据存储与计算、Agent Compute等工作仍不可或缺。
「爱分析·对话首席」栏目介绍：
《对话首席》是一档面向科技行业从业者的深度对话直播栏目，聚焦数智化浪潮下的战略思考与商业实践。栏目每期邀请1-2位对于科技领域有着独特见解的高层管理人员，通过1.5小时的高浓度对谈，解构数智化关键命题。
栏目话题包含宏观形势研判、前沿技术落地、行业格局变迁、竞争壁垒构建及业务增长路径等。通过嘉宾之间实践经验与行业洞察的碰撞，还原科技领军者在技术创新与商业博弈中的决策逻辑，为从业者提供兼具思想纵深与实践价值的行业参考。
