过去的三年，对我们科技创业者来说，每逢春节，必不安宁。2023 年 ChatGPT 炸场，2024 年 Sora 颠覆视频创作，今年春节 DeepSeek 又掀起新的风暴。所以今天我会结合大家关心的话题，分享我对大模型与数据结合的一些理解，包括“1 个问题、2 个判断和 3 个建议”。
过去我们通常认为企业的核心竞争力包含人才壁垒、技术壁垒以及资本壁垒。
先看人才壁垒。当每家企业都能以 5 万元雇佣具备清北毕业生知识结构的数字化员工时，“人才壁垒”已被 AI 拉平。程序员用 Cursor 写代码，律师用 AI 写法律文书，专业技能门槛正在被快速拉平。AI 时代，企业需要重新定义自己的人才和人才优势。能否跟 AI 共生共创是未来企业员工的标准技能，就像信息化时代，员工需要会用电脑会用 Office 一样。
再看技术壁垒。AI 时代，技术壁垒包含算力、算法 / 模型和私域数据三大因素。回顾过去 15 年，从大数据普及到 AI 普惠，技术平权的周期从十年缩短到三年。现在中小企业也可以以极低的算力成本使用 DeepSeek 开源模型或 API 服务。当 GPU 和算法都变成基础设施，企业与企业之间技术护城河还剩下什么？唯一没被抹平的差异化要素，就是企业的私域数据。用大白话说就是：你有多少高质量数据，就能拥有多强的智能。
最后看资本神话的破灭。移动互联网时代大家比拼“融资”和"烧钱”的速度，从“百团大战”延袭到“百模”大战，直到遭遇了 DeepSeek 的降维打击——DeepSeek 7 天用户破亿，根本不给资本筑墙的时间。我认为有一个概念发生了变化，就是“知本”这两个字，知识的知。知识的流动速度要比资本快十倍百倍，“知本”的杠杆效率也比资本要大十倍百倍，企业真正的壁垒不再是资本壁垒，而是你独有的认知体系和独有的知识库。知本一旦形成竞争优势，往往不可逆，因为同行来不及反应，战斗就已经结束了。因此，DeepSeek 没有开源他们的训练数据集，但开源了模型和核心代码，因为他们知道，当自己拥有“知本”优势的时候，自己的下一代模型依然会领先同行，竞争优势并没有丢失。
基于以上分析，企业核心竞争力的落脚点究竟在哪里？我们认为，无论是零售品牌、先进制造还是金融机构，各行各业的核心竞争力都将建立在"知本"之上，具体表现为企业的私有知识库体系。人才、技术、资本等传统壁垒正在快速消融，唯有知识资产难以被复制和超越。
未来的企业将构建多维知识库矩阵，通过多智能体（Agents）的协同与交互，形成动态进化的知识、决策与行动网络。在这一体系中，经营决策场景因其知识密度和价值密度最高，自然成为核心战场。企业的每一次决策，都是对市场认知、客户洞察、产品理解和技术评估的综合体现，这一过程本质上就是知识的萃取与应用。
这也解释了为什么 DeepSeek 崛起后，市场对 Chat BI 表现出如此强烈的关注，因为它精准切入企业经营决策这一核心场景。经营决策场景下企业知识语义表达的载体就是“指标”，其管理平台就是“指标平台”。也因此，指标平台是企业最为确定性的私域知识库，Chat BI 是当前最为确定性的 AI 垂直应用之一。
BI 作为企业数字化进程中最为基础和普遍的应用场景，其与 AI 的结合是必然趋势。今天，我要提出两个关键判断：
第一，Chat BI，其关键不在 BI，而在数据。
Chat BI 带来交互层体验变革，让“人人都是数据分析师”这一口号成为可能。但是，人类分析师遇到过的问题，Chat BI 也一样会遇到，一样存在“数据不好找、不敢用、用不对、取不出”的问题。
如果不解决数据供给侧的问题，数据消费侧的创新一样无法实现分析体验的革命。这里最主要的问题有：指标随业务发展而动态变化，怎么让业务日常沟通的指标口径跟 AI 获取到的指标语义保持一致，怎么让指标口径跟数据库里的数据保持一致，如何保证 Chat BI 在获取数据时的响应速度？
以上问题决定了 Chat BI 与数据仓库之间必然依赖指标平台实现语义层中介，实现数据的 AI-Ready。
正如自动驾驶必须依托电动车而非燃油车才能实现，Chat BI 要实现真正的数据对话，必须建立在指标平台的语义化和虚拟化基础之上。这个指标中间层的引入，不仅要解决数据供给问题，更要实现数据的智能化治理和价值转化。
因此，Chat BI 的真正挑战不在于提升分析效率，而在于重构数据供应链。只有当数据能够被高效获取、准确理解和安全使用时，AI 的分析能力才能得到充分发挥。
第二，Chat BI 的核心不在 GPU，而在 CPU。
要理解这一点，我们需要剖析 BI 活动的本质——它是一个既消耗脑力又消耗体力的复杂过程。
脑力层面，数据分析依赖数据分析师的脑力智能，受限于个人处理能力；体力层面，需要大量的计算、存储和数据处理资源。
首先，基于人工的数据分析是低频的，一个人一天只能够处理几件事；同时，人是可以容错的，人有主观能动性。面向人工的数据分析场景，工程领域诞生了 ETL 和传统数据仓库架构。
但 AI 不是这样的。一方面 AI 会释放十倍百倍的分析需求，灵活性要求也极高；另一方面 AI 是低度容错的。那传统 ETL 工程体系和工程师体系是否能够支撑 AI 时代海量、灵活的分析需求呢？
这正是我们三年前就提出 NoETL 理念的根本原因。NoETL 就是通过将 ETL Engineers 驱动的数据工程转变为 ETL Agents 驱动的数据工程，实现数据处理流程的自动化重构。只有完成这种生产力变革，才能真正满足 AI 时代的数据分析需求。
这种转变不仅仅是技术升级，更是整个数据处理范式的革命。它解决了传统 BI 体系中最根本的供需矛盾，为 Chat BI 的真正落地扫清了障碍。
基于以上分析，我提出企业 Chat BI 落地的三个建议。
第一，好数据，强智能。企业拥有多少好数据，就能拥有多强大的智能。什么是“好数据”？好的数据应该是“好找的、敢用的、没有歧义的、AI-Ready 的”。反映在指标平台上，要产出好数据需要指标平台具备强大的指标定义能力，要实现 100% 的指标可以语义化定义，同时需要有强大的数据智能加速能力，实现至少 95% 的查询可以秒级返回。因此，我们认为，一个好的指标引擎必须实现真正的“管研用一体化”，才能解决 ChatBI 真正用起来的问题。
第二，可溯源，可审计。在数据分析领域，数据准确是一切使用的前提。如何解决大模型的幻觉问题需要系统性的思考和设计，需要实现思维链与数据链的双重展开，白盒化地呈现 Chat BI 从意图识别、语义理解，到查询 SQL 等每一个环节的生成结果，做到端到端可溯源、可审计。
第三，全开放，大生态。指标平台是企业在 AI 时代的数字基建。指标平台的定位是企业内经管决策领域的知识库，独立于各类敏捷 BI、Chat BI、Agents 之外，为它们提供统一的数据语义层。正因其基建的定位，指标平台必须具备下层兼容性和上层开放性。对下，它不应绑定特定的计算引擎和数据仓库，能够支持动态连接不同的数据源；对上要跟各类工具、应用场景形成生态合作，比如 Quick BI、WPS，各类 Chat BI 产品，还包括各类业务解决方案的厂商，比如医疗、财税等。
我们坚信，NoETL 指标平台作为一个新兴的品类，一种基础设施，需要保持足够的独立性和开放性，不被特定的技术供应商绑定，才能保持可迭代性。
我们公司名称“Aloudata”，其实源于“AI on data”的理念。我们坚信，AI 时代的关键是 Data，是知识库，是数据语义层，是数据虚拟化，这是我们的判断，也是我们创立这家公司的初心。而我们所提出的 NoETL 的全新数据工程体系也以 AI-Ready 为核心使命。懂 BI、会洞察，为企业构建 AGI 时代的数智基建，相信我们是专业的。