传统 BI 让决策等数据，而不是数据等决策
拖拽式建模、定制化开发与 IT 排期，将数据分析的交付周期拉长到以「周」为单位，决策者与数据之间始终隔着一层「翻译」
传统 BI 交付链路
传统 BI 链路中，每一个环节都在消耗决策时间
拖拽式操作门槛高，业务人员难以自助分析
传统 BI 依赖拖拽式报表建模与复杂维度配置，业务人员需掌握数据模型与可视化语义，CXO 的临时分析诉求往往需要反复沟通与转译
定制化开发与排期瓶颈，交付周期按周计算
涉及 ETL 数据管道定制、数据集市建设与报表开发的需求须进入 IT 排期队列，跨部门需求排队导致任务普遍以「周」为交付单位，错过决策窗口
指标口径不统一，跨部门数据对不上
同一指标在不同报表中定义不一，数据口径分散在各部门 Excel 与看板中，决策会议沦为「对口径」会议，分析结论缺乏可信基础
AI 取数权限与安全管控缺失
让 AI 直接访问企业数据面临越权风险：缺少按角色/部门收敛的数据授权、敏感字段脱敏与操作审计，AI 取数无法规模化合规落地
从「按周计算」到「按分钟计算」
一次自然语言提问，分钟级产出洞察——把「需求 → 取数 → 建模 → 可视化 → 决策」的整条链路从串行人工协作压缩为并行自动化执行
传统 BI 路径
按周计算
AI 数据分析路径
按分钟计算
四层架构：从自然语言到可信洞察
AI Gateway 位于企业数据源与 AI 之间，向上承载对话式分析体验，向下以 MCP 数据服务安全开放数据，全链路权限可控、可观测、可审计。
自然语言交互层
L1AI 分析引擎
L2MCP 数据连接层
L3企业数据源层
L4数据分析任务流水线
意图理解
用户以自然语言提问，引擎进行意图识别与多轮上下文理解
语义映射
语义层将问题映射至统一指标与维度口径（Semantic Layer）
权限校验
MCP 数据服务校验用户数据权限（角色/部门/行列级），越权直接拒绝
查询执行
NL2SQL 基于语义层生成并优化 SQL，执行查询
智能可视化
结果自动匹配可视化类型，生成图表与看板
洞察解读
大模型解读趋势、异常与归因，给出行动建议
定时编排
日报/周报定时运行，结果订阅推送至 IM / 邮件
AI 权限数据：让 AI 安全地读取企业数据
AI 每一次取数都经过身份绑定、权限校验、数据脱敏与操作留痕——「AI 能读什么」与「这个人能看什么」严格一致。
身份绑定
AI 会话绑定真实用户
MCP Server
统一协议，无需直连
权限校验
RBAC/ABAC 行列级授权
数据脱敏
PII、财务字段脱敏
企业数据源
数据库、仓库与数据湖
五大核心能力，构建分钟级洞察的数据分析闭环
一站式打通「提问 → 取数 → 洞察 → 持续跟进」
自然语言查询
语义层 + NL2SQL 取数
用户提问
“Q2 华东区营收环比？按产品拆分”
NL2SQL · 语义层解析
SQLSELECT product, SUM(rev) rev FROM sales WHERE region='East' AND quarter='Q2' GROUP BY product
查询执行
1.2s智能可视化
趋势图
对比图
占比图
图表与看板自动生成
洞察解读
趋势、异常与归因
定时任务
日报周报定时推送
MCP 数据权限
权限、脱敏与审计管控
覆盖经营决策、例会分析与持续监控场景
CXO 经营决策支持
以自然语言查询经营指标，秒级获取核心数据与归因结论，决策不再等报表。
经营分析例会
定时自动生成周/月经营分析报告，口径统一、结论可溯，会议聚焦决策。
业务自助取数
业务线自助提问取数，减少对分析师与 IT 的依赖，临时诉求即时响应。
异常监控与预警
关键指标阈值监控，异常即时告警并附归因线索，风险处置从「事后复盘」提前到「事中干预」。