大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。



OpenClaw智能体应用爆火，一方面催化企业用户对AI的需求，另一方面也对数据分析市场产生冲击。

当数据消费对象由真实用户转向智能体应用，传统数据看板和分析工具长期生存空间正被蚕食，BI厂商将何去何从？

作为深耕数据分析市场15年的BI厂商，思迈特的核心战略已从“AI for BI“坚定转向“BI for AI”，近期即将发布白泽V5企业级数据智能体新产品，涵盖逻辑数据底座、自动化指标体系、多智能体协同等能力，正以BI产品为核心，构筑AI时代新型数据底座。

近期，爱分析与思迈特CEO姚诗成进行深度交流，探讨OpenClaw智能体对BI市场的影响、Palantir实战经验借鉴、AI时代数据厂商的核心壁垒等话题。

▍ 核心观点

• OpenClaw是BI行业升级的催化剂。

  OpenClaw爆火加速AI从聊天走向自动执行，倒逼传统BI向智能化、场景化升级。

• BI的价值不会缩小，而是升级为数据底座。

  AI Agent虽成为数据消费核心载体，但必须依赖BI提供可信结构化数据和指标模型。BI从前端工具升级为Agent的数据底座，成为企业数字化的核心基础设施。

• Palantir值得学习，但需本土化适配。

  Ontology构建统一语义层的价值毋庸置疑，国内厂商可借鉴其平台的可控性、协同性及FDE模式，将其转化为轻量化、场景化、合规化的产品与交付策略，才能服务好国内企业用户。

• BI厂商三大核心护城河。

  AI时代，行业know-how（业务流程重构沉淀）、数据资产（标准化指标体系）、服务能力（产品+全栈服务）构成BI厂商的三大护城河。

• 软件公司必须重构组织形态。

  AI提效10倍不等于效益提升，通过“用好AI提效→FDE组织重塑→建立AI思维”三步走，不断优化业务流程与组织形态，打造主动拥抱AI的新型组织。

以下为本次访谈实录，在不改变原意基础上略有修改。

爱分析：在您看来，OpenClaw这类智能体框架，对BI数据分析市场会产生哪些影响？对思迈特这样的BI厂商来说，又是什么样的影响？

姚诗成：OpenClaw爆火的主要原因，是让用户觉得AI真正可以帮人去做事情，这加速了AI能力的普及。对我们来说，这是第一个整体层面的机遇：它加强了AI的普及，把ToC端的能力推到了ToB市场，催熟了客户的认知和知识普及。

对数据行业来说，它加速了数据分析自动化的进程，倒逼我们传统BI厂商要从原来的报表自助，向智能化、场景化升级。对思迈特来说，我们把它当做一个行业催化剂，这是机遇。

OpenClaw最近的降温，恰恰说明企业级市场需要不一样的智能体。我们思迈特过去15年在BI行业的沉淀，可以用来打造更适配大企业的企业级智能体，而不是简单跟随开源框架，这会成为我们的差异化优势。

爱分析：所以在您看来，OpenClaw更多解决了ToC的需求，并不会影响ToB市场？

姚诗成：我们认为ToB市场会是一个非常漫长的路。从我们思迈特三年实践来看，ToB有三个核心问题要解决。第一个是数据不准确，客户不想用；第二个是数据不安全，客户不敢用；第三个是结果输出不稳定，客户不能普及。所以ToC和ToB对最终结果的容忍度天差地别。

爱分析：最近看到思迈特要发企业版大龙虾（白泽V5）。这是针对今年OpenClaw爆火的应对策略吗？还是本身就有计划？

姚诗成：其实有两个原因。第一个，我们公司技术方向从2024年就已经明确，核心是BI for AI。一方面夯实BI底座，一方面在AI能力上持续创新，这是既定方向。

第二个，我们对技术的研究和应用采用全球化视野。2026年初我们就推出白泽V5新产品，把当前最先进的能力快速吸收融入AI产品主线。白泽V5主要增强了React和Skill能力，跟当前流行的龙虾使用能力高度契合。

爱分析：所以思迈特的战略还是BI for AI？

姚诗成：非常坚定，BI for AI。这里有两个核心要素：一是AI创新能力，更贴近客户使用和结果诉求；二是BI能力，要打造更好的数据底座，保障用数的准确性和安全性。

爱分析：当前有一种说法，原来的BI数据看板更多服务于人，未来很多场景服务于Agent，传统报表和BI工具的价值在降低，这跟您提到的BI for AI的趋势判断不太一样？

姚诗成：我并不认同传统报表和BI价值缩小的说法。AI Agent确实可以成为数据消费的核心载体，但Agent做决策，必须依赖BI提供可信结构化的数据和指标模型。所以BI的价值不是缩小，只是发生了变化。从原来的前端工具，升级成为AI Agent的数据底座，成为企业数字化的核心基础设施。我觉得更多是价值的转变。

爱分析：从AI时代数据基础设施角度，大模型会调用很多非结构化数据，接下来非结构化数据的价值会提升，您觉得未来数据基础设施应该是什么架构？

姚诗成：未来的数据底座，结构化数据只是其中一部分，一定会涵盖非结构化数据。我们白泽V5新产品已经支持非结构化数据，不仅支持，还做了语料质量的梳理和保障。在数据价值呈现上，也不单单是结构化数据或报表，还会输出报告类、文档类、视频类等能力，这些我们新产品都已经具备。

爱分析：所以BI未来也会把非结构化数据统一管理起来。那在您看来，它还是叫BI吗？还是一个新的定位？

姚诗成：当下我们对于BI的诉求，才真正回到了BI的英文business intelligence。前几年BI更多只是数据分析工具。当前BI这个方向增强了很多功能，更丰富了BI的概念和价值。

爱分析：思迈特这样的厂商，未来是主要做Agent底座，还是本身也要做应用，成为从底层到上层的全栈解决方案厂商？

姚诗成：我们认为有两重角色。未来BI和报表的核心定位，就是把底层数据基础设施、数据模型、指标模型，标准化、可信地为Agent提供数据支撑，解决Agent数据口径混乱、数据不可靠的问题，成为AI时代企业数据的信任基石。

思迈特采用双轨并行、双轮驱动：一方面强化BI数据底座，完善数据模型、指标体系和数据治理，为各类Agent提供支撑；另一方面直接推出端到端的企业级数据智能体解决方案。既做地基也做成品，适配不同企业需要，市场空间也更大。

爱分析：BI成为AI时代的数据底座，那原先的企业数据底座，比如数仓、数据中台这些，还会存在么？

姚诗成：主要还是看客户的数据结构和规模。如果数据量不大或不复杂，BI里面已经包含数据治理和数仓能力，可以统一构建。如果客户已经建好数仓和数据中台，再叠加BI和Agent能力，可以更快享受到Agent应用成果。

爱分析：从客户视角，如果BI变成数据底座，采购逻辑是不是也发生了变化？比如立项、预算投入方式。

姚诗成：客户的需求和投资逻辑其实一直没有变化，只是原来没有更好的选择。今天企业对BI的投资，更多从工具采购转向价值投资。原来更多是技术部门发起，现在业务部门会直接参与。客户采购的根本不是工具，而是工具到底能带来什么价值和服务。我们不再只是看技术和功能，更多是关注BI能否支撑AI落地，提升决策效率、降低成本。

我们提供的新价值核心，是从数据到决策的闭环。通过指标体系叠加多智能体协同，让数据不仅仅被看到，更能被Agent自动分析和执行，实现智能问数、诊断归因等，这才是客户真正想购买的产品服务。

爱分析：您怎么看Palantir？怎么看Ontology技术的实际价值？

姚诗成：我们已经研究Palantir三年，从它身上学到了很多好的方面，已经应用到我们的产品设计、交付模式、业务模式。

Ontology的核心价值，就是构建了数据模型、权限动作的统一语义层，这是AI时代重要的技术方向，实际价值毋庸置疑。我看的是Palantir的营收，这已经证明了它的价值，绝非单纯炒作。

但Palantir的模式更适配海外复杂的大型企业场景。国内头部和大型企业的需求更聚焦轻量化、场景化、合规化。所以它的经验值得提炼学习吸收，但不能直接照搬照抄，这可能是其他企业遇到挫折的一个方面。

爱分析：大概借鉴了Palantir哪些经验？

姚诗成：首先是Palantir技术架构的可控性和协同性，能实现AI执行的可追溯、可管控，同时打通多个系统的数据和动作。这跟我们做Agent BI的指标模型层有相同点，都是聚焦数据标准化和语义统一，只是轻重、复杂程度不同。

我们的做法更贴合国内企业的业务场景，轻量化落地，深度融合指标体系，更注重数据价值快速转化，符合大客户对结果、时间、安全合规的要求。

其次，在业务经营模式上，我们也在学习Palantir的FDE模式，已经融入整个业务的运行流程，非常高效。

爱分析：FDE这块我挺好奇。思迈特的业务还是基于标品的解决方案为主，不是像Palantir完全端到端定制的解决方案。思迈特为什么会学FDE？

姚诗成：第一，我们学习FDE模式的精髓，是把所有工作做到效果前置，实现客户需求、人和技术、业务的完全闭环。这样项目前期重，后期执行相对容易落地。

第二个，Palantir不是一下子赋能千行百业，而是基于一个行业的场景不断积累深化，再去扩展到其他行业，这种场景化的**实践非常值得我们今天在做AI应用时去实现。

今天很多软件公司原来陷入的困境就是前期轻、后期重。对AI应用来说，如果前期不断试错探索，就是一条永无止境的路。

因此，我们把Palantir的FDE转化成今年业务的策略。以产品化为基础，通过场景化快速嵌入实现效果，同时提供全栈式选配服务，保证价值落地。

这样既不偏移产品化战略，又加快项目建设周期和应用周期，还能让客户真正用出价值。

爱分析：Claude Code等基础模型能力不断增长，对软件厂商冲击会比较大。在您看来，AI时代BI厂商的壁垒和护城河是什么？

姚诗成：我们认为在AI时代，BI公司有三个层面的护城河。

第一个是行业know-how，这是AI无法替代的，需要长期行业实践的积淀。

第二个是数据资产，包括标准化的指标体系、行业的数据模型，这是支撑AI精准落地的基础。

第三个是服务能力。企业级的AI产品需要产品加服务的组合，不是单纯产品就能解决客户个性化需求。服务能力成为核心竞争力，客户任何部门和场景，AI**实践方法论将会是客户和厂商的核心竞争力。

爱分析：行业know-how具体包含哪些？原来讲行业know-how是对行业场景流程和知识等的沉淀，但AI时代很多协作流程会缩短，人机交互会增加，行业know-how还存在？

姚诗成：我们讲的行业know-how，就是数字化转型里“转”的部分，实现研产供销服的业务组织流程的重构。ERP只解决了流程在线化，而行业know-how加载了客户的业务流程和组织如何高效运行，既承接公司战略，又落地执行。

今天我们一直讲AI ready，其实大家更多还是在做业务+AI，而真正做好AI ready，更多是实现AI+业务，这是一个更深度的课题，不是Claude Code这些工具能简单替代的，涉及到更深度的思考和创新。

爱分析：对于思迈特来说，原有竞争优势会不会被削弱？因为AI会带来技术平权。

姚诗成：这个问题对我们来说不存在。思迈特核心竞争力三年前就已经从产品功能转向“行业know-how+数据资产+服务能力”的综合竞争力。这两年通过大量项目检验，非常有成效。再加上我们在金融、央国企、制造等垂直行业15年的实践，沉淀了大量标准化的行业指标体系、数据模型，以及专业交付团队，提供从咨询到实施到培训到运维的全流程服务，这就是我们的核心护城河。

今天任何一个公司都很难依托单一技术或单一产品保持竞争力。我们更多要从客户视角看，核心竞争力是不是客户目前真正需要的。

爱分析：您提到的三点，过去很多时候被认为沉淀在核心人员或资深顾问身上，很难变成公司组织能力。未来这三点是不是能从个人经验变成公司组织能力沉淀？

姚诗成：这就是我们过去四年一定要去打造的组织能力。以行业know-how和指标体系建设为例，传统更多是咨询公司提供分析报告，而思迈特BI产品就是基于指标架构体系设计。我们通过交付项目，在咨询机构辅导下沉淀客户所在行业的know-how和指标体系。每年上千个项目，通过多年积累把这些能力沉淀到产品的架构能力、案例库、BI+APP Store，核心目的是增强产品能力。

爱分析：AI时代，像思迈特这样的软件公司，组织形态会发生什么变化？coding能力增强后，原来开发、产品、测试三个人的工作，看起来一个人就能端到端搞定。

姚诗成：我们从2025年就开始，一方面对外增加AI产品和业务能力，一方面对内组织变革，去解决组织怎么适配AI新时代的业务需要。

AI提效10倍，企业的利润和效益未必提高10倍。这背后的差别在于我们是只用AI在过去流程上优化，还是真正重构和优化整个组织流程和业务体系。这是所有企业现在都在思考的问题。

我们分三步走：第一步，各个体系用好AI进行提效；第二步，通过FDE组织模式，让组织更好适配AI业务工作方式，通过业务来拉动整个组织，实现组织重塑；第三步，建立组织的AI思维能力，主动拥抱AI思维，重新建设业务、流程、组织，不断调教打磨，成为AI时代的新型组织。

爱分析：思迈特早期是ChatBI，在BI上面加AI能力，后来转向全面AI化，从底层到上层按照AI原生思路打造产品。这种方式和BI产品上简单叠加AI功能，在实际业务开展中会有什么差别？

姚诗成：抛开技术产品优势不谈，我认为有两点优势。

第一，产品用AI原生方式做，让我们离客户更近。从V4到V5产品，不单单技术部门认可，更多获得业务部门和管理部门认可，更易用、更好用、更乐用，这才是我们在数据价值应用端全面AI化的正确方向。

第二，相比BI叠加AI，基于AI原生技术打造的BI产品，不仅是能力的升级，更是价值的升级。DeepSeek和OpenClaw的爆火，已经把时代推入AI时代，ToC端的普及也加快了ToB端客户对类似能力和便捷的需求。这种推动不可逆。

我们自己也经常反思，如果今天没有AI能力和AI产品，我们的发展还能如此快速吗？正因为AI能力获得客户青睐，它不单带动AI产品推广，也带动BI，让客户关注BI的价值，BI成为数据安全可靠底座。