前沿科技，数智经济

从 ChatBI 到 Dora，一家 BI 公司的妥协。

文｜白   鸽

编｜王一粟

帆软首次披露 AI 转型全貌，不做风口上的 " 猪 "（相关推荐阅读）

2025 年，几乎所有软件厂商都在喊 "AI 重构一切 "。但一年过去，那些发布会上眼花缭乱的 "AI 功能 "，有多少真正落了地？

时隔一年，我们再次见到了帆软 CPO、AI 产品负责人张驰。

去年那场对话，现在回头看，更像是一场 " 预告片 "，彼时张驰讲了很多帆软自下而上的脉冲计划、讲 ChatBI 愿景、讲 "AI 价值月薪 8000" 等等。

但他自己也回忆说，那一次很多对话都是 " 吹 "，东西还都在他的脑子里。

一年后再见面，对话的视角完全变了。

这一年间，他吹过的牛，有的兑现了，有的被打脸了，而且打得相当响：喊着 "BI 3.0" 的 ChatBI 死了，多家共创客户失败；他曾经放话 " 以后不需要研发了 "，自己在家用 AI 搓了三个月产品，结果三个月内主动认错，把研发重新请了回来。

但这并不意味着帆软的 AI 转型失败了，反而另一本账也同样惊人。

ChatBI 退场之后，新产品企业级数据智能体平台 Dora，内部预估全年 30 个商机、价值 1000 万，但发布后全国盘出高达 290 个商机、价值 5000 多万。

内部组织架构上，帆软的研发部门则开始部分试行不再区分产品经理、设计师、前后端等岗位，大家都变成 Builder。结果非常良好，" 不算测试环节，效率提升至少 3 倍 "。

更重要的一点在于，帆软的组织 AI 转型从 " 拿钱激励员工 " 的自下而上，升级成了 " 把管理层关进成都闭门一周、学不会不准走 " 的自上而下。

以及，张驰也坦言，这一年想明白的道理——个人提效不等于企业提效，数据预加工省不掉，AI 的乱纪元里只有务实的产品能活下来。

事实上，这一年帆软 AI 转型踩过的坑，几乎覆盖了转型企业会踩的全部坑：用 Token 消耗量衡量成效、让员工自学却推不动流程、拿理念驱动的产品打客户、以为需求做大了才值钱等等。

而它最后走出来的路径，靠的是当下最稀缺的几种品质：保守、克制，以及愿意公开承认自己错了。在一个人人都急着宣称自己跑通了的年份，先承认没跑通，才是最有效的推进方式。

因为只有知道错在哪，才知道下一步往哪走。

这就是帆软 AI 转型的这一年：一个曾经对 AI 充满激情的高管，开始认清现实，一家靠 " 拖拉拽 " 打天下的老牌 BI 公司，则在 AI 乱纪元里重新长出新的产品、新的组织和新的生意。

企业 AI 转型

不光自下而上，更要自上而下

过去一年，中国企业 AI 转型的集体叙事，正从如何让员工用起来，悄悄转向一个更难的问题，钱烧了、Token 跑了、人都会用了，为什么企业财报上看不到变化？

帆软 AI 转型的第一步，也恰恰是从自下而上的 " 标准好学生 " 走过来的。

去年，帆软内部出钱激励员工学 AI、用 AI：搞 " 脉冲计划 " ——员工买 AI 产品公司报销；搞 " 提需求兑奶茶 " ——让 2000 多名员工填表单，描述自己日常工作中 " 重复性高、耗时久 " 的任务；搞 AI 黑客马拉松——做出落地达标的 AI 项目就给 2 万到 10 万块钱奖金。

这些活动确实点燃了全公司的 AI 热情。

相关数据显示，帆软 2025 年全年用了约 72 亿 Token，到了 2026 年，一天就有 100 多亿 Token 消耗，内部运行的 Agent 数百个，覆盖了几乎所有部门和岗位。

但问题在于，员工个人用 AI 提效，真的能等同于企业组织效率的真实提效吗？

张驰给我们举了一个真实的案例：

帆软的客户中，有家公司上半年要开始自己搞软件信息工程，给员工提供无限的 Token，相关负责人对此抱有极大的信心。但下半年，这位负责人明显 " 整个人有点蔫儿 "，原来老板开始看 ROI 了。

年中经营分析会上，这家公司盘出了一组尴尬的事实：每个部门都在说自己效率更高了，但整个公司的成本没有下降，每个人都在说有 AI 加持做出了有价值的东西，但营收也没有增长，没有多买任何软件，光 Token 就消耗掉了一年的信息化预算。

所以，可以看到，自下而上让每个人拥抱 AI，能够让个人进行提效，但却始终无法与企业的业务、流程提效划等号。如果主业务流程没有变化，每个人还是跑在原来的流程上，10 个人最多变成 8 个人，成本降低有限，还会引入新的成本，企业无非就是得到了 " 一串效率更高的原流程 "。

而如果掌握决策权的人对 AI 的能力边界和适用场景没有概念，就不知道 LTC 流程在有了 AI 之后该怎么改造、能省掉哪几个冗余环节。没人做这个决策，效率提升就永远沉淀不到财务报表里。

基于此，帆软高管认为，学 AI 千万不能 " 老板有病，员工吃药 "。很多公司的 AI 转型，是所有层级的负责人都在摇旗呐喊，最终却让一线出活，这是很危险的。

于是，今年，帆软就开始 " 折腾 " 高管了。

今年四五月份，帆软把所有营销线的大区负责人集中到成都，闭门一个星期，要求他们必须学会 AI、学会 Vibe Coding ‌、学会主流的各种 AI 产品。" 对他们没有任何正激励，学不会不准走。谁学会了、谁交卷了、谁考核过关了，谁回去。" 张驰说道。

最终效果立竿见影。

以前这些负责人觉得，给外包提个需求、两天出一张图、付个大几百，成本挺合理。但培训完后，PPT 不找外包做了，图也不找外包做了，而且开始会质疑下属报上来的时间表：" 有了 AI，这个东西为什么还要花这么长时间？"

" 折腾 " 高管，只是这场组织变革的一个表象，落到业务上才是实质。而对于一家科技企业来说，产品研发部门自然是推动业务落地的核心部门。

而帆软此次 AI 转型，变化最大的团队就在产品研发上。它的变化 " 大 "，不在提效数字，而是其组织形态被改掉了。

过往很多企业中研发部门都会区分产品经理、设计师、前端、后端、测试等等岗位，而在帆软，这一组织形态正在逐渐被替换。

在一些 AI 试点团队中，已经不再区分这些岗位，而是统一叫 Builder ——所有人都是生产者。" 不算测试环节，效率至少提升了 3 倍。" 张驰如此说道。

但张驰却也坦言道：" 现在测试成了最大的瓶颈。"

原因在于，大模型的底层机制是 " 迎合人类 "，毕竟只有迎合，才能获得正反馈。而测试的本质是挑刺，是不断证明 " 你不行 "，一个天生迎合的模型，很难做好一个天生挑刺的工作。

所以，帆软测试岗位反而在扩招，产品经理和研发的比例从过去的 1:4、1:5 压缩到了 1:2，但测试跟不上研发的产出速度。

在这其中，还有一个非常有意思的事件：

作为早期 AI 狂热爱好者，张驰曾有过 3 个月几乎不上班，在家一门心思玩 AI，他甚至一度跟研发负责人说 " 以后不需要你们了 "，团队只要产品经理和运营。

不过，张驰也直白的表示，前三个月确实爽，从 0 到 1 特别快，没人指手画脚。但产品复杂起来之后，并发、安全、鲁莽性的问题全冒出来了，" 摁下葫芦浮起瓢 "，原地踏步半个月后，他主动认错了。研发进场后，几乎把产品的代码从头翻新了一遍，才形成今天这套新协作模式。

这个弯路反而验证了他的核心观点：AI 改变的不是 " 哪个环节更快 "，而是 " 整个协作流程 "。

产品经理用 AI 写 PRD 写得更快、研发用 AI 写代码写得更快，这是不改变组织架构情况下的个人提效；而 Builder 模式则是自上而下把流程本身颠覆掉了。

前者是改良，后者才是变革。

ChatBI 死了

但跑通了一个小需求

组织架构的变革，最终要传导至产品层。

过去两年，中国数据厂商在 AI 浪潮里集体押注过同一个方向—— ChatBI，即让老板对着数据直接开口提问，AI 给出分析结论。

这个故事足够性感，几乎成了每一家 BI 公司的必答题。但现如今，这个方向正在以肉眼可见的速度退烧：玩家众多，但能真正交付的却几乎没有。

帆软同样是这场宏大叙事中的失败者。

去年帆软一直提要做 BI 3.0，即 ChatBI。但一年后，"ChatBI 这个方向我们已经完全换掉了。" 张驰说道，" 在共创的客户中，有一半面临交付问题，核心原因就是不准。"

更扎心的是，" 除了我们的 ChatBI 没做起来，市面上所有 ChatBI 都是一地鸡毛。" 张驰直言。

究其根本，则在于 ChatBI 是一个理念驱动产品，它预设数据接入以后问数就可以，相当于承诺砍掉数据分析链路里前面的所有环节。但一个企业的真实数据分析，可能涉及几百张表的整合、清洗、关联、过滤、汇总、归因，才得到一个可用数据集，这个数据的预加工过程是节省不掉的。

如果让模型从原始数据直接跳到业务结论，中间要它自己补齐的 knowhow 太多，而链路越长，幻觉越多，任何一个环节出现问题都会导致数据的不准确，而 BI 用户恰恰最不能容忍不准。

于是 BI 3.0 这个口号也不提了。

在这之后，帆软内部推了一个新产品，叫 Dora（朵拉），这是一个 "妥协的产品。

所谓的 " 妥协 "，就是它承认前面整个数据预加工省不掉，所以它不再坚持做全链路数据，而是通过 FineBI Next 等产品把企业把口径做标准、把表整合好、把分析做完，Dora 只做最后一公里，即数据资产的再消费。

为什么帆软要做这件事？这还得从帆软给客户交付的东西说起。

业内皆知，帆软作为一家 BI 厂商，以往给客户交付的产物，除了数据底层的处理以外，上层多数呈现为炫酷的大屏、领导驾驶舱、数据仪表盘等，张驰带队参访客户时发现，不同的人看它完全不一样，数据敏感的老板能从数据的变化趋势讲出哪些区域哪个品类出了问题，而有些老板看完只能说一句 " 嗯，做的挺好看的。"

以往，为了解决老板们看不懂数据的问题，帆软会提供相关服务，帮助客户把枯燥的数据翻译成经营语言。但团队规模有限，能服务的客户也有限，这也使得该模式始终没有规模化。

Dora 做的事情，就是把这个 " 翻译 " 规模化，即做好的几百个图表组件，老板看不懂没关系，Agent 帮你看，把数字变成 " 语文题 "，生成一份数据报告，如果有问题就提示数据背后的风险、责任人、以及其他相关数据。

另外，它还能够 24 小时巡检，传统企业数据预警是有预设条件的，只有达到阈值才能报警，而很多异常在到达阈值之前就已经发生了，这时候人通常发现不了，但 Dora 能在 24 小时巡检中发现。

对此，张驰打了个比喻，之前为什么录音笔始终没有进入大众市场，而 AI 录音工具火了一波？原因不在于按一下录音这个动作有成本，而是录下来的录音数据资产被使用的成本太高。

数据分析也同样如此，数据资产已经做好了，但让它参与业务，需要解读。正如钉钉的 A1 是给录音资产加上 AI 整理，Dora 就是给数据资产加上 AI 整理。

但其实，Dora" 长 " 出来的过程，一点也不美好。其产品团队成立第一天没有直接做产品研发，而是所有人两两结队跑客户，撰写客户需求数据报告。

帆软团队发现客户有两种报告需求：一种是洞察式的经营分析报告，由经营分析 BP 写，要花 3 个星期；一种是固定格式的过审计报告，从系统里截图填数。

第二种很快搞定了。第一种，多数客户都失败了，" 数据口径漂移、指标不准确、knowhow 沉淀有问题……各种各样的问题。" 张驰坦言。

但只要有客户能成功就够了，" 我们有 1 万多家客户，1/10 的概率能成，我就敢做这个产品、敢推这个产品。" 张驰说道。Dora 发布后，预估能带来 30 个商机、价值 1000 多万，结果盘出来 290 个商机、价值 5000 多万，" 根本服务不过来 "。

整体来看，"ChatBI 是一个理念驱动、愿景驱动型的产品，没有在一家客户那里真正跑通过。Dora 则是跑通了一个具体需求。" 张驰说道，" 也许在最近 5 年里面，我们做了 N 个小需求，每一个都跑通了，最后把它连起来，也许那个 BI 3.0时代就跑通了。"

沿着同样的逻辑，帆软还长出了另一条产品线：悟帆。

Dora 是管数据怎么用的，而悟帆则是让系统怎么用起来更顺。比如用简道云做了个 CRM，里面有客户表、商机表、跟进记录表等等。以前销售要自己进入系统，逐个点击表单，找客户、填跟进、建商机，整体操作很麻烦。

现在，销售不用自己操作系统了，直接跟悟帆说：" 帮我查一下 A 客户最近跟进到哪了 "" 给 A 客户建个 10 万商机 "" 下周三提醒我回访 "等，悟帆就像一个操作员，替他去系统里点、查、填、改，销售就只需要负责提交任务就可以了。

对此，张驰的愿景是：80% 的场景下，用户不再需要进入系统本身。

还有 MOSS（谋士）这类注入了领域 knowhow 的智能体，做商机挖掘，有一次给客户演示之后，帆软马上就帮客户精准找到一笔订单，对方一台设备卖上百万，20 万一年的产品费立刻回本。

不过相比之前，客户的交付反而变重了。

今年，帆软在服务端加了三样东西：FDE、AI 数字人才培训服务，以及数据治理。

但 FDE 在收缩，张驰的判断很冷静：FDE 流行的本质原因是行业里没有标品，它难的从来不是交付，而是后续迭代，即没有稳健的产品基座，长期维护就是灾难。

从浮夸到务实

行业退烧之后

2025 年的 AI 行业非常狂热，市场期待很高，但哪些能落地、哪些是概念，整个市场却并不是很清楚。甚至张驰也直言，2025 年的体感有点 " 浮夸 "。

但一年后再回望，他给出的判断冷静的近乎残酷，真正能留下印象、持续存活、滚出正循环的产品，屈指可数。

迈入 2026 年，张驰的体感是整个行业更加务实。

最直观的变化来自于客户层面，去年见面第一句是 " 你们有没有 AI？"，他甚至不知道 AI 要解决企业内部的什么问题。但今年客户基本都有自己的规划，想清楚了 AI 能解决企业里哪些业务问题。

不过，张驰也坦言，现阶段还处于 AI 大模型的乱纪元，即没有标准、没有规范，一切都在剧烈变化。行业里大部分人把今年叫企业 AI 的第三年，他的判断是最多算第二年。

而乱纪元最典型的特征，是技术代际切换的速度，已经超过了一家公司的产品迭代速度。

比如在技术架构上，去年最火的 HiAgent、Dify、n8n 等 workflow 编排式平台，在今年的 AI 产品上已经基本消失，取而代之的则是全面转向自主规划式架构，即交给它一个任务，通过 Skill 和预编排，它自己拆解、执行、完成、验收交付。

这不是一次产品迭代，而是一次代际切换，意味着上一代的玩家，甚至没有机会打补丁。

另外，还有上半年直接火爆全球的 " 龙虾 "（OpenClaw），到今年下半年已经基本很少有企业再提了，背后的根本原因就在于它的安全等级不达标，在软件安全系数排行榜满分 5 分的标准下，企业级软件基本 4 分以上，而 OpenClaw 的测评是 1 点几分。

后来出现的这批 AI 办公 Agent，本质上和它没有区别，只是工程化程度更高而已。

那么，穿越狂热之后，AI 的真实价值怎么衡量？

张弛的答案是分层的：去年 AI 模型的能力值 8000 元月薪，而今年头部模型至少值 2 万元。

但纯模型能力和注入了 Agent 工程、Skills、Knowhow 的产品，又完全不是一回事。" 围绕一个特定细分场景提升 AI 的能力，它的价值就伴随着你能教会它多少东西而水涨船高。" 张驰说道。

他给帆软的产品估了个价：" 像 Dora 这种数据分析领域的专家，以及 Moss 这种商业洞察领域的专家，年薪 50 万应该没什么问题。"

这背后是行业价值分配逻辑的一次切换：模型价值正在被拉平，场景 knowhow 的价值正在被放大。当所有人都能调用同一个头部模型时，值钱的部分只剩下了你知道它该被用在哪里、以及怎么用。

顺着这个逻辑往下问，就会碰到一个所有从业者都绕不开的问题：既然模型的能力大家都在同一条起跑线上，那 Agent 产品之间的差别到底是什么？

对此，张驰给的答案是：现在的差别还看不出来，因为整个行业都太早了。

放到产品层面看，今天的 Agent 产品就处在这个阶段：大家做的都是 " 编辑器 " ——都能对话、都能执行任务，所以看起来特别像。

但再过一两年，分野会很清楚：

一类是个人 Agent（比如 WorkBuddy）：装在你自己的电脑上，连的是你自己的文件，帮你写 PPT、做调研。它的目标是 " 把你变成超级个体 "，所有数据都在本地，怎么跑是你的事。

一类是企业 Agent（比如帆软的悟帆）：跑在云上，连的是公司的系统—— CRM、仪表板、数据湖、数仓。销售跟悟帆说一句 " 帮我录一下拜访记录 "，它动的是公司的客户数据。

而个人 Agent 和企业 Agent 背后的区别，就是企业数据的安全问题，张驰甚至直言，有些企业版 Agent 产品权限形同虚设，" 只做了企业付费这一件事 "。

企业级这道门槛，既是分野，也恰恰是野心的起点。聊到这里，就绕不开那个所有中国软件公司都在心里想过的问题：谁能成为中国的 Palantir？

面对这个问题，张驰的回答出人意料地克制：" 我想，但我不想吹这个。"

因为他很清楚 Palantir 伟大在哪儿：它吃了 20 年的苦。

在没有大模型、没有智能算法的年代，Palantir 就硬刚机器学习算法，去调度自己的产品矩阵，不做广泛的客户，只围绕少数大客户硬做一套以 AI 驱动为核心产品体系。除此之外几乎所有公司，都是围绕上一代技术做产品体系准备，几年时间，怎么可能追上二十年硬刚出来的路径。

但他也说，如果真往那个方向走，帆软可能是 " 离它比较近的 "。

少说大话，多交结果

在 AI 大模型乱纪元里，Demo 和大话都在加速，而安全、工程化、流程重构，才是慢功夫。

一年前，帆软的 AI 转型是跟随 AI 风口，罔顾市场需求，强推 ChatBI，而一年后帆软 AI 转型的中场战事，是 " 妥协 " 的脚踏实地，回归客户真实的小需求：

妥协数据加工省不掉，才有了 Dora；妥协自己离不开研发，才有了 Builder 模式的新平衡；妥协多家共创客户的失败，反而跑出了 290 个商机。

这大概就是乱纪元里最可靠的生存策略：少说大话，多交结果。个人提效不等于企业提效，模型聪明不等于产品成立，需求宏大不如场景垂直。

企业 AI 转型没有神话，只有把每一张小牛皮收回来、兑现，或者诚实地承认它吹破了，然后继续找下一张。正如张驰所说：说出去的话，最后实现了，这才是最厉害的。

而在乱纪元里，概念会以月为单位死去，而真正的需求、真正的组织变革、真正的 knowhow，会以年为单位复利。最终能活下来的，是务实的、真的帮企业把流程改掉的产品。

2026 年，正值帆软成立二十周年，站在新的发展节点，在第八届智数大会上，帆软 CEO 陈炎进一步将自身定位升级为 "AI 时代，企业经营分析与决策能力建设伙伴 "。

帆软的 AI 转型故事还在继续，至于这张新的牛皮能不能兑现，答案不在大会的 PPT 上——半年后，我们再来验收一次。

光锥智能"AI 交流群 "已建立，

感兴趣的朋友可以添加小助手微信（GZZN2019）沟通进群。

联系我们

王一粟

创始人 / 主编

ID：cishicike000

商务合作请添加微信：GZZN2019

转载开白请留言或添加微信：GZZN2019

进群交流请添加微信：GZZN2019

※添加时请备注公司 + 姓名 + 来意

「往期精彩推荐」

深度研报：

AI 大爆炸：

云计算：

数智化案例：

更多精彩内容，欢迎关注：