企业智能分析正从固定报表与看板，转向自然语言问数、自动洞察、报告生成与多步骤任务协同。当系统能够自动回答甚至执行任务，原先依赖人工判断的隐性规则，必须显式化为语义模型、质量规则、权限策略、证据链和审批流程。若基础口径冲突、权限无法继承、结果不可回查，模型在演示中再流畅，也难以承担经营决策。

这正是帆软数据应用研究院发布《2026—2027 企业智能分析应用成熟度评估与建设路线图》的出发点。这份白皮书面向 CIO、数据与 BI 团队负责人、数字化转型负责人，以及需要对企业智能分析能力进行投资排序的业务管理者，试图回答两个具体问题：企业当前处于怎样的分析成熟阶段；在预算、人员和风险约束下，下一阶段最值得优先补齐的能力是什么。

01｜数据、语义、权限、证据，智能分析进入生产的前提

企业智能分析的真正分水岭，不在于界面中有没有 AI，而在于数据、语义、权限、证据和责任能否共同进入分析过程。

一个生产级问数系统，需要知道收入的有效定义，识别提问者可访问的组织范围，说明结果的计算过程，并在口径变化时给出提示。当系统自动回答甚至执行任务，这些隐性判断必须显式化为语义模型、质量规则、权限策略、证据链和审批流程。如果这些基础缺失，即使模型在演示中表现流畅，也无法承担经营决策。

成熟度的实质，是组织能否稳定完成这些工作。技术产品可以缩短建设时间，但不能替代业务责任人确认口径、治理团队维护权限、以及使用者在异常时进行人工复核。评估因此不以是否采购 AI 或是否上线智能问数为中心，而同时考察数据基础、语义与指标、分析工具、AI 应用、治理与可信、组织机制及业务价值。智能分析能否被生产使用，取决于这些要素能否形成闭环。局部能力可以先进，但组织总成熟度仍可能被关键短板限制。

02｜L1 到 L5，衡量企业智能分析能力的五个等级

白皮书把企业智能分析成熟度划分为五级，每一级对应企业在分析工作中能够稳定重复的能力，而不是某个工具的功能清单。

L1 以人工报表为主，数据和口径依赖个人，能按人找到报表，却难以复现过程，首要风险是关键人员依赖与口径失真。L2 形成固定报表和管理看板，交付仍主要依赖 IT，报表可重复但响应慢，风险是业务需求积压。L3 建立部分统一指标和自助探索能力，业务人员可以在受控范围内分析，风险是口径与权限的局部失控。L4 引入自然语言问数、探索和解释，必须同时具备结果校验、权限继承和人工复核，风险是幻觉与错误语义映射。L5 在治理约束下由 Agent 组织多步骤分析与部分任务自动化，并保留审批、审计和回退，风险是越权动作与错误写回。

等级之间的跃迁，取决于关键短板是否补齐。一个团队可能已经上线了自然语言问数，但底层仍直接连接未经治理的表，指标和筛选含义不稳定；也可能完成了演示，却没有把口径、权限和证据固化下来。相反，一些没有大规模使用生成式 AI 的企业，可能已经具备高水平的数据和分析治理，核心指标统一、权限清晰、结果可追溯。等级衡量的是组织能否稳定完成分析工作，而不是是否出现了某个 AI 功能。

03｜六维三十项，成熟度评估的评分与封顶机制

这套评分机制的价值，在于纠正一个常见误区：用有没有 AI 功能、买了多少工具，来判断企业智能分析是否成熟。报告为评估模型确立了五项原则，直接决定了评分方式。

结果导向，评估生产能力和业务结果，不以采购数量计分。证据优先，制度、配置、日志、样例和访谈相互印证，没有证据的主张不计分。短板约束，关键治理缺失时，高总分不能掩盖风险。渐进建设，允许不同业务域存在差异，并识别可复制的局部能力。产品中立，产品只用于说明能力如何实现，不作为评分前提。

这五项原则落到评分上，就是六个一级维度、三十个问题。六个维度分别评价企业智能分析的不同侧面。

数据基础，评价企业能否把分散在 ERP、CRM、MES、财务等系统中的数据，稳定地汇聚成可供分析的来源，而不是依赖人工导出和临时拼接。

语义与指标，评价企业是否形成了统一的业务口径，让收入、毛利、库存等指标在不同报表和不同人之间含义一致。

分析工具，评价企业能否让业务人员自主完成分析，而不是所有需求都排队等 IT 交付。

AI 应用，评价自然语言问数、自动洞察和任务协同是否真正进入日常使用，而非停留在演示。

治理与可信，评价权限、审计和结果解释是否随分析一起落地，让每一次回答都可追溯、可追责。

组织与业务价值，评价数据职责、人员素养和分析结果是否真正转化为决策和收益。

这六个维度并非互相独立，而是层层依赖：语义建立在数据基础上，AI 应用建立在语义和工具上，业务价值最终取决于组织机制能否把分析能力用起来。评分衡量的不是功能有或没有，而是这些能力在企业中的覆盖范围、可重复性和运营程度。这正是这套机制区别于功能清单的地方——它评价的是企业能否稳定地完成分析工作。

04｜FineBI Cloud 与 Dora，两条路线对应不同起点

企业智能分析建设路线不应机械地从 L1 逐级购买工具。白皮书给出三条路线，其中两条对应不同的产品起点。

基础薄弱的企业，应先解决关键主题数据、指标口径和分析交付，而不是急于上线问数。新建云上分析体系的企业，可以用 FineBI Cloud 一类云上产品缩短环境和协作建设周期，再根据使用成熟度逐步引入 AI 分析。已有较多本地报表、模型、权限和数据资产的企业，通常更适合通过 Dora 一类 Data Agent 平台做原位增强，减少重建成本并保留既有治理边界。

FineBI Cloud 更适合以云上工作空间为起点，覆盖数据接入和准备、分析数据集、可视化、仪表板、故事板、协作与 AI 分析，价值在于把新建分析环境、业务自助和 AI 入口放入同一云上体验。Dora 的起点通常是企业已有 FineBI、FineReport 或其他可调用的数据与工具资产，通过 Data Agent 方式让这些资产被自然语言查询、多步骤分析和任务协同所使用。

两条路线可以并存，但不应人为建立等级关系。新业务部门可以采用 FineBI Cloud 快速建立云上分析，核心集团系统继续通过 Dora 增强本地资产；也可以只选其中一条。关键不在于选哪个产品，而在于统一身份、指标、数据责任和治理边界。FineBI Cloud 与 Dora 不是上下级产品，也不与 L1—L5 的任何等级固定对应。

05｜从成熟度评估到九十天行动，一条可验证的落地路径

优先级应由业务影响、能力差距、风险紧迫度和实施可行性共同决定。成熟度较低，并不意味着先做所有基础工程。

更有效的方法是选择一个高价值场景，围绕它补齐数据、语义、治理和使用闭环，再把可复用能力推广到其他场景。一个明确的业务问题、一组受控数据与语义、一套权限和证据、一个真实用户群、一套失败和风险处理机制，完成闭环后再扩大范围。评估的价值，不是给企业贴标签，而是把下一笔投入从跟随热点变成基于证据的能力选择。

评估也不是一次性审计。数据源、组织、模型与产品版本持续变化，原先满足的门槛可能失效。报告建议重要项目每季度检查关键门槛，每半年进行一次轻量复评，每年完成一次含证据抽样的完整评估。

对基础薄弱的企业，九十天重点不是上问数，而是自动接入产销存数据、统一核心指标口径；对希望提升管理层自然语言分析效率的企业，可以先评估 FineBI Cloud 云上路线，连接核心业务系统，建立数据集、仪表板和自助空间，再逐步引入 AI 分析；对已有较多本地资产的企业，Dora 的 Data Agent 路线更利于复用既有资产，减少重建成本。

结语

企业智能分析成熟度的核心，不在于是否出现 AI 对话框，而在于数据、语义、工具、AI、治理、组织和价值是否共同形成生产闭环。一个能够稳定回答业务问题、说明计算过程、控制访问范围、并在口径变化时给出提示的系统，才称得上可持续的决策能力。

FineBI Cloud 与 Dora 分别对应新建云上分析体系与既有 BI 原位升级两条路线，企业可以依据部署边界、存量资产、数据敏感性和组织能力选择、组合这些产品。把评估结论转成九十天可验证的行动，让智能分析从功能展示，沉淀为可持续的决策能力。

商业智能BI产品更多介绍：www.finebi.com

免费下载FineBI 立即体验Demo