AI如何重构商业智能的技术实践

从PlanGrid中吸取的教训

最大的教训是使用高技能资源构建内部分析系统，这些时间本应用于开发面向客户的功能。曾经让优秀的数据工程师去计算销售指标，而不是增强产品功能。这一关键经验被带到了新项目中。

独特之处在于完全为AI而构建。当其他公司还在尝试附加或摸索如何与AI协作时，该平台从开始就构建在生成式AI世界中。不是依赖文本或收集可能导致幻觉的指标，而是从底层编写SQL。平台基于SQL构建，因此可以提供显示计算过程的答案。可以看到胜率为何如此，以及它将如何随时间变化。

在AI领域，路线图制定具有挑战性，因为技术快速进步。唯一确定的是会有新模型推出并推动进展。幸运的是，我们解决了AI中最难的部分：提供100%准确的答案。至今尚未看到基础模型能独自做到这一点，但它们在编写代码方面变得更好。

教导编写SQL的方式以及与基础模型的协作方式都纳入路线图。另一个部分是支持哪些基础模型。目前与多个主流AI模型提供商合作。每次有新模型发布，都会评估并考虑是否引入。

选择模型有两个主要标准：一是拥有完整的评估框架。由于专注于销售问题，已经看到数千个销售问题，知道答案应该是什么以及如何编写代码。新模型需要通过这些测试。

二是速度。延迟非常重要；人们希望即时响应。有时，即使在同一供应商内，不同模型的速度也会不同，但延迟很关键。

认为AI将首先在深度垂直领域的商业智能中解决。难以想象AI能同时解决某电商公司挑战和某企业的供应链挑战。正在深入垂直领域，探索AI需要理解哪些新功能。

例如在销售中，区域管理是一个重大挑战：分割账户、划分业务。正在教导AI如何优化区域分布，并与客户进行这些对话。这是当前路线图的重要部分。

平台采用基于SQL的架构确保答案的可验证性，通过多模型评估框架保证响应准确性，并特别关注延迟优化。系统能够自动生成SQL查询，提供显示完整计算过程的分析结果，避免了传统AI解决方案中的幻觉问题。

随着AI持续重塑商业智能，成功将属于那些专注于实用、可靠解决方案并满足真实市场需求的团队。将AI能力与透明可验证的分析相结合的方法，展现了商业智能的未来：团队花更少时间处理数据，更多时间根据洞察采取行动。随着技术发展，那些深入垂直领域挑战并持续关注客户价值的企业将成为引领者。