新舊融合的數據美學：穩態 BI 與敏態 AI 的協同效應

當人工智慧AI從研究室的概念變成企業可實際掌握運用的技術後，在企業管理的領域中不免有些聲音，主張接下來是AI的天下了，商業智慧BI（Business Intelligence）這門老技術將會被全面淘汰，這樣的說法有其由來，但不免有些武斷。畢竟對企業而言用的是甚麼技術並不是根本，要有用、具成本效益才是重點。

就如同在這人人都離不開冷氣機的酷熱年代，各類風扇依然持續大放異彩一般。 在AI與BI 這兩組不同領域技術的核心概念與應用中，是不是存在相輔相成之處，可以協助企業在用數據驅動決策、發掘商業洞察的目的上，能夠發展得更為平穩順暢？

既使是在AI應用聲量幾乎輾壓一切的當下，企業開始運用代理式AI 輔助各級同仁進行營運管理與決策分析時，對於AI的應用報有極大的期望，但同時也有深深的顧慮。

AI時代 企業真正期待的是什麼？

1. 從找報表到對話式查詢 ： 能透過自然語言（口語）調用數據、看到結果，不用像過往一樣需要打開不同的報表、才能取到數據。

2. 從看數據到主動歸因 ： 能夠像個分析師一2.ㄉㄡ樣協助進行問題分析、根因探索，而不是都要靠使用者自己去咀嚼一堆數據中的脈絡關係。

3. 降低開發成本 ： 減少MIS 前期投入在數據整理、資料建模、預建報表，以及無窮無盡按需求調整報表、監控機制的時間成本。

AI很好用 但企業擔心什麼？

1. 回覆的準確度 ： AI 基於對問句、對取用資料定義與關聯性理解的正確性存在機率性，產出數據的正確性與一致性還是存在疑慮。

2. 產出可能缺乏一致性 ： AI 產出內容格式，每次多少會有落差。越複雜的格式（多組數據並列） 變化性越大，對於資料的理解容易造成困擾。

3. 不易預估的成本：AI的運行會耗用token，取用越多raw data、進行月複雜的運算耗用token數越高。同時AI運算中的自我修正機制也會耗用token，使用成本難估算。

承襲上述幾點，盤點既有的BI 技術，存在著怎樣的相應特性呢？

BI不會退場：企業為什麼仍需要商業智慧？

先簡介Business Intelligence商業智慧的應用概念和技術核心。當1980～1990年代製造資源管理系統（MRP II） 進一步整合財務、供應鏈與銷售等跨部門流程，形成了大家所熟悉的ERP系統框架。

為了補強ERP中偏重記錄、但難以轉化為管理數據的不足之處，當時提供高階主管極為有限的數據查詢之用的主管資訊系統（EIS），也進一步演化成BI這個企業數據分析的代名詞。 核心技術包括但不限於資料倉儲（Data Warehouse）、 ETL（擷取、轉換和載入處理）、資料模型與線上分析處理 OLAP。

其目的是將龐雜的明細資料轉化為視覺化的數據指標，作為商務決策依據，並且將以往完全仰仗資訊單位寫程式的報表產出模式，藉由BI平台與資料模型賦予業務使用者自助式調整產出內容，降低分析門檻。

BI為何難落地？問題往往不在報表

BI做到了它被應用之初所設定的資料串連、彈性產出的目的。透過對不成功的BI專案的觀察，原因通常可以歸納為以下幾個面向：

1. 斷鏈BI難脫人工作業 ： 沒能完整串連系統資料庫聯結、不完整的BI 應用建置實質上只是較為美觀的EXCEL、企業管理還是受限於人工轉貼資料的時效與正確性。

2. 自主開發門檻高 ： 完整的BI應用建置，須完成資料清洗、資料建模等過程，這裡存在相當的技術門檻。

3. 易重回手工作業 ： 報表樣式與產出調整USER可自理，但還是需要動手去調。這個技能未必人人都能熟練。一旦數據產出與使用者期望兜不攏，信任破裂了，大家就又退回到原本人工算資料的模式。

所以在科技始終來自於人性的推波助瀾下，人們還是希望整個過程能夠更為簡便。

AI之外 BI為何仍不可取代？

相對於前面AI提到使用上的顧慮，BI 架構中可以作到的是：

1. 產出可靠穩定 ： 定期、常規性管報、管理指標、戰情室 等產出，不論其複雜性，一經設定、驗證完成，後續使用的正確性與一致性可以保證。

2. 搭建數據與使用情境的橋樑：建模過程中，給資料欄位賦予商務慣用名稱或是口語化別名的方式，恰恰成為連通生活的「人話」與生冷的「欄位代碼」的重要機制，確保業務意圖與底層數據庫的連貫。

3. 成本可控 ： 使用成本皆是可預期的（硬體採購、維護、按照預算採購的方案或開發成本，不會直接隨使用量同步提升，或出現因AI Skill自主測試與修復所產生預期之外的token耗用。

從上面的層層剖析，企業可以體認到AI 的技術帶給我們更強大的能力，讓人們對於解決問題的作法上有了與過往不同的想像。但在企業能放心擁抱AI之前，必須將AI使用上的風險降級。

在當今AI應用涉及到數據分析時，為了避免邏輯理解錯誤，建置程序上一樣要作好數據模型的業務定義標準化（名詞定義，資料取用、運算規則...），對於在前一波管理浪潮中，已經投資並在BI使用上累積相當內容儲備的企業，如果能夠將這些資產當作數據底座複用、融合，在AI推進的道路上也能達到事半功倍效果。