结论前置：固定指标看传统 BI，临时问题用 AI 对话式分析。两者是互补关系，不是谁替代谁。判断只看三条——指标是否固定、结果是否需要复现、使用者是谁；再把工具之外的成本算进去，多数选型错误不是选错了工具，是没算成本账。
三条判据，先对号入座
判据一：指标是否固定。日报、周报、核心看板这类每天都要看的指标，做固定看板；临时冒出的新问题，用对话式分析。判据二：结果是否需要复现。要反复看、要对外汇报的数字，必须走固定口径——同一个问题两次算出不同答案，汇报现场就过不去。判据三：使用者是谁。分析师用 BI 更高效，写一条 SQL 比组织十轮对话快；业务人员用对话门槛更低，一句话就能出结果。
三条判据里有两条指向同一答案，就直接选；两条指向 BI、一条指向对话，说明这个需求横跨两边，正确做法是「对话探索、BI 固化」两段式，而不是二选一。
传统 BI 强在哪，卡在哪
传统 BI 的强项是确定性：指标口径统一定义、加载快、可下钻、权限清晰。一套维护良好的看板，每天早上八点自动刷新，全公司看的数是同一套口径——这种确定性是对话式分析给不了的。
它的卡点也明确：临时冒出的新问题，改看板要等排期。需求提给数据团队，排队、评审、开发、上线，一个临时问题走完这个流程，提问的人往往已经不需要答案了。所以 BI 适合「已知的重复」，不适合「未知的一次」。
对话式分析强在哪，险在哪
对话式分析的强项是快：用一句话提问就能出结果，不用等分析师，探索性分析可以一轮轮追问着缩小范围。「上个月华北区退货率为什么升了」这类问题，从提问到看到初步答案可能只要几分钟。
它的险也在于快：口径可能不统一（同一个「退货率」，不同人问出来的定义未必一致）；结果难以复现（同样的问题再问一次，生成的查询可能不同）；复杂查询容易算错（多表关联、时间范围、去重逻辑，错一处结果就偏，而且偏得不显眼）。
成本账：工具费只是最小的一项
选型时只比工具采购费，是最常见的失误。真正的成本有五项：工具采购与维护成本、使用者学习成本、口径不一致导致的返工成本、结果不可复现带来的核对成本，以及排期等待的机会成本。
| 场景 | 做法 | 判断标准与成本落点 |
|---|---|---|
| 日报周报、核心看板 | 传统 BI 固定看板 | 口径是否全公司统一；省的是每天重复取数的人力 |
| 临时验证一个想法 | 对话式分析 | 半小时内能否得到初步结论；省的是排期等待 |
| 要对外汇报的数字 | 传统 BI 加固定口径 | 同一问题两次计算结果是否一致；避免现场对数 |
| 探索性分析找线索 | 对话式分析 | 能否追问式缩小范围；错了成本低，重问即可 |
| 同一新问题一周被问三次以上 | 固化成看板 | 重复出现就值得固化，摊薄首次开发成本 |
这笔账的算法：对话式分析单次成本接近零，但每次都有核对成本；固定看板一次开发有成本，之后每次成本趋近于零。一个临时问题被问过十次还没固化，等于付了十次核对成本加十次等待成本——固化才是省钱的动作。
一条纪律：先下钻核对，再固化口径
对话式分析得出的结论，涉及重要决策前必须下钻到明细数据核对。它给的聚合数字看起来合理，但 join 条件错一点、时间范围宽一天、去重逻辑漏一种，结果就偏，而且偏得不显眼。
核对通过之后，把这个问题固化成统一定义的指标。不固化的后果是「同一个问题每次算出不同答案」——三次之后，没人再信这套工具，前面省下的时间全部赔进去。
三个常被问到的问题
- 对话式分析算错了数，怎么发现？两个信号：连续两次问同一问题答案不一致；关键数字下钻明细后对不上。出现任一信号，这轮结论作废重查。
- 小团队没上 BI，能用对话式分析顶着吗？可以顶一阵，但核心指标要落到一张口径统一的表上，否则每月汇报都在重新对数，省下的时间又还回去。
- 让 AI 直接写 SQL 靠得住吗？可以借它起步，但跑之前读一遍：join 条件、时间范围、去重逻辑，这三处最容易错，错了还不报错。
选型速查
- 固定指标看传统 BI，临时问题用 AI 对话式分析
- 三条判据：是否固定、是否要复现、使用者是谁
- 对话探索加 BI 固化的两段式，优于二选一
- 成本算五项：工具、学习、返工、核对、等待
- 重要结论先下钻明细核对，再固化口径
选型的思路是相通的。稠密模型和 MoE 怎么选、自部署权重和调 API 怎么选、微调和 RAG 怎么选，用的都是「先定判据、再比成本」这套方法；AI 录音转写的横向对比则示范了评测该比哪些维度——先定场景，再比表现。
