力维智联入选《2026爱分析·Data+AI厂商全景报告》

您当前位置:首页新闻动态新闻动态

力维智联入选《2026爱分析·Data+AI厂商全景报告》

发布日期：

2026-08-04

浏览次数：

编者荐语:

企业AI落地，关键在于让Al读懂数据、调用知识、进入业务流程。《2026爱分析·Data+AI厂商全景报告》发布，力维智联入选语义平台、知识工程、工业及能源DataAgent等板块，展现从数据理解、知识构建到行业决策与执行的全链路能力。

力维智联入选《2026爱分析·Data+AI厂商全景报告》

大模型能力不断跃升，为什么企业AI仍难以真正落地？

关键不只在模型，更在于AI能否理解企业的数据、业务规则与运行逻辑，并进一步参与分析、决策和任务执行。Data+AI，正在成为连接数据资产、业务知识与AI应用的关键基础设施。

《2026 爱分析·Data+AI厂商全景报告》系统梳理Data+AI市场的四层架构，深入研究本体平台、语义平台、DataOps、智能体开发平台、通用Data Agent、工业Data Agent、决策智能平台七大细分市场，并遴选具备成熟解决方案与落地能力的代表厂商。

企业AI如何从“能对话”走向“懂业务、会决策、能执行”？哪些技术与厂商值得关注？答案尽在报告中。

扫码获取《2026 爱分析·Data+AI厂商全景报告》

01
研究范围定义
研究范围
企业AI价值释放，不只取决于模型能力。
在真实业务环境中，AI需要理解企业的数据、业务规则和运行逻辑，才能走向分析、决策和任务执行，真正实现业务价值。因此，企业AI竞争的核心正在从如何获取最先进的模型，转向如何构建支撑AI运行的数据与业务基础设施。
在这一背景下，Data+AI应运而生。它连接数据资产、业务知识和AI应用，使企业能够将长期积累的数据转化为可被AI理解、调用和执行的智能能力。
过去，企业数字化建设解决的是业务在线化和数据资产化问题；未来，Data+AI将进一步推动企业进入智能化阶段，让数据真正参与业务决策和价值创造。
Data+AI不是一类产品，而是一套覆盖数据管理、业务上下文构建、Data Agent开发与应用的完整技术与产品体系。
从技术架构看，Data+AI市场可以划分为四个层次：
第一层，多模态数据底座。负责承载和管理企业多类型数据，为AI应用提供基础数据能力。代表市场包括湖仓一体、AI数据库、AI数据服务、具身数据服务等。
第二层，数据开发运维。负责数据加工、治理和业务语义理解，让企业数据具备可管理、可理解、可调用的能力。代表市场包括DataOps、语义平台、本体平台等。
第三层，Data Agent开发。负责构建和管理数据类企业智能体，提供开发、部署和运营能力。代表市场包括智能体开发平台、LLMOps、知识工程等。
第四层，Data Agent应用。面向具体业务场景，将AI能力应用于数据分析、经营决策和行业业务流程。代表市场包括通用Data Agent、工业Data Agent、金融Data Agent、能源Data Agent、决策智能平台等。
图1：Data+AI市场全景地图
本报告重点选取本体平台、语义平台、DataOps、智能体开发平台、通用Data Agent、工业Data Agent、决策智能平台等7个市场进行深入研究。
通过市场分析与厂商评估，本报告旨在帮助企业用户理解Data+AI产业发展趋势，识别不同细分市场的核心价值，为企业推进数据相关AI基础设施建设和应用落地提供决策参考。

厂商入选标准

本次入选报告的厂商需同时符合以下条件：

厂商的产品服务满足各市场分析的厂商能力要求；
近一年厂商具备一定数量以上的企业付费客户（参考第3章各市场分析部分）；
近一年厂商具备一定规模以上的相关收入（参考第3章各市场分析部分）。

（注：“近一年”指2025年Q3至2026年Q2）

厂商全景地图

爱分析基于对甲方企业和典型厂商的调研以及桌面研究，遴选出在Data+AI市场中具备成熟解决方案和落地能力的入选厂商。

图2：Data+AI厂商全景地图

市场分析与厂商评估

爱分析对本次Data+AI项目重点研究市场做如下分析。同时，针对参与此次报告的部分代表厂商，爱分析撰写了厂商能力评估。

3.1 本体平台

市场定义：

爱分析认为，本体平台是用于构建、运行和治理企业业务本体的软件平台。平台将企业数据映射为业务对象、属性、关系和状态，并在同一体系中管理业务规则、函数、行动与权限，使本体能够支持业务查询、计算、决策和流程执行。

本体平台覆盖本体设计、数据连接、发布运行、监控维护、版本迭代和权限治理等环节，保障本体及其承载的业务逻辑在生产环境中持续运行和演进。

该定义包含三个特征：

第一，能够构建完整本体。平台除管理业务对象及其关系外，还应支持规则、函数、行动和权限等业务运行要素。

第二，能够连接数据与业务行动。平台需要将企业真实数据持续映射为本体对象，并通过函数和行动连接业务流程及外部系统。

第三，能够管理本体全生命周期。平台需要提供发布、版本、血缘、权限、监控和变更管理能力，保障本体持续更新及稳定运行。

甲方终端用户：

本体平台主要服务于大型集团企业和复杂业务组织，包括能源、制造、建筑、金融、通信等行业。这类企业通常拥有大量业务系统和数据资产，但数据分散在不同部门和系统中，难以形成跨领域的业务理解和协同能力。

从应用需求看，正在推进企业级AI应用、智能决策、业务Agent建设的企业，对本体平台需求更加明显。

甲方核心需求：

企业建设本体平台的核心诉求，是解决数据与业务之间长期存在的割裂问题。随着企业信息化进入深水区，单纯的数据汇聚和治理已经难以满足需求，企业需要进一步建立统一的业务语义体系，让数据能够被业务理解、被AI调用，并支撑跨系统的智能分析和决策。

打通业务语言与数据语言，让企业形成统一认知。
企业最大的挑战，不是缺少数据，而是数据无法准确表达业务。
大型企业通常建设了大量业务系统，包括ERP、CRM、供应链、项目管理等，但这些系统往往按照部门职责独立建设，同一个业务对象在不同系统中存在不同定义。
本体平台通过定义企业核心业务对象、属性、关系和规则，将技术数据重新组织为业务可理解的知识体系，帮助企业建立统一的数据认知框架。
连接跨系统业务关系，让数据从孤立信息变成业务网络。
数据价值释放的关键，在于发现数据之间的业务联系。
传统数据平台主要解决数据汇聚和查询问题，但面对复杂业务问题时，仍需要人工跨系统分析。例如，供应商延期会影响哪些项目、某项资源调整会影响哪些业务目标，这类问题需要理解对象之间的关联关系，而非简单查询单个数据表。
本体平台通过建立对象之间的关联网络，将分散的数据连接起来，使企业能够从单点数据分析走向全局业务洞察，支撑复杂场景下的影响分析和趋势判断。
让AI真正理解企业业务，提升智能应用准确性。
大模型具备通用语言理解能力，但缺少企业特定业务知识。
在企业场景中，AI需要理解的不只是文字含义，还包括企业内部的业务对象、管理规则和运行逻辑。例如，重点客户、高风险项目和核心供应商等概念，都需要结合企业自身业务定义才能准确判断。
本体平台通过提供结构化业务语义，为AI建立企业知识基础，使AI能够理解业务上下文，降低幻觉风险，并支撑智能问数、业务Agent、辅助决策等应用。
支撑业务推演与智能决策，从信息查询走向行动辅助。
企业未来需要的智能能力，不只是回答发生了什么，更需要判断为什么发生、可能造成什么影响、应该采取什么措施。
本体平台通过融合业务对象、实时数据和业务规则，使系统能够围绕企业运行状态进行推理。例如，当供应链出现异常时，系统不仅能够发现供应商交付延迟，还能够进一步分析其对生产计划、客户交付和成本目标的影响，并给出应对建议。
这种能力推动企业数据应用从静态分析走向动态推演，为AI参与经营管理提供基础。

厂商能力要求：

本体平台建设涉及业务理解、数据连接、知识建模、AI应用等多个领域，对厂商综合能力要求较高。优秀厂商不仅需要具备技术平台能力，更需要理解复杂企业业务，将行业经验沉淀为可复用的业务模型，并推动本体从概念设计走向实际应用。

深入理解业务，具备复杂场景建模能力。
本体平台的核心竞争力，在于能否准确表达企业业务。
企业业务往往存在大量隐性规则，例如组织关系、流程约束、管理制度和行业经验，这些内容难以直接从数据库字段中体现。厂商需要具备业务抽象能力，将企业运营中的核心对象、关系和动作转化为机器可理解的语义模型。
相比单纯的数据建模，本体建模更强调对业务运行逻辑的理解，因此行业经验和咨询能力成为重要竞争因素。

具备多源数据连接能力，适配复杂企业IT环境。
大型企业通常拥有长期积累的信息系统，数据来源复杂，技术架构不统一。
本体平台需要能够连接不同数据库、业务系统和数据平台，在不大规模改造原有系统的情况下，将分散数据映射到统一业务模型中。这要求厂商具备强大的数据集成能力、系统兼容能力以及企业级部署经验

将静态知识模型演进为动态业务知识体系。
本体平台的价值不只是描述企业有什么数据，更重要的是理解企业如何运行。
厂商需要进一步融合实时数据、业务规则和分析模型，让本体从静态的业务关系图谱，演进为能够反映企业实时状态、支持业务推演的动态知识体系。
只有具备动态更新和持续演进能力，本体平台才能真正成为AI应用的业务认知底座。

打造AI原生能力，让本体成为智能应用入口。
厂商需要支持大模型调用、Agent编排、自然语言交互以及业务流程连接，让AI能够基于本体理解企业环境，并完成从问题识别、方案生成到业务执行的闭环。未来本体平台竞争的重要方向，是能否成为企业AI应用运行的基础环境。

具备行业化交付能力，推动本体价值落地。
本体平台建设不是单纯的软件部署，而是企业业务知识体系的重构。
由于不同企业、不同产业的业务逻辑差异较大，厂商需要具备行业Know-how和长期交付能力，与客户共同梳理业务对象、沉淀业务规则，并围绕高价值场景逐步扩展。
相比标准化产品能力，持续陪伴客户完成业务建模和应用落地的能力，将成为本体平台厂商的重要竞争壁垒。

入选标准：

1.符合本体平台市场分析的厂商能力要求；

2.近一年厂商在该市场至少服务1家企业；

3.近一年厂商在该市场的收入规模至少在50万元。

3.2 语义平台

市场定义：

语义平台是连接企业数据资产与业务应用的中间层，通过对指标、维度、业务逻辑等进行统一建模，将底层数据转化为业务可理解、AI可调用的数据语义资产。随着企业进入AI应用阶段，语义平台正从传统数据治理和BI支撑工具，演变为企业级AI应用落地的重要基础设施。

甲方终端用户：

语义平台主要服务于数据驱动型企业，包括金融、消费零售、制造、互联网等数字化程度较高的行业客户。这类企业通常拥有大量数据资产，但面临指标口径不统一、数据分析响应效率低、AI难以准确理解企业业务等问题。

从使用角色看，需求来源覆盖数据团队、分析团队、业务部门以及企业数字化管理部门。

甲方核心需求：

企业对语义平台的需求，本质源于数据规模增长和AI应用普及带来的双重挑战。一方面，企业需要解决长期存在的数据治理问题，让不同部门能够基于统一口径理解和使用数据；另一方面，企业希望通过语义层向AI提供准确的数据上下文，使AI能够真正参与企业分析和决策。

统一企业数据语言，让不同部门基于同一套标准决策。
企业最难解决的问题，往往不是缺少数据，而是不同人理解的数据不同。
在大型企业中，同一个指标可能存在多个定义。例如，销售额、活跃用户、客户数量等核心经营指标，在不同部门、不同系统中可能采用不同计算方式。当管理层进行经营分析时，各部门提供的数据无法对齐，最终影响决策效率。
因此，企业需要通过语义平台建立统一的数据语言，将指标定义、计算逻辑、业务维度、数据来源等信息进行沉淀和治理，使企业内部形成一致的数据认知体系。
降低数据使用门槛，让业务人员能够自主分析。
传统数据分析模式高度依赖数据团队，业务人员提出需求后，需要经过需求沟通、数据探查、SQL开发、报表制作等多个环节，响应周期较长。
随着业务变化加快，企业希望更多业务人员能够直接获取和分析数据，而不必依赖技术团队。语义平台需要将复杂的数据逻辑封装为业务可理解的指标和分析能力，让业务人员能够通过自然语言或低代码方式完成数据探索。
提升数据团队效率，减少重复取数和开发工作。
大量企业的数据团队长期承担重复性的取数、报表开发和数据加工任务，难以投入更多精力开展数据治理、模型建设等高价值工作。
语义平台通过沉淀指标逻辑、复用数据能力，减少重复开发，使数据团队从响应数据需求转向建设数据能力。尤其是在企业规模扩大后，语义资产能够显著降低数据服务成本
为AI提供准确的数据理解能力，支撑企业级智能分析。
大模型具备强大的语言理解能力，但并不了解企业自身的数据体系和业务规则。如果缺少语义层，大模型可能无法正确理解指标含义、选择数据来源，甚至生成错误结果。
因此，企业需要通过语义平台向AI提供结构化业务上下文，包括指标定义、计算逻辑、数据关系等信息，让AI能够准确理解企业数据，并进一步支撑智能问数、分析Agent等应用

厂商能力要求：

语义平台涉及业务理解、数据建模、查询计算、企业系统集成和AI应用适配等多个复杂领域。优秀厂商不仅需要具备产品能力，更需要长期服务大型企业形成的行业经验和工程能力。

深度业务抽象能力，将复杂业务逻辑转化为机器可理解语言。
语义平台的核心竞争力，在于能否准确表达企业复杂的数据分析逻辑。
真实企业场景远比简单指标查询复杂。例如，不同行业对于周期计算、客户分群、指标衍生、经营分析都有大量特殊规则。厂商需要具备高度抽象能力，将复杂业务规则拆解为指标、维度、计算逻辑等通用模型，同时保证业务人员能够理解和使用。
这要求厂商不仅懂数据技术，也需要深入理解企业业务运行方式。
强大的查询计算能力，兼顾灵活性与性能。
语义平台需要面对企业海量数据查询需求，尤其是在AI场景下，数据调用频率和实时性要求进一步提升。
传统数据架构通常通过提前加工汇总数据提升查询效率，但这种方式会牺牲灵活性。语义平台需要在保持数据分析灵活性的同时，实现大规模数据上的快速计算，这对查询引擎、计算优化和系统架构提出较高要求。
丰富的企业级交付能力，适配复杂IT环境。
大型企业通常拥有复杂的数据环境，包括多个数据源、不同数据库、历史系统以及严格的数据权限体系。
语义平台厂商需要具备完善的企业级能力，包括多源数据适配、权限管理、系统集成、安全控制以及大规模部署能力，确保产品能够真正进入企业生产环境。
面向AI时代的开放能力，让语义资产成为智能应用底座。
随着企业AI应用发展，语义平台不再只是服务BI工具，而需要成为各种智能应用的数据入口。
厂商需要提供开放接口、标准协议以及与Agent、智能分析应用的连接能力，使语义资产能够被不同AI应用调用。同时，语义平台需要持续扩展数据血缘、业务上下文等能力，帮助AI更准确地理解企业数据。
持续行业沉淀能力，通过真实场景形成产品壁垒。

语义平台高度依赖企业实际业务场景，仅靠通用技术难以覆盖复杂需求。

优秀厂商通常需要长期服务大型客户，在不同产业中积累指标体系、业务模型和解决方案经验，并将项目实践沉淀为标准化产品能力。这也是语义平台市场较高进入门槛的重要来源。

入选标准：

1.符合语义平台市场分析的厂商能力要求；

2.近一年厂商在该市场至少服务2家企业；

3.近一年厂商在该市场的收入规模至少在50万元。

3.3 DataOps

市场定义：

DataOps是一套面向企业数据全生命周期管理的数据运营体系，通过数据开发、治理、质量管理、运维监控、安全管理等能力，提升数据生产和交付效率。随着企业进入Data+AI阶段，DataOps正在进一步演进，从保障数据可用性，转向保障数据能够被AI稳定、准确、安全地调用。

甲方终端用户：

DataOps主要服务于数据规模大、系统复杂、数据应用需求高的中大型企业，包括金融、制造、能源、零售、通信等行业。这类企业通常已经建设数据平台，但随着数据规模增长和AI应用推进，面临数据开发效率低、数据质量难保障、数据资产难运营等问题。

主要用户包括企业数据部门、数字化部门、IT部门以及业务数据团队。其中，正在推进数据中台建设、企业AI应用落地的组织，对DataOps需求更加明显。

甲方核心需求：

企业建设DataOps的核心目标，是提升数据生产、管理和使用的整体效率。过去企业关注的是如何建设数据平台，而随着数据资产规模扩大以及AI应用兴起，企业更加关注如何持续稳定地生产高质量数据，让数据能够快速、安全地服务业务应用和智能应用。

提升数据开发效率，让数据生产从人工驱动走向工程化。
企业数据建设过程中，长期存在开发流程分散、依赖人工操作、交付周期较长等问题。
传统数据开发通常涉及数据采集、加工、调度、测试、发布等多个环节，不同团队可能采用不同工具和流程，导致开发效率低、维护成本高。当数据需求快速增长时，数据团队容易陷入不断响应业务需求的状态。
DataOps需要通过统一的数据开发流程、自动化工具链和工程化管理方式，提高数据生产效率，让数据开发像软件开发一样具备标准化、可管理和可持续迭代能力。
提升数据质量，让数据成为可信赖的AI基础。
AI应用对数据质量提出了更高要求。
过去，数据质量问题可能影响报表准确性，但在AI场景下，错误数据可能直接导致错误分析和错误决策。例如智能问数、经营分析等场景中，企业不仅需要AI给出答案，还需要保证答案背后的指标、数据来源和计算逻辑可信。
因此，企业需要DataOps建立覆盖数据质量检测、异常发现、问题定位和责任追踪的能力，通过数据标准、质量规则和血缘关系，确保数据可追溯、可解释。
管理不断增长的数据资产，让数据从资源变成能力。
随着企业数据规模扩大，数据资产数量快速增长，但很多企业仍然面临不知道有什么数据、不知道数据在哪里、不知道谁负责等问题。
DataOps需要帮助企业建立统一的数据资产管理体系，包括数据目录、元数据管理、数据血缘、数据服务等能力，让企业能够发现、理解和使用已有数据资产。
尤其是在AI时代，企业需要将数据资产进一步转化为可被模型、Agent调用的数据能力，数据资产管理的重要性进一步提升。
支撑多模态数据管理，满足AI时代的数据需求。
传统企业数据以结构化数据为主，但AI应用正在推动企业管理更多非结构化数据，包括文档、图片、音视频、日志、传感器数据等。
企业希望这些数据不仅能够被存储，还能够被治理、解析、管理并服务于知识库和智能应用。例如制造企业需要处理设备日志、巡检图片、生产视频等数据，用于智能分析和辅助决策。
因此，DataOps需要向多模态数据管理能力延伸，覆盖从数据接入、处理、资产化到AI应用供给的完整链路。
建立数据安全和权限体系，保障数据规模化使用。
随着数据开放程度提高，企业也面临数据安全风险。
尤其是在AI应用场景下，数据需要被更多业务人员和智能应用调用，但不同角色对于数据访问范围存在差异。企业需要DataOps提供精细化权限管理、数据访问控制、审计追踪等能力，在提升数据流通效率的同时保障安全合规。

厂商能力要求：

DataOps本质上是连接数据生产、治理和应用的基础能力，对厂商提出了较高的综合要求。优秀厂商不仅需要具备数据工程能力，还需要理解企业复杂IT环境和业务需求，能够帮助企业建立稳定、高效、面向AI的数据运营体系。

完整的数据工程能力，覆盖数据全生命周期管理。
DataOps首先需要解决数据生产和管理效率问题。
厂商需要具备覆盖数据采集、开发、加工、调度、治理、服务等环节的一体化能力，支持企业建立标准化的数据生产流程。同时，平台需要具备模块化和开放能力，能够适配企业已有数据架构，而非要求客户进行大规模重构。
完整的数据工程能力，是DataOps进入企业核心数据体系的基础。
强大的数据治理能力，保障数据准确和可追溯。
随着AI应用发展，数据治理的重要性进一步提升。
厂商需要具备元数据管理、数据质量、数据血缘、指标管理等能力，让企业能够清楚了解数据来源、加工过程和使用方式。尤其是在智能问数等场景中，企业需要能够追溯AI答案背后的数据依据，降低错误结果风险。
因此，数据治理能力已经从传统的数据管理要求，升级为AI可信应用的重要基础。
面向AI的数据供给能力，让数据能够服务智能应用。
DataOps正在从传统数据管理走向Data+AI基础设施。
厂商需要考虑AI应用对于数据的新需求，包括多模态数据管理、知识库建设、指标语义管理以及面向Agent的数据服务能力。例如，企业不仅需要管理文档文件本身，还需要管理文件来源、版本、权限、解析结果等信息，使其能够被AI应用有效利用。
未来DataOps的重要能力，是让数据从“可查询”变成“可理解、可调用”。
支持复杂企业环境，具备大规模交付能力。
大型企业通常具有复杂的数据环境，包括多个业务系统、多组织架构、多数据源以及严格的数据安全要求。
DataOps厂商需要具备适配复杂企业环境的能力，包括多源连接、分权分域管理、国产化适配、系统集成以及大规模部署能力。
尤其是在央国企、金融、能源等行业，企业对于稳定性、安全性和长期运营能力要求较高。
深入行业场景，帮助企业真正释放数据价值。
DataOps并非单纯的软件部署项目，而是企业数据能力建设过程。
不同产业的数据体系和业务逻辑差异明显，例如制造企业关注生产数据和设备数据，金融企业关注实时性和风险管理，零售企业关注用户和经营分析。厂商需要具备行业理解能力，将数据平台能力与具体业务场景结合。
具备行业经验的厂商，能够帮助企业明确数据建设方向，避免陷入为了治理而治理的困境。

入选标准：

1.符合DataOps市场分析的厂商能力要求；

2.近一年厂商在该市场至少服务3家企业；

3.近一年厂商在该市场的收入规模至少在100万元。

3.4 智能体开发平台

市场定义：

智能体开发平台是面向企业构建、部署和运营AI Agent的基础平台，通过提供模型接入、知识管理、工具调用、流程编排、智能体运行管理等能力，帮助企业快速开发面向业务场景的智能应用。

随着大模型从对话助手向业务执行型Agent演进，智能体开发平台正在成为企业规模化建设AI应用的重要基础设施。

甲方终端用户：

智能体开发平台主要服务于数字化程度较高、业务流程复杂的大中型企业，包括政务、金融、制造、能源、通信、建筑等行业。这类企业拥有丰富的数据和业务场景，但面临AI应用开发周期长、技术门槛高、场景落地难等问题。

主要用户包括企业数字化部门、IT部门、业务部门以及创新部门。其中，希望自主构建企业级Agent、推动AI从试点走向规模应用的组织，是当前智能体开发平台的主要需求方。

甲方核心需求：

企业建设智能体开发平台的核心诉求，是降低AI应用开发门槛，提高智能体建设效率，并推动AI能力从单点实验走向规模化应用。相比简单调用大模型，企业需要的平台不仅要支持Agent快速开发，还需要解决数据接入、业务理解、安全部署和持续运营等实际问题。

降低智能体开发门槛，让业务需求快速转化为AI应用。
企业希望更多业务场景能够快速应用AI，但传统AI开发方式依赖算法、开发人员，周期长、成本高，难以覆盖大量业务需求。
智能体开发平台需要提供低代码或可视化开发能力，通过流程编排、工具配置、知识接入等方式，让企业能够快速构建面向具体任务的智能体。例如客服助手、知识助手、业务分析助手、办公助手等，均可以通过平台快速搭建。
降低开发门槛，是智能体从少数技术团队实验走向企业规模化应用的基础。
连接企业数据和知识，让智能体真正理解业务。
通用大模型具备语言理解能力，但缺少企业内部知识和业务背景。
企业智能体需要理解大量内部信息，包括制度文件、业务流程、历史案例、专业知识以及结构化业务数据。如果缺少这些数据支撑，智能体只能完成通用问答，难以解决实际业务问题。
因此，企业需要智能体开发平台具备知识库管理、数据连接、检索增强等能力，让智能体能够基于企业自身知识和数据工作。
支持复杂任务编排，让Agent从回答问题走向完成任务。
企业级智能体的价值，不只是回答问题，而是能够围绕目标自主执行多个步骤。
例如，一个业务助手可能需要理解用户需求、查询数据、调用系统接口、生成分析结果，并触发后续流程。这要求平台具备任务拆解、多工具调用、流程编排和执行管理能力。
随着Agent应用深入，企业对智能体的要求将从会聊天转向能完成工作。
满足企业级安全要求，保障AI应用可控落地。
企业在部署智能体时，尤其关注数据安全、权限控制和模型输出可靠性。
不同行业对于数据访问范围、部署方式、审计要求存在较大差异。例如政务、公安、金融等领域，通常要求数据不能离开内部环境，智能体运行过程需要满足严格安全规范。
因此，智能体开发平台需要支持私有化部署、权限管理、数据隔离、运行监控等企业级能力，使AI应用能够在安全可控环境下运行。
支持持续运营，让智能体能力不断迭代。
企业业务持续变化，智能体不可能一次开发完成后长期不变。
随着业务规则调整、数据变化和用户反馈增加，企业需要持续优化智能体的知识体系、任务流程和执行效果。因此，智能体开发平台需要提供版本管理、效果评估、运行监控和持续优化能力，支持智能体长期运营。

厂商能力要求：

智能体开发平台竞争并非单纯比拼大模型能力，而是综合考验平台工程能力、企业数据连接能力、Agent架构能力以及行业落地经验。优秀厂商需要帮助企业解决从智能体开发到实际应用全过程中的复杂问题。

完善的平台工程能力，支撑智能体全生命周期管理。
智能体开发涉及设计、开发、测试、部署、运行和优化多个环节。
厂商需要提供完整的平台能力，包括Agent创建、流程编排、模型管理、工具管理、运行监控等功能，帮助企业建立标准化的智能体开发体系。
相比单个应用开发，企业更需要一个能够持续生产和管理智能体的平台。
强大的工具调用和流程编排能力，让Agent具备执行能力。
智能体区别于普通聊天机器人的关键，在于能够调用工具完成任务。
企业场景中的Agent通常需要连接数据库、业务系统、API接口以及外部工具，因此平台需要支持复杂任务规划、多工具协同和流程自动执行能力。
具备强大Agent运行框架能力的平台，才能支撑复杂业务场景落地。
深入企业数据体系，提升智能体业务理解能力。
智能体效果高度依赖企业数据基础。
实际项目中，数据质量和数据准备往往成为最大挑战。在智能体建设过程中，数据收集、清洗、结构化和加工等工作可能占据项目实施的大部分工作量。
因此，厂商需要具备数据治理、知识工程和企业数据连接能力，帮助客户将分散的数据资源转化为智能体可利用的知识资产。
具备模型适配能力，满足不同企业部署需求。
企业在选择智能体方案时，会面临模型能力、算力成本和部署环境等多重约束。
部分企业需要使用私有化模型或本地部署模型，但本地模型能力和算力资源可能无法完全满足复杂Agent运行需求。小参数模型能力提升和模型适配成为实际项目中的重要挑战。
因此，厂商需要具备多模型适配、模型优化以及不同部署环境支持能力，帮助企业在效果、成本和安全之间取得平衡。
丰富行业经验，帮助企业找到高价值应用场景。
智能体建设最大的难点，是如何找到真正有价值的业务场景。
企业对于AI应用目标通常较为宽泛，需要厂商结合业务流程挖掘高价值需求。实际落地过程中需要选择痛点明确、风险较低、效果容易衡量的场景作为突破口，再逐步扩大应用范围。
因此，具备行业理解和场景落地经验的厂商，更容易推动智能体从试点走向规模化应用。

入选标准：

1.符合智能体开发平台市场分析的厂商能力要求；

2.近一年厂商在该市场至少服务2家企业；

3.近一年厂商在该市场的收入规模至少在100万元。

3.5 通用Data Agent

市场定义：

通用Data Agent是面向企业数据分析场景的智能体，通过自然语言交互理解用户意图，自动完成数据查询、分析、归因、可视化和决策辅助等任务。

相比传统BI工具，Data Agent进一步降低了数据使用门槛，使企业员工能够通过对话方式直接获取数据洞察，并推动数据分析从人工操作走向智能化。

甲方终端用户：

通用Data Agent主要服务于数据资产丰富、业务分析需求频繁的大中型企业，包括金融、制造、零售、能源、通信等行业。这类企业通常已经建设了数据平台和BI体系，但仍面临数据分析依赖专业人员、业务响应效率低、数据价值释放不足等问题。

从使用角色看，Data Agent覆盖管理层、业务人员、数据分析师等多类用户。其中，希望提升经营分析效率、推进企业AI应用落地的组织，是当前主要需求方。

甲方核心需求：

企业引入通用Data Agent的核心目标，是让数据分析能力从少数专业人员手中释放出来。一方面，企业希望通过自然语言交互降低数据使用门槛，让更多业务人员能够自主获取洞察；另一方面，希望借助AI提升分析效率，从简单的数据查询进一步走向原因分析、趋势判断和决策辅助。

让业务人员直接使用数据，降低分析门槛。
企业需要的数据分析能力，长期被掌握在数据分析师和技术人员手中。
传统模式下，业务人员提出分析需求后，需要经过需求沟通、数据取数、SQL开发、报表制作等多个环节，简单的问题也可能需要较长周期才能得到答案。这种模式难以满足快速变化的业务需求。
Data Agent通过自然语言交互，让业务人员可以直接提出问题，例如查询经营指标、分析销售变化、了解客户情况等，由系统自动完成数据理解和分析过程，提高数据使用效率。
从回答问题走向主动分析，提升数据洞察价值。
企业真正需要的并非简单的数据查询，而是基于数据发现问题、解释原因并辅助决策。
传统BI主要解决看数据的问题，但业务决策往往需要进一步回答为什么变化、哪些因素影响最大、下一步应该怎么办等问题。
Data Agent需要具备推理和分析能力，根据用户问题主动拆解任务，调用不同的数据分析工具和模型，完成归因分析、趋势判断、异常识别等更复杂的分析工作。
提升数据分析效率，减少重复性工作。
大量企业的数据团队承担着指标查询、报表制作、临时分析等重复工作，难以投入更多精力开展数据治理和高级分析。
Data Agent能够自动完成部分标准化分析任务，例如生成报表、创建可视化图表、执行指标查询等，帮助数据团队提升交付效率。
同时，数据人员可以将更多经验沉淀到Agent中，使过去依赖个人经验的分析流程逐步标准化。
融合企业业务知识，让AI理解自身数据体系。
通用大模型具备语言理解能力，但并不了解企业内部的数据结构、指标口径和业务规则。
例如，同一个概念，如客户、收入、活跃度，在不同企业中可能有不同定义。如果缺少企业数据语义和业务知识支撑，AI容易产生错误理解。
因此，企业需要Data Agent具备连接企业数据资产、理解业务逻辑的能力，使AI输出结果符合企业实际运营规则。
支撑多场景智能应用，从单点问答走向业务助手。
随着企业AI应用深入，Data Agent的价值不再局限于问数，而是成为连接数据分析和业务流程的重要入口。
企业希望Data Agent能够进一步支持经营分析助手、销售助手、风险分析助手等场景，通过调用不同的数据能力和业务工具，帮助员工完成更复杂的工作任务。

厂商能力要求：

通用Data Agent涉及数据连接、语义理解、智能推理、工具调用和企业交付等多方面能力。优秀厂商需要同时具备数据分析基础、AI工程能力和行业经验，才能让Agent真正进入企业生产环境。

扎实的数据基础能力，确保分析结果准确可靠。
Data Agent的核心价值建立在企业数据之上，数据理解能力决定最终效果。
企业通常拥有多源异构数据，包括数据库、数据仓库、报表系统以及非结构化数据。厂商需要具备强大的数据接入、数据建模和查询优化能力，能够处理复杂数据环境，并保障分析结果的准确性和稳定性。
尤其是在金融、大型制造等数据规模较大的行业，底层数据处理能力直接影响产品可用性。
强大的智能推理能力，让Agent真正完成分析任务。
简单的自然语言转SQL已经无法满足企业需求。
企业需要的Data Agent，需要理解用户意图，判断问题背景，拆解分析步骤，并根据不同情况调用查询、计算、可视化等工具完成任务。
因此，厂商需要具备Agent架构设计能力，包括任务规划、推理执行、工具调用、结果校验等能力，让系统从回答问题升级为完成任务。
丰富的业务知识沉淀，提升行业适配能力。
数据分析高度依赖行业经验。
不同企业对于指标定义、分析方法、业务逻辑存在明显差异，通用大模型难以直接理解企业内部规则。厂商需要通过长期行业实践，将业务知识、指标体系、分析方法沉淀为可复用能力。
具备行业经验的厂商，更容易帮助客户快速构建符合自身需求的Data Agent。
具备企业级交付能力，推动AI从试点走向规模化应用。
当前，企业部署通用Data Agent核心挑战不只是技术问题，还包括业务协同和落地运营。
厂商需要帮助企业梳理业务场景、优化数据基础、培训用户，并建立持续运营机制。同时，需要具备与企业现有BI、数据平台、业务系统融合的能力，使Data Agent真正成为企业日常工作的一部分。

入选标准：

1.符合通用Data Agent市场分析的厂商能力要求；

2.近一年厂商在该市场至少服务3家企业；

3.近一年厂商在该市场的收入规模至少在100万元。

3.6 工业Data Agent

市场定义：

工业Data Agent是面向工业生产和运营场景的智能数据分析与决策助手，通过连接工业数据、业务知识和分析工具，帮助企业完成设备监控、故障诊断、生产优化、经营分析等任务。

相比通用Data Agent，工业Data Agent需要进一步理解工业领域的数据特征、业务流程和专业知识，服务于复杂工业场景下的数据智能化应用。

甲方终端用户：

工业Data Agent主要服务于制造、能源、石化、电力、矿业等工业企业。这类企业通常拥有大量设备数据、生产数据和工程数据，但数据来源复杂、业务知识分散，传统数据分析方式难以快速支撑生产优化和运营决策。

主要用户包括生产部门、设备管理部门、工艺部门、数字化部门以及企业管理层。其中，希望利用AI提升生产效率、降低设备故障、优化运营管理的工业企业，是当前主要需求方。

甲方核心需求：

工业企业建设Data Agent的核心诉求，是让长期沉淀的数据真正服务生产经营。相比消费、办公等通用场景，工业数据具有规模大、结构复杂、专业知识密集等特点，企业需要AI不仅能够查询数据，更能够理解设备、工艺和生产逻辑，辅助完成诊断、预测和优化等复杂任务。

让工业数据真正被理解，释放长期沉淀的数据价值。
工业企业经过多年数字化建设，积累了大量数据，包括设备运行数据、生产过程数据、工程数据、质量数据等。但由于数据分散在不同系统中，数据之间缺少关联，企业难以形成完整认知。
例如，一台设备的运行状态可能涉及传感器数据、维修记录、工艺参数、操作日志等多个来源，仅依靠传统数据库查询，很难全面判断设备异常原因。
工业Data Agent需要通过数据关联、知识建模和自然语言交互能力，将分散的数据转化为可理解的业务信息，让企业能够更加高效地利用已有数据资产。
辅助工业专家分析，降低专业知识使用门槛。
工业生产高度依赖专家经验。
在设备故障诊断、工艺优化、生产异常处理等场景中，经验丰富的工程师往往能够快速定位问题，但这些知识通常存在于个人经验中，难以规模化复制。当企业面临人才流动或业务扩张时，经验传承成为重要挑战。
工业Data Agent需要将设备知识、工艺规则、历史案例等内容沉淀下来，通过AI辅助工程师分析问题，让专家经验能够被更多人员使用，提高组织整体生产能力。
从数据查询走向故障诊断和生产优化。
工业企业需要的并不是简单查看数据，而是基于数据发现问题并采取行动。
例如，设备出现异常时，企业不仅需要知道哪个参数发生变化，更需要判断异常原因、影响范围以及可能采取的解决措施。这要求AI具备结合多源数据进行分析推理的能力。
工业Data Agent需要从传统的数据查询进一步发展到故障诊断、趋势预测、工艺优化等复杂任务，成为生产管理的重要辅助工具。
打通多源异构工业数据，实现跨系统分析。
工业企业的数据环境通常较为复杂，既包括结构化业务数据，也包括大量时序数据、设备数据和工程文档。
例如，石油化工企业同时拥有工程设计数据、设备数据、生产数据和现场运行数据，单一数据仓库难以完整承载这些信息。工业场景的数据类型复杂，需要通过图谱等方式建立数据之间的关联关系，实现多源数据组织和查询。
因此，工业Data Agent需要具备连接不同数据源、关联不同数据类型的能力，帮助企业形成跨系统的数据理解能力。
支撑工业智能化应用规模化落地。
工业企业的AI应用场景众多，包括设备运维、质量分析、生产调度、能源优化等，但不同场景往往需要不同的数据、模型和工具。
企业需要的不只是单个AI应用，而是一套能够持续构建工业智能应用的平台能力。工业Data Agent需要支持多Agent协同、工具调用和技能封装，让企业能够围绕不同生产需求快速构建智能化能力。

厂商能力要求：

工业Data Agent的竞争核心是工业知识、数据能力和AI工程能力的综合结合。优秀厂商需要长期理解工业业务，将复杂工业数据转化为AI可理解、可调用的能力，并帮助企业解决从数据治理到智能应用落地的完整链路问题。

深厚工业Know-how，理解真实生产场景。
工业场景复杂度高于通用数据分析场景。
厂商需要长期积累行业经验，理解不同工业领域的生产流程、设备特点和业务问题，能够准确识别客户真正需要解决的问题。
例如，在设备故障分析中，仅理解数据变化并不足够，还需要知道不同设备参数之间的关系，以及异常背后的工艺逻辑。行业知识积累，是工业Data Agent区别于通用产品的重要壁垒。
强大的工业数据处理能力，解决数据基础问题。
工业AI应用最大的挑战之一，是数据质量和数据组织。
实际工业环境中，数据可能存在格式不统一、采集质量不足、历史数据缺失等问题。数据质量仍然是AI应用落地的重要障碍，即使采用Text-to-SQL、RAG等技术，也依赖高质量的数据基础。
因此，厂商需要具备工业数据采集、清洗、治理、建模和管理能力，为Agent提供可靠的数据基础。
多模态数据融合能力，连接工业世界的复杂信息。
工业数据不仅包括结构化数据，还包含大量非结构化数据，例如设备文档、维修记录、工程资料、图片和报告。
厂商需要具备处理多类型数据的能力，将不同来源的信息融合到统一知识体系中，使Agent能够理解完整业务背景。
尤其是在设备运维、质量分析等场景中，单纯依靠数据库数据难以满足需求，需要融合文本知识和实时运行数据进行综合判断。
强大的Agent工程能力，让AI具备任务执行能力。
工业场景中的问题通常需要多个步骤完成。
例如设备异常分析可能需要查询运行数据、检索维修记录、分析历史案例，并结合规则生成判断。这要求Agent具备意图识别、任务规划、工具调用和多Agent协同能力。
工业智能体正在从固定Workflow向更通用的Agent模式演进，通过意图识别、自然语言生成流程以及多Agent协作提升应用灵活性。
高性能和企业级部署能力，满足工业生产要求。
工业生产环境对实时性、稳定性和安全性要求较高。
当AI应用进入生产环节后，系统不仅需要处理复杂数据，还需要满足快速响应要求。例如，大规模图数据查询和复杂推理任务可能影响响应效率，需要持续优化性能。
同时，工业企业通常关注数据安全和权限管理，厂商需要支持企业级部署、权限控制和运行监控，保障AI在生产环境稳定运行。
沉淀可复用工业技能，推动智能能力规模化复制。
工业专家经验是企业的重要资产，但如何将经验转化为AI能力仍处于探索阶段。
未来工业Data Agent的发展，需要将专家经验、分析方法和业务流程封装为可调用的技能，使Agent能够持续扩展能力。Skill等能力封装方式正在成为降低AI使用门槛、沉淀业务经验的重要方向。
具备工业技能库建设能力的厂商，更有机会形成长期竞争壁垒。

入选标准：

1.符合工业Data Agent市场分析的厂商能力要求；

2.近一年厂商在该市场至少服务2家企业；

3.近一年厂商在该市场的收入规模至少在50万元。

3.7 决策智能平台

市场定义：

决策智能平台是面向企业经营管理场景，通过融合数据、业务知识、分析模型和AI Agent能力，帮助企业实现智能分析、决策推演和业务行动闭环的平台。随着企业AI应用从信息查询向业务决策演进，决策智能平台正在成为连接数据资产与经营管理的重要应用层。

甲方终端用户：

决策智能平台主要服务于大型企业和复杂业务组织，包括零售、消费品、制造、金融、能源等行业。这类企业通常已经完成数据平台、BI系统建设，但在经营分析、业务判断和决策执行之间仍存在割裂。

主要用户包括企业管理层、业务负责人、运营团队和数据分析团队。其中，需要提升经营效率、推动精细化运营以及探索AI辅助决策的企业，对决策智能平台需求更加明显。

甲方核心需求：

企业对决策智能平台的需求，来源于传统数据分析模式难以支撑复杂经营决策的问题。过去企业能够通过BI看到业务结果，但难以快速理解变化原因、预测未来趋势并形成行动建议。决策智能平台希望进一步融合业务知识、分析能力和AI推理能力，让数据真正参与经营决策过程。

从看数据走向理解业务，提升经营分析深度。
企业过去通过BI系统解决了数据展示问题，但管理者面对经营变化时，仍需要大量人工分析。
例如销售下降后，企业不仅需要知道销售额变化，还需要进一步判断是区域变化、渠道问题、产品结构调整，还是市场因素导致。这类分析往往依赖经验丰富的数据分析师，难以快速规模化复制。
决策智能平台需要结合企业业务逻辑和分析方法，帮助用户从结果查看进一步走向原因分析和影响判断，提高经营洞察效率。
将企业决策经验沉淀下来，降低对个人经验的依赖。
企业中的大量决策能力，长期存在于业务专家和管理人员的经验中。
优秀的业务负责人知道哪些指标值得关注、哪些异常需要处理、不同情况下应该采取什么措施，但这些经验往往难以标准化沉淀。当人员变化或业务规模扩大时，企业很难复制高质量决策能力。
决策智能平台需要将指标体系、分析流程、业务规则和专家经验进行结构化沉淀，使企业形成可复用的决策能力。
支撑复杂业务场景推演，辅助企业提前判断未来。
经营决策不仅关注当前状态，更需要判断未来可能发生什么。
传统分析更多基于历史数据进行总结，而企业实际管理中经常需要回答预测类问题，例如市场变化会带来什么影响、供应链调整是否影响交付、营销策略如何优化等。
决策智能平台需要融合数据分析、预测模型和业务规则，帮助企业开展情景分析和趋势判断，提高决策前瞻性。
让AI进入业务流程，而非停留在展示层。
当前企业AI应用最大的挑战，是从Demo走向实际业务使用。
简单的智能问答或自动生成分析报告，很难形成持续价值。企业更希望AI能够嵌入经营流程，在业务发生过程中持续提供分析、提醒和建议。
因此，决策智能平台需要与企业实际工作流结合，让AI参与经营分析会议、运营管理、计划制定等业务环节，成为企业日常决策体系的一部分。
建立可持续运营的智能决策体系。
企业决策环境不断变化，业务规则、市场环境和管理目标都会持续调整。
因此，企业需要的不只是一次性的分析工具，而是一套能够持续学习、优化和迭代的决策体系。平台需要支持决策模型管理、效果评估、反馈优化等能力，让智能决策能力随着企业发展不断演进。

厂商能力要求：

决策智能平台融合了数据基础设施、业务知识管理、AI Agent和行业应用能力，对厂商综合能力要求较高。优秀厂商需要既理解企业数据体系，又具备业务场景沉淀能力，能够帮助客户将AI真正融入经营决策流程，而非停留在技术演示阶段。

扎实的数据基础能力，为智能决策提供可靠底座。
决策智能建立在企业数据之上，数据质量和数据开放能力直接影响最终效果。
企业过去的数据治理主要面向人工使用，而AI时代的数据需要进一步具备机器理解能力。企业需要梳理数据模型、指标定义、业务含义等信息，使AI能够准确理解和调用数据。
因此，厂商需要具备数据平台、BI、指标管理等基础能力，并帮助企业完成面向AI的数据治理。
具备业务上下文构建能力，让AI理解企业运行逻辑。
决策智能平台区别于通用AI助手的关键，在于是否理解企业自身业务。
企业决策通常依赖大量隐性知识，包括管理规则、分析方法、业务经验和行业规律。厂商需要帮助企业将这些内容结构化，形成可被AI调用的业务上下文。
只有建立业务语义和决策逻辑，AI才能从简单回答问题，进一步参与复杂经营分析。
强大的Agent工程能力，支撑复杂决策任务执行。
企业决策过程通常包含多个步骤，例如理解问题、获取数据、分析原因、生成建议、跟踪结果。
因此，决策智能平台需要具备企业级Agent能力，包括任务拆解、工具调用、流程编排、运行监控和效果评估等能力。
相比个人场景下的一次性问答，企业决策Agent需要具备持续运行、业务连续和结果可追踪能力。
深厚行业Know-how，加速场景落地。
决策智能高度依赖行业经验。
不同企业的经营模式、核心指标和决策流程差异明显，仅依靠通用技术难以快速产生价值。厂商需要在重点行业积累业务场景，将行业知识、分析模型和决策流程沉淀为可复用能力。
具备行业经验的厂商，可以帮助客户快速构建业务模型，缩短AI应用落地周期。
企业级交付与持续运营能力，推动从试点走向生产。
决策智能项目最大的挑战，不在于完成一个Demo，而在于进入真实业务流程。
企业需要厂商参与业务梳理、场景共创和持续优化，将AI能力嵌入实际工作体系。从实验效果到生产应用之间仍存在鸿沟，需要业务专家持续参与，共同完善业务知识和决策模型。
因此，厂商需要具备长期陪伴客户运营AI应用的能力。