企业的数据分析项目，往往不是从数据平台、Power BI 或人工智能开始的。
它通常始于一张 Excel 表。
销售部门导出订单，财务部门提供成本，运营人员补充退款、折扣和促销信息，再由一位熟悉业务的同事完成数据合并、公式计算和图表制作。最终，一份“销售与利润分析表”成为月度经营会议的重要依据。
随着业务增长，这张表会不断扩展。最初只统计销售额，后来需要分析区域、产品、客户和渠道；最初只计算毛利，后来还要考虑返利、物流费用、价格调整和促销投入。直到有一天，企业发现：Excel 文件越来越多、Power BI 报表越来越丰富，管理者能够提出的问题也越来越复杂。与此同时，AI 和数据 Agent 开始进入企业视野。于是，一个新的问题出现了：
如果把企业现有的数据、报表和指标交给一个智能体，它真的能够正确理解并可靠使用吗？
这正是企业从传统数据分析走向 Agent-Ready 时，需要认真回答的问题。
Excel → Data-Ready → BI-Ready → AI-Ready → Agent-Ready
Agent-Ready 目前并不是一个拥有唯一行业定义的标准术语。在企业数据分析场景中，我们可以把它理解为：
企业的数据、指标、业务语义和分析能力，能够被智能体正确理解、按权限调用、稳定执行、验证结果，并且全过程可以追溯和治理。
这比“AI 能不能查询数据”更进一步。
一个数据 Agent 不仅要找到相关数据，还可能需要理解用户意图、选择数据源、调用查询工具、组合多个结果，并根据权限和业务规则组织答案。
如果允许 Agent 执行操作，它还可能生成报告、创建任务、发送提醒，甚至调用业务系统完成后续动作。因此，Agent-Ready 至少包含五个条件：
•智能体能够理解企业数据和业务术语
•数据与分析能力可以通过规范方式调用
•关键问题的答案能够被验证
•数据权限和操作范围受到控制
•查询、推理和执行过程可以被追踪
它不是在数据库上增加一个聊天入口，也不是给 Power BI 加上一个对话框。Agent-Ready 的本质，是把企业已有的数据分析能力，改造成智能体可以可靠使用的基础设施。
Excel 之所以成为大量企业数据分析项目的起点，是因为它足够灵活，也足够贴近业务。
假设一家企业最初只需要进行销售与利润分析。销售部门提供订单数据，财务部门提供产品成本，分析人员通过公式和数据透视表，就可以计算不同区域、产品和客户的销售额、成本与毛利。在业务规模较小时，这种方式完全可以满足需求：
•数据来源不多
•分析口径相对简单
•报表主要由少数人员使用
•业务变化可以通过修改公式快速处理
因此，企业仍然使用 Excel，并不意味着数据分析能力落后。真正的问题在于：随着业务复杂度提升，Excel 开始承担超出个人工具边界的组织级任务。
当一张销售与利润表需要连接 ERP 订单、财务成本、CRM 客户、渠道返利和促销活动数据时，它实际上已经是一套隐藏在 Excel 中的小型数据系统。
这套系统同时保存着三类重要资产：
第一类是数据。例如订单、产品、客户和成本明细。
第二类是计算逻辑。例如如何计算净销售额、如何匹配产品成本、如何处理退款和折扣。
第三类是业务经验。例如某类特殊订单为什么需要排除，某些渠道返利为什么要跨期分摊，某些客户为什么不能按照常规方式计算毛利。
前两类内容或许还能在工作表和公式中找到，第三类内容却经常只存在于制表人员的经验里。这意味着，企业拥有的并不是一套稳定的数据能力，而是一套依赖个人理解运行的分析过程。
而从 Excel 走向 Agent-Ready 的第一步，就是把这些隐藏在文件、公式和个人经验中的规则逐步提取出来，使其能够被组织管理，也能够被机器理解。
企业谈 AI、智能问数或数据 Agent 之前，首先要解决的仍然是数据基础问题。
Data-Ready 并不只是“已经把数据集中到数据库”。它意味着数据的来源、含义、粒度、关系和质量已经达到可以稳定使用的程度。
仍以销售与利润分析为例。企业首先需要明确：一条数据记录究竟代表什么？它可能代表一张订单，也可能代表一条订单明细、一次发货、一张发票或一笔收入确认。
如果订单表以订单明细为粒度，成本表以产品和月份为粒度，直接关联就可能造成成本重复。如果同一个客户在 CRM 和 ERP 中使用不同编码，客户贡献分析就可能出现重复或遗漏。除此之外，企业还要处理一系列看似细小、实际上会直接影响结果的问题：
•取消订单是否计入销售额
•部分退货如何关联原订单
•产品成本采用标准成本还是实际成本
•历史订单使用当前组织架构还是历史组织架构
•跨月发货和跨月开票如何处理
•汇率按照交易日、月均还是财务结算汇率计算
这些问题不是报表展示问题，而是数据事实如何被定义的问题。
如果底层粒度和关联关系没有处理正确，后续 Power BI 模型、自然语言问数甚至数据 Agent，都只会更高效地使用错误数据。因此，Data-Ready 至少需要完成几项基础建设：
•明确核心业务数据的来源和责任人
•统一产品、客户、组织等主数据
•建立稳定的数据清洗和更新流程
•明确数据粒度及表之间的关系
•对缺失、重复和异常建立质量检查
•保留数据来源和处理过程，以便追溯
到了这个阶段，企业解决的是“数据能否稳定使用”，还没有解决“企业是否能够形成统一分析”。
Data-Ready 之后，企业需要把数据进一步建设为可以被组织重复使用的分析能力。这正是 Power BI 语义模型的重要价值。
不少企业把 Power BI 项目理解为把 Excel 报表迁移到可视化平台。原来用柱状图，现在换成更漂亮的柱状图；原来通过筛选按钮切换区域，现在改用交互式筛选器。如果项目只完成了这些工作，它改善的是展示方式，并没有从根本上改变企业的数据分析能力。
一个真正具备复用价值的 Power BI 项目，首先要建立正确的数据模型。销售、退货和成本等业务事实，需要与产品、客户、区域、渠道和时间等分析维度建立清晰关系。在此基础上，企业还需要把指标从个人公式变成公共定义。以“销售额”为例，企业系统中可能同时存在：
•订单销售额
•发货销售额
•开票金额
•财务确认收入
•扣除取消、退货和折扣后的净销售额
这些指标可能都有业务价值。指标统一并不意味着企业必须删除其中四个，只保留一个“正确数字”。真正的统一，是相同名称具有相同含义，不同含义使用不同名称，并明确每个指标适用于什么分析场景。
同样，“利润”也需要明确：
•是销售毛利、贡献利润还是财务利润
•是否包含物流费用
•是否扣除渠道返利
•是否分摊市场费用
•与预算比较时采用哪一套成本口径
当这些规则被沉淀为可复用的度量值和语义模型后，销售额、成本、毛利和毛利率就不再属于某一张报表，而成为整个企业分析体系共同使用的标准指标。
同一套模型可以支持管理层经营看板、区域销售分析、产品盈利分析、客户贡献分析，也能成为后续 AI 和数据 Agent 调用的基础。
因此，BI-Ready 的判断标准不是“企业已经有 Power BI”，更不是“已经制作了多少张报表”，而是：
企业是否已经形成一套可复用的数据关系、指标口径、分析维度和权限体系。
一套面向人类分析人员设计的语义模型，不一定天然适合 AI 使用。
人可以根据经验判断字段含义，也知道某个指标应该在什么条件下使用。AI 更多依赖模型中的名称、描述、关系、上下文和使用示例。
例如，一个 Power BI 模型中同时存在：
•销售额
•销售金额
•销售净额
•销售收入
•含税销售额
•本期销售额
•调整后销售额
报表开发者可能知道它们之间的区别，但 AI 未必能够稳定判断用户口中的“销售额”对应哪一个指标。模型中还可能存在大量技术字段、辅助排序列、系统编码和中间计算结果。对开发人员而言，这些内容有其用途；对 AI 而言，它们可能增加选择错误字段的概率。
因此，从 BI-Ready 走向 AI-Ready，需要对语义模型进行专门准备。企业可以从几个方面提升模型对 AI 的友好程度：
并不是模型中的所有表、字段和度量值都应该交给 AI 使用。企业需要根据应用场景选择一组相关、清晰且经过治理的数据对象，使 AI 在更有限的范围内进行判断。
例如，面向销售与利润分析的 AI 数据范围，可能只需要订单、退货、产品、客户、区域、渠道及相关指标。模型中的技术日志、辅助排序字段和开发中间表没有必要进入 AI 分析范围。
AI 可见范围越聚焦，字段歧义越少，查询也更容易保持稳定。
DIM_GEO_01、TR_AMT 或 CST_ACT 这类技术名称，可能对开发人员很熟悉，但不适合 AI 理解业务含义。企业需要为表、字段和度量值使用清晰的业务名称，并补充必要描述：
•指标代表什么
•使用什么时间口径
•是否包含税额和退款
•适用于哪些分析场景
•不应该与哪些相似指标混用
这些描述不是普通的数据字典装饰，而是在告诉 AI 应该如何解释模型。
AI 不会天然知道一家企业如何定义“重点客户”“有效订单”“低毛利产品”或“销售未达标”。这些概念需要转化为明确的业务语义。例如：
•“重点客户”指过去 12 个月净销售额排名前 10% 的客户
•“低毛利产品”指毛利率低于 15% 的产品
•“销售未达标”默认与当期预算比较
•用户询问“本月”时，按照企业财务期间而非自然月解释
不能只通过几次演示判断模型是否已经 AI-Ready。企业需要收集一批真实业务问题，并为这些问题建立经过确认的标准答案。以销售与利润场景为例，测试问题可以包括：
•本月净销售额是多少
•哪个区域的利润下降最多
•哪些产品销售增长但毛利率下降
•华南区利润下降主要受哪些客户影响
•哪些客户的销售贡献与利润贡献不匹配
•与去年同期相比，产品结构发生了什么变化
测试不仅要检查最终数字，还要检查 AI 是否：
•选择了正确指标
•使用了正确时间范围
•应用了正确过滤条件
•继承了用户数据权限
•在问题含义不明确时主动澄清
•能够说明答案所使用的数据和口径
只有这些问题经过持续测试，AI-Ready 才不只是一个配置状态，而是一种可以被验证的能力。
AI-Ready 主要解决“AI 能否理解数据”。Agent-Ready 则需要进一步解决：
智能体能否围绕用户目标，自主选择合适的数据、工具和分析步骤，并在权限与规则范围内完成任务。
假设管理者向智能体（如智能小V）提出：
华南区本月利润下降，请找出主要影响因素，并列出需要重点关注的客户。
传统报表只能展示已经设计好的页面。自然语言问数可能把问题转换为一次查询。智能小V 则会完成更完整的分析过程：
1.识别“本月”“华南区”和“利润”的企业定义
2.判断应该使用哪一个语义模型或数据源
3.查询本期与对比期间的利润变化
4.按产品、客户、渠道等维度进行贡献度拆解
5.找出对利润变化影响最大的因素
6.排除数据量过小或异常记录造成的误判
7.根据用户权限决定是否展示客户明细
8.区分数据可以证明的事实和仍需业务确认的原因
9.以表格、图表或经营摘要形式返回结果
过去，分析人员需要在多个报表页面之间切换，或者重新组合字段完成这些工作。在 Agent-Ready 的数据基础上，智能小V 可以围绕同一个业务目标组织多步骤分析，用户不再需要先找到正确报表，再手动完成下钻，而是直接从经营问题出发。
但这里必须明确一个边界：
智能小V 能够组织分析，不意味着它可以脱离企业的数据模型和业务规则自行定义答案。
它回答得是否准确，依赖的仍然是底层数据、Power BI 语义模型、指标定义、AI 使用说明和权限体系；Agent-Ready 要做的，是把企业已经建设好的数据能力，以更自然、更主动的方式交付给业务人员。
因此，Agent-Ready 的数据基础，本质上是一组明确的使用契约。智能体不仅要知道“这里有什么数据”，还要知道“这些数据应该如何使用、在什么范围内使用，以及什么时候不能继续行动”。
传统 BI 项目经常以报表上线作为完成标志。
Agent-Ready 则不能只依靠一次性交付。业务指标会变化，数据源会调整，组织架构会更新，用户的问题也会不断增加。即使模型上线时表现良好，后续一次字段重命名或指标调整，也可能影响 Agent 的理解和查询结果。企业需要持续运营以下内容：
•哪些问题被频繁提出
•哪些问题经常触发澄清
•哪些回答与标准答案不一致
•哪些查询出现性能或权限问题
•哪些业务术语需要补充说明
•哪些数据源或指标已经发生变化
•哪些 Agent 行为需要扩大或收缩权限
这与传统报表运营有明显区别。
过去，用户发现报表没有某个指标，会提交一个新增需求；现在，用户可能直接提出一个模型从未见过的问题。企业需要判断这是已有模型表达不清，还是底层数据能力确实缺失。因此，Agent-Ready 不是一个“已开启”的功能状态，而是一套持续评估、维护和治理的数据运营机制。
企业不需要一次性让所有数据都达到 Agent-Ready。更现实的方式，是选择一个高频、重要且边界清晰的场景，例如销售与利润分析——它连接订单、产品、客户、区域、渠道和成本，也对应管理层持续关注的经营问题。
1.收集管理层和业务人员最高频的 20 至 30 个问题。这些问题决定企业需要哪些数据、指标和分析维度。
2.从现有 Excel 中识别数据来源、计算公式、人工处理步骤和隐藏业务规则。Excel 不是需要被简单淘汰的旧工具，而是理解企业真实分析逻辑的重要材料。
3.解决数据粒度、主数据、质量和更新问题，并建立可以复用的 Power BI 语义模型和指标体系。
4.在此基础上，再面向智能小V 配置 AI 可用范围、业务描述、关键规则和验证答案，并使用真实问题持续测试准确性、权限和解释能力。
5.初期可以让 Agent 优先承担查询、异常定位和分析摘要等只读任务。当准确性、权限和审计机制逐步稳定后，再谨慎扩展到任务创建和业务操作。
这种建设方式看似比“直接连接 AI”慢，但它能够避免企业在底层数据和业务规则尚不稳定时，把风险扩大到更多用户和流程。
从 Excel 到 Power BI，再到 AI 和数据 Agent，看起来是工具不断升级的过程。
但背后真正发生的，是企业数据能力逐步从个人经验走向组织资产，再从组织资产走向机器可调用能力。
Excel 帮助业务人员把经验转化为数据、公式和报表；Data-Ready 让这些数据能够稳定使用；BI-Ready 把数据关系和指标口径沉淀为统一语义模型；AI-Ready 让模型更容易被人工智能理解；Agent-Ready 则让智能体能够在明确权限、业务规则和验证机制下调用这些能力。
因此，企业从 Excel 走向 Agent-Ready，不是把一份表格直接交给 AI。它需要把隐藏在文件、公式和个人经验中的业务知识，逐步转化为：
•稳定的数据
•统一的指标
•清晰的业务语义
•可调用的分析能力
•可验证的答案
•可治理的 Agent 行为
报表准备好给人看，只是 BI-Ready。数据准备好被智能体理解、调用、验证和治理，才是真正的 Agent-Ready。
想让企业的数据能力先走到 Agent-Ready？
申请试用，与顾问聊聊你的场景 →
在线咨询
