让 AI 在组织里扎根：安克创新第三代数据平台与 Agentic BI 的实践路径
AI 要在组织里真正跑起来，需要怎样的土壤？安克创新数据负责人 William Sang 在 WaytoAGI 社区的分享中，系统拆解了安克从第一代 Hadoop 大数据平台走向第三代 AI 数据平台的过程，以及如何通过 HTML 托管平台、五层语义抽象、数据治理委员会和渐进式行动落地，让 AI 从试点变成组织常态。这篇文章适合正在推动企业 AI 落地、关注数据基建与组织变革的 CXO、数据团队负责人和 AI 产品经理阅读。
从三代数据平台到 HTML 托管平台
William 首先回顾了数据平台的三代演进。第一代是以 Hadoop、Spark 为代表的开源组装式大数据平台，核心目标是“把数算对、算出来”；第二代以阿里云一站式研发治理平台为代表，用 web IDE 托管从采集到消费的完整链路，但要求使用者理解十几个大数据组件，面向专业数据研发；第三代则是大模型兴起后，安克正在建设的“面向 AI 友好、面向人类可理解、可解释、可执行”的数据平台。
有趣的是，安克的数据团队切入第三代平台的第一个抓手，不是数据仓库，而是一个 HTML 托管平台。William 观察到，Claude 等大模型让 HTML 的展示效果大幅提升，能帮助用户结构化思考。但 HTML 生成耗时耗 token——一个 1000 行的 HTML 约等于 1 万个 token，生成需要 3 分钟以上，而 Markdown 只需 30 到 60 秒。安克没有争论哪种格式更好，而是花两三天时间做了一个在线 HTML 托管平台，让员工像使用飞书文档一样方便地使用 HTML。
这个平台解决了三个层次的问题：静态页面托管、动态看板生成、可运行应用构建。数据团队把大数据能力封装成 skill 放到 AI 平台上，用户与 AI 交互后，AI 会拆解看板结构，数据直连大数据平台实时刷新，而不是生成一份静态报告。平台还支持 Python、Java、NodeJS 等代码构建成完整应用，提供类似 AI Studio、Lovable 的功能，让非技术人员也能开发在线系统。
从 BI 到 Agentic BI：四个阶段与一个销量下滑案例
William 用一个真实案例说明传统 BI 的局限：某 SKU 在美国亚马逊的销量环比下跌 23%，销售看板能看到数据变化，但归因需要跨销售、库存、广告、评论等多个系统拉数据，往往要开两天会、拉齐各种权限才能找到问题，更多时候是问题没找到、销量自己恢复了。
回顾 BI 发展史，William 将其分为四个阶段：第一代定制化报表系统，需要前端、后端、产品、需求方共同参与，“商业是看见了，智能是从来没看见”；第二代 BI 厂商通过可视化编排和权限系统实现拖拉拽，让会用 Excel 的人也能生成数据，使用人数从 1% 提升到 5% 左右；第三代生成式 UI 与 Text to SQL 大幅提升获取数据的效率，但仍停留在“获取答案”层面；第四代 Agentic BI 则要实现“整个过程的可视化、数据建设、事件引擎自动触发、自动推理和自动执行”。
在向 Agentic BI 演进的过程中，安克有一个关键认知转变：看板的样式美观、生成速度并没有想象中重要。William 说：“大家突然抓住了关键，对于这些表面事实并没有那么重视了。”真正重要的是数据从哪来、口径定义是什么、出了错谁负责——这三个问题指向的都是责任方。
数据治理：权责匹配与应开尽开
安克的数据治理采用数据治理委员会形式，但有一个关键差异：数据责任落到各业务线的业务负责人身上，而不是大数据团队。“谁定义数据、谁生产数据，谁就负责。”William 强调，在 AI 时代，“我不会用数据、我不会建数据”这个结论已经不成立了，权责必须绑定到业务线。
权限管理上，安克采取了反常识的“应开尽开”策略。William 解释，智能体是以个人身份访问数据的，如果还要走权限申请流程，效能就提不上来。安克在保证安全的前提下做大量数据匹配，明确不同岗位、角色、流程的数据权限，同时对敏感数据做分类分级管理。“如果数据不流通起来，AI 怎么产生价值？”
五层语义与数据消费供给循环
数据统一建设是 Agentic BI 的基础。安克将所有数据归到统一平台，并构建了五层语义的结构化抽象：对象（什么对象）、事实（什么时间地点发生了什么行为）、信息（报告、会议纪要等知识库数据）、知识（口径规则、诊断逻辑、推理链路）、行动（工单审批、API 触发）。
消费端，安克提供 Skill 功能统一存储和操作各类数据——包括数据库类型、数仓类型、对象存储、向量检索——用户与数据对话后，系统会提示是否将常用查询语句固化为数据服务，可发布到个人空间或公司市场复用。供给端，专业大数据团队完成第一轮初始化后，业务同学通过数据研发智能体自己开发数据任务，目前已有 1500 到 1800 个任务由业务同学自主开发，开发数据的业务同学数量是专业数据研发的五六倍。
William 给出了一组数据：传统公司使用数据的比例在 1% 到 5%，数据驱动公司在 10% 到 15%，而安克目前的月活接近 5000 人，周活 3500 到 3800 人——超过一半的员工每周通过智能体消费大数据平台的数据。这个循环的关键在于“用数驱动建数，建数驱动用数”。
从洞察到行动：渐进式落地与指标转变
行动是 Agentic BI 的最后一环。安克将行动结构化：在什么业务对象上发生什么事件，应该采取什么行动。回到销量下滑的案例，系统通过知识图谱找到产品相关的库存、广告、竞品、评论等数据对象，最终定位到广告预算错误停放导致新品销量下跌，然后自动生成工单分配给广告优化师。
William 强调渐进式策略：先从低风险、时效性要求不高的场景入手，比如经营分析管理报告——每月生成一次，AI 完成归因和维度拆解后生成工单，由人工确认后执行。他特别提醒：“如果你上来就做生产系统，很容易图谱没做出来，你人没了。”对于低风险场景，比如文档被 5 人以上共享后自动放入公共知识区，可以自动执行。
衡量指标也随之变化：从报表产出量、取数需求完成量，转变为指标改善率、工单完成率、资产复用率。“以前看报表产出量，现在看闭环率，得看最终的结果。”
平台架构与组织协作
安克的 AI 土壤由两层平台构成：下层是 vibe coding 平台（内部叫 Launch），提供 HTML、BI HTML、APP 的托管和发布能力，配套数据库和容器，AI 自动解决发布和配置问题，保证灵活性——有财务校招生用它开发出财务生产级系统；上层是智能体运行平台，封装公司对 AI 的理解和先进实践，实现企业级的权限治理、能力治理和变革治理。
组织层面，变革团队由创始人史蒂文亲自组建，包含数据、工具、AI、安全等小组，通过日会、周会、双周会协作。岗位角色急剧收缩，从十几个岗位合并为面向业务和面向底层基础能力两类，要求员工具备全栈能力。William 说：“我们做数据的团队可以做 Web Coding 的平台，这说明岗位融合已经做得非常充分了。”
现场问答
数据团队与 AI 团队的协作模式是怎样的？
变革团队由创始人自上而下组建，AI 团队负责 runtime 和基础设施开发，同时留出创意空间（如 vibe coding 平台），通过及时对齐机制保证分工明确、互相学习。
数据实时性如何保证？
大部分场景离线计算即可满足，关键是先建立用数据的习惯。实时计算成本是离线的 5 到 10 倍，只在广告、销量等特殊场景使用。小场景可以直接连数据库备库实现实时。
大数据数仓开发人员的定位是什么？
从交付业务结果转变为交付专业工具，让更多人能消费和建设数据。“让别人变优秀，而不是让某一个人变得更优秀。”
传统 BI 报表可以做成 skill 吗？
不是把报表本身做成 skill，而是把做报表的能力和分析数据的结构化思路封装成 skill，可以做场景化的二次封装。
部门 KPI 如何设定？
设 OKR 但绩效评估不看完成度，更关注对公司的实际贡献。“如果只盯着完成 KPI，万一目标已经没意义了，就走偏了。”
安克的岗位与其他公司有什么区别？
岗位融合充分，角色急剧收缩，主要分为面向业务和面向底层基础能力两类，要求全栈能力，减少岗位摩擦。
要点回顾
- 第三代数据平台的核心是面向 AI 友好、人类可理解、可解释、可执行，安克从 HTML 托管平台切入，逐步扩展到动态看板和可运行应用。
- Agentic BI 的四个阶段：定制化报表、BI 厂商、生成式 UI 与 Text to SQL、事件引擎自动触发与执行。
- 数据治理的关键是权责匹配：谁定义数据、谁生产数据、谁负责，责任落到业务线而非技术团队。
- 权限管理采取“应开尽开”策略，配合分类分级和敏感数据管控，让数据流通起来。
- 五层语义抽象（对象、事实、信息、知识、行动）让数据可溯源、可理解、可决策。
- 行动落地要渐进式：从低风险、离线场景开始，先生成工单人工确认，再逐步自动化。
- 衡量指标从报表产出量转变为指标改善率、工单完成率、资产复用率。
- 平台架构是 vibe coding 平台（灵活性）+ 智能体运行平台（企业治理）的双层结构。
- 组织变革是一把手工程，需要自上而下推动，岗位融合是 AI 时代的趋势。
直播回放约 84 分钟
播放器来自飞书妙记 · 在新窗口打开