Chat BI 是伪命题？腾讯 Omega 给 WorkBuddy 上了一课：智能问数的终局不是"问"

上周，腾讯技术工程发了篇《腾讯 Omega：下一代"AI BI"的答案？》，在技术圈刷了屏。朋友圈里转的人很多，但十篇有九篇在干同一件事——复述架构。没人回答一个更关键的问题：这件事，跟 WorkBuddy 桌面智能体有什么关系？

01腾讯 Omega / marmos 到底在说什么

如果你还没读原文，先用三句话对齐认知。

腾讯 Omega 是腾讯内部 BI 平台 DataTalk 团队重做的下一代产品，内测名叫"马尔摩斯 / marmos"，官网 marmos.qq.com 已经对外开放，Pro 版 69.9 元/月。

它要解决的，是整个 AI BI、Chat BI 行业都没解决好的一个问题：你跟 AI 说"给我看上季度的销售趋势"，它确实给你生成了一张图——但那张图是"死"的。

Omega 的核心主张：聊天框不是 BI 的下一代，AI 应该接管一整段分析工作，而不是只做 NL2SQL（自然语言转 SQL）。

它靠两个东西做到"活"：

• QueryRegistry——给每张看板立一份"数据契约"，字段口径、筛选维度、刷新逻辑都写死在契约里；
• DTBridge——一个运行时，看板跑在上面，所以可以换筛选、可联动、可刷新、可监控告警、可定时推送、可版本回滚。

换句话说，Omega 生成的看板是"活"的，这是它敢叫板 Chat BI 的资本。顺带一个很说明问题的数字：同一项任务，混元 Hy3 成本约 0.47 元，Claude 4.6 约 14.2 元，差了约 30 倍——它的路线建立在国产大模型成本优势之上。

死看板传统 ChatBI 的产物数据写死在 HTML换条件不会变✕ 不能联动筛选✕ 不能自动刷新✕ 不能监控告警✕ 不能版本回滚契约+运行时活看板Ω Omega 的做法数据随契约更新换条件即变化✓ 可联动筛选✓ 可自动刷新✓ 可监控告警✓ 可定时推送 / 回滚

图1 · 死看板 vs 活看板：Omega 的核心机制，是给看板立一份"数据契约"并跑在运行时上

02为什么"智能问数"突然成了战场

把镜头拉远，你会发现 2026 年，AI BI、Chat BI、智能问数这几个词，突然从 PPT 里的概念变成了真刀真枪的战场。

国外这一侧：ThoughtSpot 的 Spotter、Snowflake 的 Cortex Analyst、Databricks 的 Genie，全在抢"语义层驱动的问数"——先建一层语义模型，把业务口径和底层表解耦，而不是靠 NL2SQL 硬转。

国内这一侧：帆软的 FineChatBI、观远、阿里 Quick BI 的智能小 Q、字节的 DataWind，也都在上智能问数。IDC 数据显示国内 BI 市场仍两位数增长，"能对话"几乎成了新品标配话术。

但行业的尴尬也很明显：NL2SQL 在企业真实场景（脏数据、几千张表、口径打架）下，多厂商横评平均只有 54% 上下（ThoughtSpot Spotter 约 54.67%）；Gartner 更直接——38% 的 AI 项目失败根因是数据质量，不是模型。

所以"语义层 / 指标平台"被公认是必需品。这恰恰是 Omega 叙事成立的大背景：大家都还在卷"问得准不准"，它跳出来卷"问完之后交付物活不活"。

AI BI 赛道：两条线正在收敛国外 · 语义层驱动问数• ThoughtSpot Spotter• Snowflake Cortex Analyst• Databricks Genie共识：先建语义模型，解耦业务口径国内 · 对话成标配• 帆软 FineChatBI• 观远 / 阿里 Quick BI• 字节 DataWind"能对话"几乎成新品标配话术行业共识：语义层是必需品；Omega 跳出来卷"交付物活不活"

图2 · AI BI 赛道全景：国内外厂商路线同构，Omega 的差异化在"交付物生命周期"

03WorkBuddy 桌面智能体，和这件事什么关系

这才是本文想讲透的部分。先看 WorkBuddy 现在有什么：腾讯的桌面办公智能体，今年上半年国内 PC 端月访问量约 2097 万居首；已打通腾讯文档、上了鸿蒙桌面、支持 Skills / MCP / 连接器 / 专家四套扩展机制，底层能跑混元 Hy3。

它能帮你写材料、做 PPT、写代码、做研究，也能处理 Excel、生成图表。但问题来了——它生成的图表、周报、分析，是"活"的吗？不是。明天数据变了，图不会自己变；你想让周报每周一自动刷新、异常自动推企微，目前做不到。

全文核心：Omega 批判的"死看板"，和 WorkBuddy 现在生成的死 PDF、死 xlsx、死 PPT，是同一种病。

所以只把结合点理解成"在 WorkBuddy 里塞一个 BI 入口、跳转到 marmos"，就太浅了。真正的结合，是把 Omega 那套"契约 + 运行时"从看板下沉，变成 WorkBuddy 所有交付物的通用能力。

想象一下：你让 WorkBuddy 写一份竞品周报，它产出的不再是一份死文档，而是一个"活"的产物——数据来自你授权的腾讯文档表格，时间范围可切换，图表可联动，每周一自动刷新，某竞品声量异常自动推你企微。这，就是把 AI BI 的能力缝进了办公智能体的骨头里。

为什么这件事只有 WorkBuddy 最有可能做成？因为它同时握着四张牌，且是同一家公司资产能凑齐的：

• 桌面入口——人就在桌面前干活，问数发生在工作流里，不是另开一个 BI 系统；
• 全品类产物——它产 PDF、PPT、xlsx、图，BI 只是其中一种；
• 自动化调度——automations 能定时跑、能触发；
• 分发管道——企微、腾讯文档天然打通，结果直接送到协作现场。

这正好补上 Omega 的短板：Omega 很强，但它没有桌面办公入口，没有全品类的文档产物能力，没有 WorkBuddy 这套面向个人和小团队的触达面。

WorkBuddy 做智能问数的四张牌WorkBuddy桌面智能体① 桌面入口问数发生在工作流里不另开 BI 系统② 全品类产物PDF·PPT·xlsx·图BI 只是其中一种③ 自动化调度automations 定时跑可触发、可监控④ 分发管道企微·腾讯文档结果直达协作现场

图3 · WorkBuddy 的四张牌：桌面入口 + 全品类产物 + 自动化调度 + 分发管道，正好补上 Omega 缺失的触达面

04但我劝你别盲目乐观

写到这得泼盆冷水，不然就成了软文。

第一，企业级 BI 这个市场，别碰。帆软在国内 BI 份额约 23.2%，它的护城河不是算法，是"口径治理"这种脏活累活——几千张表的指标定义、权限、审计。这是 WorkBuddy 和 Omega 短期内都啃不下的。观远客单价能到 9.8 万/年，买单人是对接 CIO 的数据团队，不是个人。

第二，真正的机会在长尾，在被 BI 厂商放弃的那群人。WorkBuddy 的用户画像里，白领占 32%、自媒体 16%、运营 13%，高频场景第二名就是"整理 Excel 表格"。这批人永远不会买 9.8 万/年的观远，但会为 69.9 元/月的 marmos 刷卡——因为那是"自己就能决策、自己就能付"的小钱。

注意，marmos 定价 69.9 元/月这个信号本身就说明：Omega 团队冲的也不是 CIO，是"自己刷卡的业务人"。这跟 WorkBuddy 的用户，是同一个人。

05现在你能做什么

如果你是 WorkBuddy 用户，想提前卡位"智能问数"这个认知，我给你两个具体动作。

动作一：去 marmos.qq.com 注册免费版，用你自己的真实数据测三件事——

• 换时间范围，数字真的变吗？
• 筛选器联动，是真的吗？
• 设个监控规则，企微真的推吗？

这三件事，就是 Omega 全文的核心承诺。测完你就知道值不值得押注。

动作二：现在就用 WorkBuddy 搭一个"迷你智能问数"雏形——把业务数据放到腾讯文档智能表格，用 WorkBuddy 连上，让它按自然语言出图表，再用 automations 设个每周刷新。虽然产物还是静态的，但你已经跑通了"数据 → 问数 → 产物 → 调度"的最小闭环。等 Omega 的运行时能力一开放，你能第一时间接上。

#WorkBuddy #桌面智能体 #智能问数 #AI BI #Chat BI #腾讯Omega #marmos #数据Agent