根据Gartner的最新预测,2017年全球商业智能(BI)和分析软件市场收入预计将达到183亿美元,相比2016年增长7.3%,到2020年该市场预计将突破228亿美元。
据Gartner称,现代商业智能和分析继续以超过整体市场的速度扩张,这弥补了传统商业智能支出的下滑。最近几年出现了不少现代商业智能和分析平台以满足新的需求:可访问性、敏捷性、更深度的分析洞察、从IT主导的、系统记录报告转向业务主导的、包括自助服务的敏捷分析。
然而,现代商业智能和分析市场预计将减速,从2015年63.6%的增幅减少到2020年的19%。Gartner认为,这反映了数据和分析逐渐成为主流。该市场在席位扩张方面呈现增长,但是收入会受到定价压力的抑制。
Gartner研究副总裁Rita Sallam表示:“采购决策仍将受到企业高管以及那些希望有更高敏捷性、可选择小型个人和部门级部署以证明成功的用户的影响。企业友好的采购模式对于成功部署将变得越来越重要。”
Gartner认为,快速变革的现代商业智能和分析市场正在受到以下七大动态的影响:
1、大规模现代商业智能将主导新的采购——虽然商业用户最初涌入新的现代工具市场是因为这些工具在不需要IT辅助的情况就可以使用,对监管越来越高的需求将成为IT重新参与进来的催化剂。从企业层面来看,支持更高可访问性、敏捷性和分析洞察力的现代商业智能工具将主导新的采购。
2、新的创新厂商和知名厂商将推动下一波市场变革——智能数据发现能力、机器学习和整个分析工作流自动化的兴起,将推动新一波的采购热潮,因为其中存在缩短从高级分析中获得洞察、将洞察提供给企业中更多人的潜在价值。虽然这个“智能”热潮正在受到有创新性的初创公司的推动,但是传统商业智能厂商也在缓慢地进行调整以适应目前的“现代化”浪潮,他们在某些情况下也起到了推动发展的作用。
3、需要复杂数据集推动数据准备中的投资——商业用户希望分析多样化的、通常很大且更为复杂的数据来源和数据模型,速度超过以往任何时候。以自动化的方式快速准备、清理、丰富和发现可信赖的数据集,这一能力亿i纪念馆成为一个重要的推动力。
4、可扩展性和可嵌入性将成为扩大使用和增强价值的关键推动力——互联网的用户和客户要么使用更加自动化的工具,要么把分析嵌入到后台使用的应用中,或者两者兼有。内嵌和扩展分析内容的能力,将成为推动普及和从分析中获取价值的关键因素。
5、支持实时事件和流数据将扩大使用——组织机构将越来越多地利用设备、传感器和人生成的流数据来快速决策。厂商们需要投资类似的能力,为采购者提供把实时分析与流数据和其他类型源数据结合其他的单一平台。
6、对云部署的兴趣将越来越高——商业智能和分析平台的云部署有降低总拥有成本和缩短部署时间的潜力。不过,企业仍然有很多数据是保存在本地中的,这将成为阻碍采用的一大障碍。不过这个情况正在发生改变,Gartner预计到2020年大多数新许可的采购都将是针对云部署的。
7、市场将为企业机构创造机会,采购和售卖分析能力,加速获得洞察——一个活跃的市场中,采购者和售卖者聚合到一起交换分析应用、聚合数据源、自定义可视化及算法,这将引发越来越多对商业智能和分析的兴趣,推动未来的进一步增长。
Sallam表示:“很多新的创新厂商将不断涌现,来自大厂商对创新的重大投资、以及获得风投的初创公司,这些都将让企业机构从中受益。然而,他们需要特别小心,当多种单独解决方案快速展现业务价值、不需要特别关注设计、实施和支持的情况下投入生产环境中可能导致的技术债务。”
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。