上次（2025年8月16日）我寫了一篇關於為什麼能正確使用Power BI的使用者數量沒有增加的文章。結果這篇文章在Qiita上熱搜，這還挺讓人費解的。 😇（截至2025年8月24日，閱讀量已超過15萬次）
我在上一篇文章的結尾提到了「過度依賴人工智慧（過高期望）」的問題，這次我想以自己的方式更深入地探討這個問題。
所以，標題中的問題就是本文的主題。讓我們開始吧！
讓我們從人工智慧的定義開始
人工智慧可以大致分類，但類型繁多。最新的趨勢是基於 LLM（大型語言模型）的生成式人工智慧。這是一種深度學習模型，它儲存海量文字資料，並運用先進的統計技術來學習哪些單字經常在哪些單字之後使用。由於它對語言中的詞彙模式有著深入的了解，因此能夠進行自然對話。之所以被稱為生成式人工智慧，是因為它能夠利用這種自然對話來產生使用者所需的輸出，例如文件、圖像、影片或音樂。
舉一個生成式人工智慧學習模式的具體例子，它就像我們人類在工作或學校遇到朋友說「早安」時，我們也會回應「早安」的問候語。關鍵在於，從聽到「早安」到我們回應之間，無需任何思考。問候並非你在回應時會思考的事情，而是一種條件反射。如果你不喜歡的人向你打招呼，你可能會考慮，但人工智慧沒有任何愛好或偏好，所以它不會討厭任何人。因此，它會不假思索地回應。而且，它在每一次對話中都會這樣做。換句話說，人工智慧不會思考，它只是進行模式匹配。然而，由於它是基於LLMs（LLM），因此它是一種比人類想像中更高級的模式匹配。
可以說，生成式人工智慧的趨勢是由 OpenAI 的 ChatGPT 引發的。正因如此，人工智慧變得如此商品化（即普遍使用），以至於它現在指的是生成式人工智慧。然而，在生成式人工智慧潮流出現之前，人工智慧就已經存在了。人工智慧（AI）細分為機器學習和深度學習等領域，而這些領域的研究由來已久。
如今，這已司空見慣，但即使是數位相機和智慧型手機鏡頭，也能在按下快門之前辨識並優化人臉影像。如果沒有人，相機會根據風景優化影像；如果有快速移動的動物或車輛，相機會對焦於該物體。即使在夜景中，相機也能比肉眼更清晰地捕捉拍攝主體。所有這些都是透過深度學習模型處理的。換句話說，它不是生成式人工智慧，而是人工智慧處理。截至2025年，它可能是消費性產品中最自然的人工智慧形式之一。事實上，當用相機拍照時，沒有人會想到「我在用人工智慧！」這是因為它已經變得如此自然。事實上，在數位相機或智慧型手機上停用人工智慧處理其實相當困難。
這樣說可能有點粗略，但我想說的是，如果把AI分成兩種，生成型AI和已經存在的AI，那麼本文的主題就是「生成型AI」。
要求生成式人工智慧分析資料
你們當中有些可能已經提供了生成式人工智慧資料，並要求它進行分析或產生圖表。它的效果相當不錯，而且結果通常品質上可以用於實際工作。然而，即便如此，資料分析專業人士可能會參考生成式人工智慧的結果，但可能不會將其作為自己的工作成果。原因可能有很多，但就我而言，是因為我不信任或不相信人工智慧。我不信任或不相信它的原因是，它每次的答案都不一樣。從人類的角度來看，這很正常：你無法信任或相信一個每次你問他問題都會改變答案的人。
例如，如果你有資料並要求它分析某個專案，它會建立一個看起來相似的圖表。然而，如果你再次詢問它，結果可能會改變。如果你問人類，這種情況絕對不會發生。當然，即使是專業人士也可以做到這一點，如果他們故意多次詢問，巧妙地改變提示（AI 聽到的單字），然後使用所有這些資訊作為綜合參考，進行自己的分析。這裡的關鍵在於進行自己的分析。如果你最終想向第三方展示你自己的解決方案，你就需要為此負責。因此，最終你必須得出你自己的解決方案。
就目前情況而言，我認為，雖然它可以作為一種輔助工具，用來檢查自己觀點是否有疏漏，但不能讓它包辦一切。
建構 BI 既困難又繁瑣
當我寫最後一篇文章時，我收到了一些評論，
“如果這麼麻煩，我就不會做BI了。”
有些東西蘊含著細微差別。
這句話很容易理解。覺得BI 麻煩的人，可能是為了建立圖表。而真正懂 BI 的人，不會把建立圖表當成目標。這是因為 BI 的目標不是視覺化。對 BI 來說，視覺化只是達到目的的手段。視覺化是一個非常重要的元素，每個人都想創造漂亮的圖表、酷炫的圖表、人人都能理解的圖表。但即使他們能做到，目標也並沒有實現。
BI 的目的是
-
“我現在該怎麼辦？”
-
“接下來我們該怎麼辦？”
BI 的目標是讓使用者思考下一步該做什麼。我將其描述為“知道下一步該做什麼”。圖表只是實現這一目標的手段。歸根結底，它就像一個交通號誌。紅、綠、黃燈代替數字，告訴用戶該停、走還是謹慎前進。 BI 的最終目標是能夠告知這些情況。
為了在組織內部實現這種狀態，必須將過去的資料與當前情況和當前階段的目標進行比較。只有持續監測特定領域過去、現在和未來的資料，才能確定是應該停止、繼續前進還是謹慎行事。如今，世界局勢瞬息萬變，因此這些決策無法僅憑組織內部的資料來做出。然而，如果組織內部的資料沒有經過如此細緻的整理，那麼當外部資料湧入時，就很難知道如何做出決策。
向生成式人工智慧提出問題很容易
另一方面，讓生成式人工智慧建立圖表非常簡單。只需準備資料並給出指令即可。如果您認為結果不太匹配，可以給它額外的指令。繼續這樣做，直到得到滿意的結果。與商業智慧 (BI) 相比，建立圖表所需的工作量是天壤之別。
它的簡單性使其真正商品化，任何人都可以使用。從這個意義上來說，它非常棒。即使你不具備必要的資料準備技能，只要用自然語言發出指令，就能獲得你想要的結果。我認為這才是真正的未來。
現在，回到主題：“如果我們擁有生成式人工智慧，我們還需要 BI 嗎？”
我從事 BI 工作，因此從這個角度來說，我可以說以下內容：
出於臨時（一次性）目的，您可以要求生成式 AI 為您建立圖表或分析資料。
“我想在明天的會議上展示的幻燈片中加入一張圖表。”
“我正在社區活動上發表演講，我需要在幻燈片上加入圖表。”
在這些情況下，圖表是否是示意圖並不重要，最重要的是，一旦使用結束，它就不會再被使用。如果只是一次性使用，那麼盡可能簡化操作就顯得尤為重要。
另一方面，當您需要持續查看圖表、進行分析並做出決策時，BI 是必不可少的。持續查看意味著資料每天都在變化。每次資料變更時都詢問 AI 確實很麻煩。而且它也不能保證每次答案的格式都一致。
“您可以根據需要精確地設計提示，但每次都會得到相同格式的答案。”
有人可能會說，但即便如此，也需要人類向生成式人工智慧發出指令。增加自己的日常工作量是無稽之談。
“那麼為什麼不使用自動化工具來實現自動化呢？”
事實就是如此。這就是為什麼 BI 必不可少。任何 BI 工具都能夠定期獲取資料，以固定格式建模並更新資料。換句話說，可以實現資料獲取的自動化。 （相反，在選擇 BI 工具時，我們強烈建議檢查它是否具備此功能。）
相對盲點
在將資料傳遞給生成式人工智慧時，許多人沒有考慮到一件事。
“在將資料傳遞給人工智慧之前，您是否正確地組織了資料？”
這就是它的意思。
生成式人工智慧當然非常出色。即使資料有些髒，它也會按照指令處理，不會有任何抱怨。然而，我觀察過迄今為止在業務中使用的資料，即使傳遞給人工智慧，也總是充滿雜訊和髒資料。業務資料通常不適合資料分析。因此，預處理至關重要，例如先刪除未使用的列和值。預處理可以縮短提示，從而節省成本。
BI 中的生成式 AI
讓我們從稍微不同的角度來看這個問題：我們如何看待支援生成式 AI 的 BI 工具？
Copilot for Power BI 現在支援 Power BI，而這正是我的專長。目前，Copilot for Power BI 可以：
-
它從您有權存取的 Power BI 內容中搜尋符合您條件的報告和語義模型。
-
總結具體報告
-
回答有關特定模型中的資料的問題
-
總結您已開啟的報告
-
使用特定的語意模型建立報表頁面
-
為您編寫 DAX 查詢
-
加入度量的描述
它非常有用，但當然，與任何生成性人工智慧一樣，您給出的答案由您自己負責，這意味著您必須驗證它們。
最重要的是，你需要為 AI 準備資料。連結是官方文件，其中對此進行了詳細說明。
我認為，優化 Copilot 的語意模型（尤其是針對 Power BI 的模型）是當務之急。 Copilot for Power BI 是針對 Power BI 進行最佳化的 Copilot，因此它遵循 Power BI 的最佳實務。簡而言之，您的語意模型應該始終採用星型模式，因為 Copilot 正是基於此假設進行操作的。此外，您還需要注意表格、列和度量的名稱。 Copilot 只知道模型中寫入的內容，並不知道您的業務是什麼。因此，您需要透過名稱和描述盡可能簡單地傳達這一點。
無論生成式人工智慧多麼優秀，它都不是通靈者，所以它不可能知道任何未被說出的事情。我認為在使用生成式人工智慧時，你應該牢記這一點。
這可能是一個抱怨和一個擔憂
我曾提到 Copilot for Power BI 具有匯總報告的功能，但作為報告建立者，我對此有一些擔憂。
例如，我與我的組織分享了我建立的一份報告並讓用戶開始使用它，有一天我看到一個用戶使用 Copilot 來總結我建立的報告中的一頁。
此時，作為一名報告撰寫者，我認為：
“嗯……我做的圖表如果不概括的話，估計別人就無法理解……”
這是一種非常強烈的失敗感。
BI 圖表的設計初衷是讓那些難以理解的資料一目了然。報告建立者需要花費大量時間才能理解這些圖表，因為如果資料難以理解，那就毫無意義。因此，如果用戶使用 Copilot 來總結一份經過深思熟慮、用戶訪談和精心配色的報告中出現的圖表，一定會大吃一驚。
從當事人的角度來看是這樣，但我們不妨從稍微高一點的角度來思考一下。
“但是依賴生成式人工智慧摘要能提高用戶的分析能力嗎？”
事實上，不同的人對圖表有不同的看法是正常的。即使他們讀到的是同一篇文章，他們下一步的行動也會反映出這種看法，產生不同的假設和對策。之後，他們會討論並最終做出決定。逐一嘗試，驗證你的假設。如果無效，就嘗試下一個。堅持下去，直到你得到你想要的結果。
只有這樣，我們才能看到任何改善。我相信商業智慧（BI）就是為了實現這個目標而提出的一種管理方法。但生成式人工智慧能幫我們實現這個目標嗎？
我現在非常感興趣的是這個提議。幾年後我們就能知道結果了。希望我們最終不會陷入用戶無法獨立思考的最壞情況。
概括
這次我思考的話題是“如果我們有了生成式AI，我們還需要BI嗎？”
使用生成式人工智慧時
“僅僅因為有可能，我們就應該真的僱用他們來工作嗎？這是我們應該始終考慮的事情。”
我認為這一點很重要。生成式人工智慧非常出色，未來它很可能能夠做得更多。我們已經達到了這樣的地步，人們會想：「嗯，當然可以用人工智慧做到這一點。」 既然人們已經理所當然地認為它可以做到，那麼將其融入到業務運營中是否是最佳選擇？考慮這個問題正在成為人類的工作。有很多因素需要考慮，例如業務流程、成本，以及如果我們繼續使用這種方法幾年會發生什麼。
既然我們生活在一個可以使用生成式人工智慧的時代，我希望它會變得更加方便，人們可以利用空閒時間冷靜地思考。
原文出處：https://qiita.com/yugoes1021/items/009e96ab31bf3dbb8943
1) --- 會變成分隔線（上一行必須是空白）
2) # 會變成一級標題
3) ## 會變成二級標題
4) ### 會變成三級標題
5) **粗體文字**會顯示粗體文字
6) ```當第一行與最後一行會顯示程式碼
7) 請搜尋 Markdown 語法，了解各種格式