京瓷等四家日企如何用Agentic AI改造一线业务

如果你是数据或业务部门的负责人，以下是来自东京的要点，值得你花时间：现在就开始，从小处取胜。

在2026年9月11日于东京举办的Snowflake World Data Tour上，京瓷、相铁商务服务、Trust Base和精工爱普生四家公司分享了他们如何从传统仪表板迈向代理式AI。该场次吸引了300人预注册，而房间设计仅能容纳150人，反映出企业对AI如何变革日常业务运营的兴趣日益增长。

每家公司都带来了不同的前线挑战，以及对AI和商业智能演进的务实视角。他们的经验指向一个共同的教训：你不需要完美的条件才能开始采用代理式AI。你需要的是一个聚焦的第一步、一个可衡量的成果，以及一个值得分享的成功故事。

四家公司，四条前线，一种代理式AI路径

由Delivery Consulting的Toshiharu Makinouchi主持，座谈会横跨四个截然不同的运营场景。将它们联系在一起的不是单一用例，而是一种起步方式。

每位发言人都经历了相同的三个节拍：他们所面临的业务挑战、他们借助ThoughtSpot迈出的一小步，以及他们计划接下来引入的代理式AI能力。他们的经验共同提供了一个务实视角，展示组织如何从传统仪表板迈向更智能、AI驱动的业务运营。以下是每个团队正在做的事，以及他们计划将其带到何处。

京瓷：先打破孤岛，再引入AI

京瓷是一家日本跨国技术与电子制造商，凭借其著名的阿米巴经营模式发展壮大，各事业部自主运营。然而，随着时间推移，数据孤岛出现，使得跨事业部保持可见性变得越来越困难。为解决这一问题，公司计划在Snowflake中整合核心数据，并通过ThoughtSpot推出全公司范围的仪表板，目标是让从高管到前线的每个人都对业务拥有共同的图景。

目前，ThoughtSpot的使用集中在仪表板可视化和标准化报表上，AI功能尚未开启。两大挑战正在推动下一步行动。第一，数据素养差异很大，因此自主的数据使用仍局限于一小部分员工。第二，来自业务部门的仪表板请求持续攀升，IT资源因此捉襟见肘。

京瓷从这里走向何方？计划是引入Spotter，让任何人无论技能水平如何，都能自行向数据提问并获得可信答案，由SpotterModel在底层生成受治理的语义模型。与此同时，SpotterViz将主动呈现趋势和异常，让人们得以专注于解读和行动，而不是在数据中翻找。有AI支持的代理式分析意味着前线不再在IT队列中等待，而队列本身也会变短。

精工爱普生：仓库上的单一语义层

来自P OFFICE & HOME BUSINESS MANAGEMENT DEPARTMENT的Kohei Shimada接手了一个许多数据团队都会觉得熟悉的挑战。指标、关系和业务逻辑等语义定义在数据仓库和BI层两处重复维护。每次变更都需要在多个地方修改，用户往往要经历漫长的交付周期，才能等到新可用的数据到手。

Shimada先生的解决方案是直接从ThoughtSpot使用Snowflake Semantic Views。有了这一方案，语义层现在在仓库侧集中管理。可维护性得到改善，任何模型变更的影响范围也缩小了。他期望这能缩短交付数据的周期。

还有一个附带好处。由于Spotter现在直接从Snowflake获取语义上下文，用户从提问的那一刻起就能获得即时洞察。展望未来，路线图要求更快地向企业对企业部门交付新数据和用例，并在保持IT运维和维护负担较低的同时推出Spotter。

相铁商务服务：为更智能的面包生产提供咨询

相铁课长Shinsuke Horino分享了一个你能“尝到”的故事。作为其为面包品牌“Hayama Bonjour”持续开展的业务咨询的一部分，相铁帮助该团队采用ThoughtSpot，按产品、日期和时段可视化销售情况——让他们获得洞察，以便根据历史销售、降价频率和售罄数据调整生产计划。

成果已经体现在门店现场。生产量现在校准得更准确，降价也更容易追踪。团队曾经依赖直觉，现在则基于数字做决策，为更多全价销售开辟了具体路径，而利润真正就藏在那里。

此后的目标是AI驱动的需求预测。想象一个模型，纳入天气数据、本地活动、星期几、时段和降价历史，然后自动推荐最优生产量。相铁所追求的是：更高的全价售罄率、更少的缺货，以及整体上更精准的产品策略。

Trust Base：找出后台瓶颈

在金融服务领域，Trust Base将镜头转向内部，审视自身的后台流程。Takuto Yamamoto描述了分析交易日志和执行日志，以衡量各工作流的处理时间、停留时间、错误和返工。通过这一分析，团队可以看清哪些步骤适合自动化、哪些仍需人工判断，以及最大的改进潜力在哪里。

那么接下来呢？Trust Base希望让AI实现后台流程的自动化和工作流化，减少错误，同时在出现异常时加快根因分析。

山本将这一目标描述为一个“智能层”：这一层从可信数据中揭示异常和瓶颈，推荐下一步行动，并将结果反馈到业务系统和工作流中。信任贯穿于这一切之下，因为推荐的质量取决于其背后的数据。在受监管的后台办公环境中，从洞察到行动再到记录系统的这一闭环，正是效率提升不再停留在理论层面的关键所在。

为何这一跨行业阵容标志着代理式AI的下一步

仔细观察，一个模式便会浮现。每个团队都从可见性、仪表盘和可信数据入手，随后将目光投向能够推荐并采取行动的代理：SpotterModel用于大规模受治理的数据模型，SpotterViz用于可信的即时仪表盘，一个用于后台决策的智能层，以及一个由仓库管理的语义层为Spotter提供数据。这就是从BI迈向代理式AI的弧线，通过真实运营而非路线图幻灯片讲述出来。

ThoughtSpot评论员Mashi Yam以一个更宏大的理念收尾。他的框架是“数据变现”：即ThoughtSpot是帮助组织将数据转化为价值的平台，这也是向听众提出的一个问题——他们自己的数据究竟值多少。如果你的团队正坐拥尚未投入使用 的数据，这个问题会直击人心，而且它是一个值得带回你自己规划中的好问题。

对于业务领导者而言，实际好处是速度与信心，因为从高管层到一线的决策如今都建立在同一套可信数字之上。对于数据领导者而言，解读是以可控成本实现采用，因为受治理的语义层和自助式代理在扩大使用量的同时，将维护开销控制在合理范围内。两个群体看到的是同一个平台，却各自带着不同而具体的行动理由离开。

即刻开始，小步取胜：共同的启示

四个行业，四种运营模式，然而一个信息不断从台上浮现：即刻开始，小步取胜。这些团队没有一个等待完美条件。每个团队都选择了狭窄的范围，迈出了第一步，并在此基础上继续构建。

京瓷将这一点说得最为尖锐。助理经理Takayoshi Shibayama认为，最重要的一件事是在尽可能多的前线团队中创造“小型AI成功体验”，然后在内部分享这些故事。为何这一点如此重要？因为“AI真的奏效了”的体验会降低心理门槛，并激发下一步行动。

这一理念中蕴含着一个实用的设计教训。当AI出现在人们已经在使用的日常工具中时，它读起来像是帮助，而不是又一个需要配备人员和管理 的项目。这消除了心理障碍，更广泛采用的循环便开始自行转动。叠加小胜利并传播这种势头，而非追求一次大规模推广，是实现持久采用的最可靠路径。对于权衡治理、成本和风险的数据领导者而言，这是一条低戏剧性的路线：受控的范围、可衡量的证明，以及一个你的同行会想要复制的故事。

来自东京最清晰的信号是一个模式，而非单一的产品演示。四个团队，四个行业，一个可重复的动作：从小处开始，证明胜利，让故事带动下一个团队前行。代理式AI不会一步到位地到来，而这些前线正在展示它会逐步累积，一次一个自信的步伐。你的下一步也可以同样谦逊，也同样真实。

准备好看看在你的数据上第一个小胜利会是什么样子了吗？探索ThoughtSpot代理式分析平台，今天就着手规划你自己的“即刻开始、小步取胜”之路。