八家SaaS公司嵌入式AI分析实践：三个月上线对话式分析

值得关注的顶尖公司：2026 年秋季

智能体式 AI 改变了产品团队可以构建的东西。但在追逐每一个 AI 驱动的功能之前，获胜的团队正在退后一步，问自己可以创造什么来为他们的业务和客户带来有意义的改变。

那些专注于创造真正优势的人，将利用 AI 的力量推动自己向前。

对于 SaaS 产品领导者来说，分析是这个问题最先受到检验的地方。你的客户现在期望在你的产品内部对数据提出问题并得到答案，而不是导出 CSV 或翻查静态仪表板。AI 演示让这看起来很容易。交付它只是开始。

治理、安全、查询性能、幻觉管理和规模都将由你负责，而这份永久的所有权会让你最优秀的工程师远离那些让你的产品与众不同的工作流和体验。与此同时，积压不断增加，成本攀升，客户的期望持续上升。

这里的八家公司走了另一条路。他们没有构建和维护自己的分析层，而是决定只专注于他们应该专注的东西：他们的数据、他们的领域逻辑和他们的客户体验。然后他们嵌入 ThoughtSpot 来处理其余部分。结果是在他们自己的产品中实现了对话式、智能体式分析，快速呈现在客户面前，并为每天使用它的人提供了更锐利的产品。

Endpoint Clinical：在三个月内弥合嵌入式分析的收入差距

Endpoint Clinical已在 90 多个国家开展了大约 2,500 项临床试验，而试验供应可能占试验预算的 10% 到 30% 甚至更多。做好分析具有真实的财务后果。然而 15 年来，内部构建它意味着不断累积的维护负担。

产品副总裁 Jeff Rubinson直言不讳地谈到了这让团队处于什么境地：

“作为产品领导者，我总是说有几件事你不应该在内部做。其中之一就是分析。”—— Jeff Rubinson，Endpoint Clinical 产品副总裁

Endpoint 选择购买而非自建。它于 2025 年 12 月与 ThoughtSpot 签约，并于 2026 年 3 月推出了 Elo AI，实施工作投入了大约 1.5 个全职资源。

Elo AI 为临床试验管理者提供针对其供应链数据的对话式 AI、用于复杂调查的深度分析模式，以及将洞察直接与决策联系起来的建议。Rubinson 这样简单地描述客户反应：

“当我们演示这个解决方案时，对某些客户来说几乎就像魔法一样。”

他给其他产品领导者的建议是专注于核心能力，让专家处理其余部分，因为分析“不是一次性实施。它是一种生活方式。”

onlyfy by XING：提问而非等待的招聘人员

onlyfy by XING是一个数字化招聘和人才获取品牌，管理完整的招聘旅程，并依托 onlyfy 报告的在 DACH 市场拥有 2100 万份个人资料的 XING 人才库。随着产品增长，其分析野心开始与其对招聘的核心关注相竞争。

onlyfy by XING 产品总监 Anastasia Koneva 直白地描述了这一岔路口：

“随着我们的产品增长，开发速度放缓，我们不再能像客户需要的那样快速推进。到了某个时刻就很清楚：我们不想成为 BI 供应商。我们想专注于我们最擅长的事，那就是招聘。”—— Anastasia Koneva，onlyfy by XING 产品总监

因此 onlyfy 做出了自建还是购买的决策，并清晰地划分了职责。Snowflake 承载数据基础。在其之上，带有 Spotter 的 ThoughtSpot Embedded 提供 AI 分析和智能体体验。Onlyfy 保留领域层：KPI 定义、语义上下文和招聘逻辑。

在这种划分之上，团队将 Spotter 嵌入到 Mira 中，Mira 是一个原生存在于 onlyfy 平台内的 AI 智能体。招聘人员现在用自然语言提问，例如漏斗表现如何或候选人在哪里流失，Mira 用可视化给出答案。无需单独登录，无需新工具，也无需 SQL。引导式提示为非技术用户提供了起点，因此分析发生在招聘工作流之内，而不是之后。

上线后三个月内，采用数字迅速增长。Onlyfy 报告称有超过 850 家客户使用新体验，通过 Mira 提出了超过 1,000 个问题。在同一窗口期内，用户创建并分享了超过 35,000 个 liveboard。Koneva 将这种参与度视为真正的信号：

“当客户开始提问而不是浏览静态仪表板时，某种根本性的东西就发生了变化。对我们来说，Mira 正在发挥作用的最清晰迹象是参与深度。人们直接探索他们的数据，而不依赖手动报告或 Excel 变通方法。”

商业回报也同样存在。Onlyfy 表示其销售对话已从演示申请人跟踪软件转向关于更快、更好招聘决策的战略讨论。

Zencargo：将货运数据变成你口袋里的分析师

Zencargo是一家数字货运代理公司，处理的是同一问题的另一种版本。它通过海运、空运、公路和铁路运输货物，但其真正的优势在于这些运输背后的数据。所有这些数据来自数百个 API，被拼接成客户可以真正提问的东西。

该公司 CRO Sam Greenhalgh 称早期供应链洞察是“企业超越竞争对手的头号杠杆”。

为了弥合问题与答案之间的差距，团队构建了Ask Luca，这是一个嵌入式助手，他们称之为“你口袋里的分析师”。Zencargo 从数据加可视化转向数据加大脑加可视化。那个大脑是一个语义层，编码了运输上下文、绩效、风险和机会。ThoughtSpot Spotter处理顶层的自然语言层。

由于该模型具有主动性，Ask Luca 会主动呈现机会、风险和决策，而不是被动等待提问。Zencargo 将目标描述为把“如果……会怎样”转变为“接下来做什么”。分析层成为了留存引擎，客户成功团队也从战术性的 KPI 读数转向根因策略。

采用情况也印证了这一点。Ask Luca 于 10 月推出，Zencargo 表示已有 100 多家客户迅速采用，后续模型还有等候名单。内部约有 150 人每天在日常工作中使用 ThoughtSpot。Greenhalgh 直言其粘性：

“我们成了自身成功的受害者；客户对 Luca 上瘾了。”—— Sam Greenhalgh，Zencargo 首席营收官

他的自建与合伙伴策略是数据领导者会认同的经验。真正的护城河是数据，而不是可视化。因此 Zencargo 构建并拥有自己的实时数据平台，而 ThoughtSpot 拥有其上的分析层。展望未来，Ask Luca 2.0 的路线图将超越单纯回答，进而权衡过往决策、供应链信号和外部事件，以推荐下一步行动。

ASK BOSCO®：将嵌入式分析从数周扩展至数分钟

ASK BOSCO®，一个营销和电子商务分析平台，面临的是规模化问题而非起步问题。它需要嵌入式分析，能够服务数百个客户，而无需为每个账户配备一个 BI 团队。据创始人 John Readman 所说，缺口从来不是仪表盘不足：

“仅仅拥有更多仪表盘的访问权限并不是答案。答案是让你以可访问的格式获得你所想问问题的答案的洞察。”—— John Readman，ASK BOSCO® 创始人

在最终选择 ThoughtSpot 之前，团队考察了市场。Readman 表示，Looker Studio 和 PanIntelligence 缺乏他们想要的扩展性和稳健性，而 Tableau 的商业模式不适合他们的增长计划。ThoughtSpot 的技术、灵活的许可和路线图让他们能够快速引入客户。

成果是由 Spotter 驱动的 ASK BOSCO® AI Analyst。CEO 和 CMO 等非技术用户可以在会议期间通过自然语言搜索获得答案。ASK BOSCO® 将回答重要业务问题的时间从数周缩短至数分钟，并将 嵌入式分析 扩展至数百个客户。

Gallus Insights：两百个仪表盘，一个问题

Gallus Insights 为企业抵押贷款机构和贷款服务商构建分析，这是一个拥有巨额贷款组合和极薄利润率的行业。其客户已在数据基础设施上投入数百万美元，但日常运营业务的人员仍然无法获得答案。Gallus 的创始人兼 CEO Augie Del Rio 描述了真正的问题：

“拥有 200 个仪表盘并不意味着你拥有太多信息；这意味着你在问题与答案之间存在太多摩擦。”—— Augie Del Rio，Gallus Insights 创始人 + CEO

Gallus 基于 Snowflake 构建以实现性能、安全性和规模，并将 ThoughtSpot 直接嵌入 Gallus 应用程序。贷款官员和运营负责人现在用通俗英语输入问题，例如本季度的拖欠率与去年相比如何。

正如 Del Rio 所说：“如果你会用 Google，你就会用 Gallus。”Gallus 报告性能提升 10 倍并降低了数据成本，过去需要数分钟的查询现在几秒钟就能返回。

ThoughtSpot 的 语义层 使这种信任成为可能。Gallus 用它把复杂的抵押贷款业务逻辑转化为关于贷款账龄、瓶颈和损益影响的有治理的答案，而 Del Rio 警告说，大多数公司低估了建模工作。

回报体现在行为上。客户从等待两周的数据请求，转变为管理者每天自行提出数十个问题。

ELMO Software Group：终结 HR 团队的电子表格地狱

当 CTO Josh McKenzie 评估 ELMO 的内部分析时，他看到了一堵墙。自研工具要求过多专业知识，使 HR 团队陷入“电子表格地狱”，并等待分析师提供本应即时获得的答案。

他的解决办法不是教非技术用户数据建模。ELMO 与 ThoughtSpot 合作，通过自然语言弥合这一差距，使用户能够在自己的工作流中查询数据。McKenzie 指出 Spotter 是决定性因素：

“对我们来说最重要的是 Spotter 产品。让用户弥合数据分析师的差距非常重要。因此，该产品为我们带来了非常非常出色的成果。”—— Josh McKenzie，ELMO Software Group 首席技术官

通过嵌入 Spotter——ThoughtSpot 的 AI 分析师——ELMO 消除了传统报告的摩擦。HR 团队现在可以按需交叉引用薪资、基准和绩效数据，而无需分析师为他们解读。

McKenzie 还在 The Data and AI Chief 播客的一期节目中分享了他关于自建与购买的思考、关于将每个角色映射到围绕 AI 代理重建 ELMO 工程生命周期的想法，以及为什么领域专业知识仍然是 SaaS 公司的护城河。

面向产品领导者的代理式分析模式

在八家截然不同的企业中，同样的建议反复出现：

• 决定哪些只应由你构建。 在分析层与领先的分析提供商合作，并将你的工程时间花在只有你的团队才能构建的领域上下文上。
• 激发好奇心以推动采用。 让你的客户从阅读仪表盘转向用自己的话提问。
• 将治理保留在语义层中。 这样自助服务就能在不放弃信任或控制的情况下扩展。
• 衡量参与度，而非产出。 跟踪提出的问题和重复使用情况，而不是交付的仪表盘数量。
• 衡量业务影响，而不仅仅是使用情况。 将分析追溯到一项决策、一种行为变化或新收入。
• 安排路线图的顺序。 从今天的有治理答案，迈向下一步经人工批准的代理式行动。

如何构建让你与众不同的东西

在 Endpoint Clinical、onlyfy、Zencargo、ASK BOSCO、Gallus Insights 和 ELMO 这些公司中，贯穿始终的是同一个决策：要构建什么，以及要把什么留给别人去做。当产品团队不再自己拥有分析层时，他们就能重新拿回自己的路线图，并更快地为客户提供更好的体验。

如果你的团队正在权衡要构建什么、要嵌入什么，下一步就是亲眼看看它在实践中如何运作。参加一场每周实时小组演示，亲身体验 ThoughtSpot Embedded 的实际效果。

产品负责人的常见问题

从仪表板转向对话式分析，对我的产品意味着什么？

你的客户不再需要在预先构建的视图中翻找，而是可以在你的产品内用自然语言直接提问。仪表板展示的是某人在上个季度决定制作成图表的内容，而对话式和智能体分析则让你的客户自己提出下一个问题。他们可以一个问题接一个问题地持续追问，无需提交支持工单，也无需等待你的团队再构建一份报告。

你应该自己构建分析层，还是与合作伙伴共建？

这里提到的公司最终都选择了与合作伙伴共建，而且他们的理由是一致的。你的差异化优势存在于你的数据和领域语境中，而不是在图表库或查询引擎中。Endpoint Clinical 在与 ThoughtSpot 合作之前，花了 15 年尝试在内部构建分析能力。ELMO 的 CTO 权衡了同样的两难选择，最终选择与合作伙伴共建。Onlyfy 和 Zencargo 保留了对自己数据和语义的所有权，然后与合作伙伴共建分析与智能体层，以便工程师能够继续专注于产品。

产品团队仍然应该自己构建什么？

让产品变得不可替代的那一层：行业专业知识、领域逻辑和专有工作流。Onlyfy 保留了自己的招聘逻辑，Zencargo 保留了自己的运输语境，Gallus 保留了自己的抵押贷款业务规则。你的客户所交互的 AI 原生体验，以及其下的治理、安全和性能基础，更适合嵌入而不是自建。

如何在不失去治理的情况下推动自助式采用？

将治理放在语义层中，而不是放在访问限制中。当 KPI 定义、指标和业务语境存在于一个受治理的模型中时，每个答案都能追溯到相同的可信逻辑。引导式提示也有帮助，它为非技术用户提供了一个安全的起点，而不是一个空白的搜索框。

智能体分析工具如何保持答案的可信度？

它们将回答建立在你的实时、受治理的数据模型之上，而不是根据文档进行猜测。其回报是一个不仅看似合理，而且确实正确的答案。