BI 和 AI 虽然长得挺像，但实际却没什么关系，完全不是一回事。
BI 的主要工作是查询统计，根据企业生产经营过程中产生的数据按照业务部门的查询需求进行统计分析，比如查询 2019 年各地区销售情况，今年和去年的销售额同期比，资产负债表等。
BI 主要是由数据仓库技术、报表技术、多维分析技术以及相当一部分可视化技术组成和实现的，其中数据仓库承担了大部分的计算工作，而数据库体系内并不涉及过于复杂的数学运算，因而在 BI 中的计算也很简单，对数学的要求也不高。
那 BI 到底智能在哪呢？
BI 的 I（Intelligence）主要表现在两个方面：
1.DashBoard
DashBoard（BI 仪表盘）可以将多项关键统计结果呈现在一个看板中，这样用户就可以快速的获取关心的各项数据，从而进行企业经营决策。DashBoard 这样“智能”的组织形式的确可以帮助用户，但这个特性是由其可视化能力带来的，本质还是业务可预见的查询统计。
2. 数据钻取
在 BI 系统中，当用户查询的某项汇总指标出现异常，或者不仅关心汇总结果还关心明细数据时，就会使用钻取来进行数据探查。实现汇总表（图）时在汇总结果上预置超链接，点击时将汇总值对应的维度传递给下级图表，直至最终的明细数据。这样我们就可以“智能”地从不同粒度来观察数据。虽然这仍然是查询统计的范畴，但已经具备一定的智能特点了，虽然很有限。
BI 的查询统计都是有明确需求驱动的，查询 / 钻取的结果也都是业务可理解的。换句话说，使用 BI 前要查什么用户是明确的，只是数据还不知道，那么就要有个系统来提供数据支持，不管查出来的数据长什么样（图 / 表 /DashBoard）用户关心的是自己“想看”的数据。所以我们说 BI 中 I（智能）的程度是有限的，甚至可以说并不很 I（智能）。
AI
AI 就完全不同了，相比 BI 对已知事物的查询，AI 要做的是对未知事物的探索，是预测。我们要通过 AI 寻找以往没有发现的事物之间的规律，相对 BI 来说 AI 就要 I（智能）得多得多了。AI 在实现过程中会应用大量高深的数学、统计学知识，分类、聚类、离群点分析等等这些算法是 AI 的核心，至于结果如何呈现倒是没那么重要（反正也不难）。如果不具备相应的统计学基础，没有实现、使用、优化这些复杂算法的能力，AI 是做不好的。
我们有时会听到 BI 产品宣传自己有 AI 的能力，通常会觉得高大上。不过细心一点会发现，这些基本都是噱头。主要因为现在 AI 比较热，又有很多开源包，这样把一些开源包集成到自己的产品里就可以宣称自己支持 AI 了，BI+AI 看起来似乎很美好。
不过，我们刚刚也讨论过，如果不具备相应的能力（统计学知识、算法）是搞不好 AI 的，可能训练出来的结果与真实情况相差十万八千里，如果根据这样的训练结果去做决策，风险可想而知。
当然，如果企业具备了相应条件（业务的迫切需要、数据的积累、数据质量的控制、人力财力、人员配置）尝试 AI 也无可厚非，但一定要集中精力去做，妄图在 BI 中捎带着实现 AI 的想法都是耍流氓。
如果有兴趣了解更多 BI 和 AI 的内容，可以参考下面这两门免费课程：