top of page

Databricks Genie 外掛將業務語境帶到競爭對手的 AI 助手

39 分鐘前
讀畢需時 11 分鐘

Databricks 於 11 月 11 日推出原生 Genie 整合,儘管四個 AI 環境的介面與工作流程彼此競爭,仍可帶來共享的業務語境。Databricks Genie 外掛將 ChatGPT、Claude、Microsoft Copilot Cowork 及 Grok Bot 連接至該公司的業務分析服務。這項公布把一個實際問題置於模型偏好之前:員工能否使用不同助手,卻不會對業務得出不同解讀?

這項底層連接早於公布本身。Databricks 在 9 月 22 日正式全面推出其 Genie One Model Context Protocol 伺服器。MCP 是一種連接 AI 應用程式與外部工具及資料的標準介面。11 月的改動是把這種存取方式封裝給指定助手使用,令分發與管理成為當下焦點。

核心競爭在於共享業務定義,還是在每個助手內部分別建立語境。Databricks 希望企業集中維護業務意義,同時讓員工選擇自己的工作環境。這種做法要求資料團隊建立權威定義,也要求應用程式擁有者在最終輸出中保留這些定義。

Databricks Genie 外掛封裝既有連接

這次推出改變的是員工使用 Genie 的方式,而非首次讓 Genie 連接外部代理。

Databricks 表示,其新的 Genie plugins 原生支援上述指定助手。其他代理可透過 MCP 伺服器連接。對於正考慮需要封裝整合還是自訂連接的企業而言,這個差異相當重要。

原生整合讓服務可在員工既有應用程式中佔據一個容易識別的位置,同時為管理員建立更清晰的部署路徑。然而,這兩項改動都不代表每個受支援助手的行為完全相同、產出同樣結果,或提供 Genie 的所有功能。

9 月公布的 Genie One MCP 已描述外部代理如何透過共享介面取得業務答案。當中亦引述 GetYourGuide 工程經理 Fenny Sanyoto 的客戶推薦。Sanyoto 表示,吸引之處在於可在員工偏好的工具之間維持分析品質。

這項推薦支持採用共同連接的理據,但並未證明 11 月點名的每個助手都具備可比較的準確性。買家應區分客戶報告的使用經驗,與涵蓋其自身資料、權限及任務的受控評估。

其商業意義在於分發。當員工能在自己撰寫文件、研究問題及協調工作的地方使用業務服務時,服務就更有價值。要求所有人轉到獨立的分析介面,會增加另一項採用決策。

對 Databricks 而言,即使另一家公司掌握員工主要的 AI 介面,這也提供了一條維持參與的途徑。助手處理對話與周邊工作;Databricks 則希望提供這些工作背後的業務解讀。

這項安排亦改變企業應比較的內容。一個技術上能接收問題的連接,與員工可發現、管理員可管理、審查者可檢視的整合,並不相同。除了底層分析能力,封裝方式亦值得評估。

因此,這項公布所傳達的訊息,比普遍 AI 互通性更狹窄但更實用。Databricks 正透過特定應用程式體驗,擴展既有服務的存取途徑。這是否能帶來一致的工作體驗,取決於連接成功後發生甚麼。

共享業務定義改變誰負責答案

共同語境服務將責任轉移至負責界定業務意義的團隊。

試想一個涉及財務、銷售及產品管理的假設性產品檢討。每個團隊都詢問其偏好的助手,客戶活動是否在某次發布後有所改善。他們都可存取合法紀錄,卻仍可能意見不一,因為他們對「活動」有不同理解。

產品管理或會關注有意義的功能使用;銷售或會聚焦於接近續約帳戶的活動;財務則可能需要與已確認業務表現相關的使用量。分歧在任何助手撰寫摘要前已經開始。

這就是為何單靠連接更多來源,無法解決分析問題。檢索決定哪些資訊可以取得;業務定義決定哪些資訊應納入計算,以及所得數字代表甚麼。

共享語境的方法承諾減少重複解讀。企業毋須向每個助手分別講解業務,而可建立一個權威參考。實際好處是減少不同應用程式所建立輸出之間的核對工作。

這項好處也為資料擁有者帶來工作。必須有人決定誰可認證指標、哪個版本仍屬最新,以及如何解決分歧。助手即使找到更多相關文件,也無法單靠此舉解決組織爭議。

對財務主管而言,壓力在於經批准的術語能否在財務報告以外保持一致。對產品團隊而言,則在於實驗定義能否與高層摘要相符。對企業技術團隊而言,問題在於應用程式選擇會否引入另一層業務邏輯。

共同服務令這些責任更清晰可見。若員工得到互相矛盾的結果,調查可詢問他們是否採用了不同定義、權限、報告期間或假設。若缺乏這種區分,每個差異都可能變成對模型品質的模糊爭論。

這種方法也改變應用程式擁有者展示價值的方式。如果文件中的數字事後仍需人工核對,即使文件精美也不足夠。有用的輸出,應是其解讀與組織已批准報告保持一致的文件。

這不代表每個團隊都應對每個問題獲得相同答案。不同職責可合理地採用不同衡量標準。目標是明確且恰當的差異,而不是藏在流暢文字背後、無法解釋的變化。

熟悉 個人知識庫 的讀者,會明白相關語境的價值。企業分析還有另一項要求:對影響他人決策的定義建立共享權威。

這為採購帶來實際挑戰。買家需要評估助手與其接收的業務語境之間的關係。只選擇對話應用程式,等於未審視分析可靠性的重要部分。

更廣泛的影響屬於組織層面,而不僅是技術層面。共享服務能有效分發已達成共識的意義,但無法在企業從未建立共識之處創造共識,也無法在欠缺問責擁有權下讓共識保持更新。

Genie 如何把業務解讀與工作助手分開

Databricks 在員工的助手與底層資訊之間,置入一項業務解讀服務。

Genie Ontology 是 Databricks 為業務概念、關係及來源知識提供的語境層。根據其 enterprise context layer 說明,該層結合經整理的定義,以及從企業資產學習而得的知識。公司表示,它會根據相關性及權威性為語境排序。

這項區分把已批准的定義,與僅僅出現在文件中的資訊分開。兩者都有助回答問題,但其權重不同。一份舊有規劃備忘不應自動凌駕於目前用作報告的指標。

Databricks 表示,Genie 可解讀業務術語、尋找獲准使用的資料,並產生 SQL,即用於查詢關聯式資料的語言,然後連同來源引用返回答案。這些是公司對機制的描述,而非獨立的準確性研究結果。

該架構把工作分為業務分析與周邊任務兩部分。外部助手仍負責產出使用者要求的內容;Genie 則提供助手可納入該工作中的業務資訊。

這種分工很有用,因為員工的要求往往結合分析與編輯決定。準備帳戶檢討包括挑選相關資訊、加以說明、按受眾編排,並決定哪些事項需要跟進。資料庫查詢只能處理其中一部分工作。

以假設性帳戶檢討為例,分析服務可確定適用哪一項使用量指標;工作助手則可將發現整理成簡報。最終審查者仍須區分已報告的衡量結果,與助手的解釋。

這正是該機制值得仔細留意之處。正確檢索到的結果若在摘要時缺乏範圍說明,仍可能造成誤導。文件可能遺漏報告期間、混淆帳戶與使用者的分別,或把關聯關係表述為因果關係。

共享定義可減少一項變異來源,但無法消除其後的每一次轉換。最終應用程式仍會選擇措辭與重點。因此,評估應追蹤證據至完成的成品,而非停留在返回的分析答案。

對於詢問 Databricks Genie 如何運作的開發者而言,這種分工比「外掛」標籤更具影響力。整合連接的是職責不同的服務。了解每項職責從何開始,會令故障更容易調查。

它亦為比較這種部署中的 ChatGPT、Claude、Microsoft Copilot Cowork 及 Grok Bot 提供更精確的基礎。買家可檢視每個應用程式如何使用返回的證據,而毋須假設其推理或文件處理行為完全一致。

分析問題變成:助手在完成任務時,是否保留業務意義?其摘要有否保留令原始答案準確的限定條件?建議是否與支撐它的資訊清楚分開?

這些問題讓討論聚焦於實際的架構選擇。Databricks 提出在多元工作環境中共享業務解讀。其價值取決於能否在交接過程中維持這種解讀,而不只是讓交接得以進行。

一致存取不保證一致結果

共享來源改善比較的基礎,但不會令每個客戶端體驗都完全等同。

MCP Apps extension 讓服務可在支援的 AI 應用程式內回傳互動式介面。其文件說明了嵌入對話中的視覺化內容及其他控制項,並明確指出不同客戶端的主機支援程度有所差異。

這項條件限制了買家可從插件公告中推斷的內容。文字回答、來源連結與互動式圖表,分別滿足不同的審閱需要。支援底層連接,並不代表每個應用程式都會以相同方式呈現相同證據。

當用戶調查某個結果時,這項差異尤其重要。互動式檢視或可讓審閱者直接查看細分資料;文字回覆則可能需要追問或前往其他位置瀏覽。兩種格式本身都不能證明結果正確,但各自會改變人們檢查答案的難易程度。

因此,企業應評估其實際環境中可用的體驗。在某個助理中的示範,不應變成對另一個助理的假設。產品名稱只標示受支援的目的地;它們不能取代能力評估。

來源一致性與輸出一致性之間亦有分別。共用的業務定義可以約束一個數字所代表的意義,但不能完全決定助理接下來會提出哪些問題、強調哪些證據,或以多大信心撰寫內容。

審慎的應用程式可能會在證據仍不完整時停止。另一個應用程式則可能根據相同材料產生更完整的敘述。這些差異會影響員工在依賴結果前,是否能辨識當中的不確定性。

發布示例說明的是可能的工作流程,而非經量度的生產力成果。Databricks 描述助理在準備分析、文件及活動建議時運用業務情境。該公告並未證明可普遍縮短審閱時間,或全面改善決策品質。

這個證據缺口應影響採用時的表述方式。公司可以合理測試這些整合是否減少對帳工作,但不能把公告本身視為其報告流程必然變得更快或更準確的證明。

有效的評估應將完成的輸出與已接受的業務參考標準作比較。審閱者應檢查所選定的定義、相關範圍、支持證據及最終詮釋。吸引的格式應與分析上的接納分開處理。

同樣的方法有助區分合理差異與錯誤。擁有不同存取權限的用戶可能會得到不同結果。應用程式應清楚傳達這項限制,避免管理人員把受限的可見性誤認為完整的組織全貌。

這些分別令承諾更具體。目標是在不同應用程式之間提供可靠的業務情境,並清楚呈現其界限。相同措辭、通用圖表支援及自動正確性,都是需要獨立證據支持的不同主張。

權限保障擷取;審批管治後續行動

擷取資訊的權限與就該資訊採取行動的權限,始終是兩項獨立決定。

Databricks 的 Genie server documentation 指出,Unity Catalog 權限適用於請求。Unity Catalog 是該公司的資料及 AI 資產管治系統。文件亦說明先由管理員完成設定,然後由個別用戶登入。

這些控制措施確立誰可以透過服務取得資訊,但不會自動授權該資訊的所有後續用途。能夠讀取帳戶分析的助理,在分享分析或變更營運系統前,仍需要適當控制。

當任務跨越多個應用程式時,這項分別便顯得重要。準備內部簡報與向客戶發送簡報並不相同;建議修改活動與實際執行修改亦不相同。正確的分析不會消除與下一項行動相關的審批要求。

獨立的安全指引亦強化這種分隔。OWASP 的 MCP security guidance 建議採取有限權限、監察及敏感操作控制,亦指出提示注入——嵌入 AI 處理材料中的惡意指令——是一項風險。

該指引針對一般 MCP 部署,並非某項 Genie 整合存在特定缺陷的證據。其相關性在於架構層面:將分析資訊連接至其他工具,會擴大企業必須管治的決策範圍。

以假設的客戶通訊為例,審閱者應能檢查預定收件人及實際內容。批准一項分析,不應默默批准向外部發送。同樣地,批准一項建議,也不應授權在其他地方作出無關變更。

當一個工作助理結合多個來源的資訊時,這點尤其相關。個別獲准使用的事實,在拼合成更廣泛的帳戶圖像後可能變得敏感。資料存取規則與通訊政策,處理的是該情況的不同部分。

合適的回應是審慎設計任務。企業可界定哪些輸出只保留為草稿、哪些行動需要審閱,以及哪些操作只獲有限授權。這些選擇應由周邊系統強制執行,而非留待對話中的保證處理。

插件公告亦留下實際效能問題,供買家調查。終端用戶體驗的是整個任務,包括擷取、分析、文件建立及審閱。只評估初步回覆的速度,可能掩蓋真正耗時的環節。

故障處理同樣值得注意。如分析請求失敗,工作助理不應悄悄以貌似合理的估算取代缺失結果。只要清楚識別尚未解決的部分,不完整的答案在營運上仍可有用。

因此,可審閱性是產品實際價值的一部分。員工需要理解系統找到甚麼、推斷了甚麼,以及打算採取甚麼行動。這種清晰度令人工監督比單靠最終的批准按鈕更具意義。

最有力的採用理由,應在整個工作流程中保留這項分別。共用業務情境支援分析;應用程式控制管治其使用;對於令組織作出承諾或披露其資訊的決定,仍由具問責性的人員負責。

未來一季買家應留意甚麼

下一批證據應展示部署可靠性、分析一致性,以及在實際工作中受控的使用方式。

第一個訊號,是企業能否在其選定的應用程式中可預測地部署這些整合。買家應尋找有關支援體驗、管理員責任及連接要求的清晰文件。這將加強以下論點:原生封裝可減少接達 Genie 所需的工作。

成功部署亦應令限制條件易於理解。員工應知道何時取得文字回覆、何時可使用互動式檢視,以及可在何處查看支持材料。可發現性相當重要,因為未被使用的分析存取權幾乎不會帶來實際效益。

若組織在一般使用情況下仍需進行大量自訂工作,分發優勢便會削弱。底層服務仍可能有用,但原生封裝的價值需要以較狹窄的方式說明。因此,安裝成功應與分析表現分開評估。

第二個訊號,是業務含義是否能在不同助理輸出之間保留下來的證據。買家應尋找涵蓋已接受定義、變動報告期及擁有不同權限用戶的評估。有用的比較在於詮釋是否正確,而非回覆聽起來是否相似。

這正是未來客戶報告可在發布示例以外增加份量的地方。可信的說明應交代團隊評估了甚麼、系統在哪些地方遇到困難,以及審閱者如何處理例外情況。它應區分減少對帳工作與單純更快產出文件。

一致詮釋的證據將支持 Databricks 的共用情境論點。分析交接後若反覆出現差異,則會削弱該論點。任何一種結果,都有助企業識別其餘工作涉及定義、應用程式行為,還是兩者兼有。

第三個訊號,是工作流程走向營運行動時,組織是否仍保留有意義的控制。買家應檢視審批是否涵蓋實際收件人、內容及擬議變更,也應詢問不完整的分析結果是否可靠地阻止缺乏支持的行動。

這些證據會把發布內容連接到員工最終需要完成的工作。附有引用來源的答案固然有價值,但業務工作流程亦需要適當目的地、清晰的決策負責人及易於理解的紀錄。這些周邊控制決定部署可被信任的廣度。

對已使用 Databricks 的企業而言,眼前的機會是圍繞一項重複出現的業務問題,集中評估 Databricks Genie plugins。評估應包括完成的成果及其審閱流程。單靠對話式示範,核心承諾大致仍未經測試。

先從團隊現時已經手動對帳的一項業務問題開始,然後比較員工實際使用的不同助理所產生的完成答案。讓審閱者可取得已接受的定義及報告範圍。要求他們區分擷取到的事實、詮釋及擬議行動。記錄不確定性在哪裡消失、證據在哪裡變得較難檢查,以及在哪裡需要額外審批。若你面對的更廣泛挑戰涉及整理工作知識,個人情境與共用權威之間的分別亦值得注意。有用的問題是:Databricks Genie plugins 是否能協助你的組織,從原始問題一直到最終決定,保留業務含義?哪一項重複出現的決定最能為你的團隊提供清晰證據?

 
 

為每個智能代理提供更完整的背景,提升工作表現

讓智能代理連接 remio 已整理好的知識、決策和歷史紀錄。

remio 目前支援 Windows 10+(x64) 及配備 Apple 晶片的 Mac。

你的 AI 工作夥伴
和 remio 一起高效工作

規劃、創作、交付
一站式完成

bottom of page