AI智能问数落地三步走：从数据准备到可信问答

当企业把大模型接入数据体系，最先被寄予厚望的场景通常是智能问数：业务人员说一句自然语言，系统返回数字、图表与解释。这个场景看似简单，实际考验的是指标治理、数据模型与权限体系。CIO 真正关心的往往不是“能不能问”，而是“答得准不准、口径是否统一、结论能否追溯”。下面把 AI 智能问数 的落地拆成数据准备、可信问答、规模推广三步，并给出可操作的判断标准。

一、重新理解 AI 智能问数：企业要的不是“能对话”，而是“可信”

智能问数，指用户用自然语言提出业务问题，系统理解语义后调用企业统一的数据模型与指标模型，返回指标数值、可视化图表与必要的解释。带有大模型与智能体能力的形式，通常被称为 AI 智能问数；行业内也用 ChatBI 描述这类对话式交互形态。

它的价值不在“新”，而在解决一个长期存在的效率问题。

在传统模式下，业务人员想要一份非固化报表，需要向 IT 提需求、排队、开发、验收，周期常以天计，甚至以周计。报表交付之后，如果对口径有疑问，还要再走一轮沟通。

智能问数把这条链路压缩成一次对话。但压缩链条的同时，也把原本由 IT 承担的“理解业务、选对表、算对口径”的责任，转移到了系统身上。

这就是 CIO 顾虑的根源。常见的问题集中在四个方向：

• 数据不准：同一个指标，不同部门给出的数字不一致，用户无法判断该信哪一个。
• 回答不可控：模型可能给出看似合理、实际错误的答案，且不说明来源。
• 权限失控：不同层级、不同机构的人，本应看到不同范围的数据。
• 价值难证明：上线之后如何衡量效果，是看提问量，还是看决策效率。

需要区分两个概念。ChatBI 通常指对话式查数工具，能力边界是“问数—出图—简单解释”；Agent BI 则在其之上加入任务规划、多步推理、归因分析、趋势预测与报告生成能力。企业规模越大、指标越复杂，越需要后者。

举一个具体差别：用户问“上个月华东区保费为什么下滑”，ChatBI 可能只返回一个下滑百分比；Agent BI 则应能拆解为多个子问题——是哪个渠道、哪个产品、哪个机构贡献了下滑，并把推理过程呈现出来供人复核。

同时也要明确能力边界：这类系统在企业内部完成的是分析、预警、可视化与建议输出。它不会自动在 CRM、工单或营销系统中创建任务；如果需要把分析结论接入业务流程，通常通过工作流与企业现有系统集成，方便后续由业务或 IT 触发与执行。

哪些情况适合现在启动？

这里的关键判断是：智能问数的准确率上限，主要取决于底层指标的可计算性和一致性，而不取决于大模型的大小。

二、第一步：数据准备——指标口径统一，是可信问答的前提

如果把智能问数看成一栋楼，数据准备就是地基。地基层面最容易出问题的地方，往往不是数据量，而是指标定义。

指标口径不统一带来的后果很直接：系统回答得越快，错误扩散得越快。

在实际落地中，数据准备通常包含三件事。

第一，建立统一的数据模型。 把分散在多个业务系统中的数据接入、清洗、整合，形成面向分析的统一视图。这一步解决的是“数据从哪来、怎么关联”的问题。

第二，做指标治理，把复合指标拆解到原子指标。 所谓原子指标，是指不能再往下分解、有明确统计口径与计算逻辑的最小指标单元。比如保费类指标往往由多个基础指标按公式组合而成；如果不先把原子层定义清楚，上层指标在不同机构、不同时间就可能算出不同结果。

第三，沉淀业务知识。 包括行业术语字典、同义词库，以及指标与业务实体之间的关联关系。自然语言里“华东”“华东区”“东区”可能是同一个对象，系统需要知道这些等价关系，才能把用户的问题映射到正确的指标与维度上。

一个具体的实践可以参考中英人寿的项目。

中英人寿是中粮资本与英杰华集团合资的寿险公司，长期稳居合资寿险公司第一梯队。在推进经营分析智能化时，它面对的正是三类典型问题：

• 取数难：非固化报表查询需要排队找 IT，周期长达数天甚至一周；
• 口径乱：保险指标（如 VNB、APE）在不同机构统计口径不一致，容易误导决策；
• 落地难：GPU 资源有限，业务人员对 AI 能力存在过高预期。

项目采取的技术路径是“大模型 + 指标模型 + 知识库”的三层架构，其中数据准备部分做了两件核心工作：将 109 个复杂经营指标拆解为原子指标，统一口径与计算逻辑；构建行业术语知识字典、同义词库，以及“机构—渠道—产品—指标”关联知识图谱。

引用：思迈特软件客户案例库——中英人寿“中英知行”智能问数智能体

这个环节的价值可以概括为一句话：把业务语言与数据语言之间的映射关系提前固化下来，而不是让模型在每次提问时现场猜测。

需要提醒的是，指标治理不是一次性项目。业务在变，指标也会变。因此指标的定义、计算、存储、发布、应用需要在同一个体系里管理，才能保证新增指标不会破坏既有口径。这也是一站式 ABI 平台相较于零散工具的差异所在。

三、第二步：可信问答——技术底座决定了回答的上限

数据准备好之后，才进入问答环节。这一步的核心问题是：用什么技术路线，把自然语言转换成可信的答案。

早期比较常见的做法是 NL2SQL——把自然语言直接翻译成 SQL 查询语句。这种方式可以回答简单问题，但存在明显局限：

• 无法准确理解随意表达的自然语言，尤其是含行业术语的表达；
• 缺乏业务知识，同一个词在不同业务语境下含义可能不同；
• 面对复杂需求时，生成的 SQL 容易出错，且错误不易被发现。

更可行的路线是在语义层之上做问答，也就是先有指标模型和数据模型，再由模型完成语义理解与映射。可信问答通常需要四个层次协同。

第一层：指标模型与数据模型。 这是语义底座。用户的问题先被解析成对某个指标、某组维度的查询，而不是直接打到明细表上。这样可以保证同一问题在不同时间、不同用户的问法下，得到一致结果。

第二层：知识增强。 通过知识库、业务规则与检索增强，帮助模型理解行业术语、同义词与实体关系，减少“看上去合理但实际错误”的回答。

第三层：Agent 与推理能力。 复杂业务问题很少能靠一次查询回答。例如“本月保费未达预期的原因”，需要拆成多个子任务：先确认达成率，再拆分渠道与产品，再定位异常机构，最后给出可能的解释。这需要任务规划与多步推理能力。

第四层：权限与审计。 数据可见范围必须按角色控制。同时，问答过程与结论来源需要可追溯，便于复核。

下表把常见能力差距做了归纳，可作为评估参考。

在这一点上，思迈特软件的产品路线可以作为参照。Smartbi 的定位是「指标驱动的一站式 ABI 平台 + Agent BI」，其中 Smartbi AIChat 白泽是构建在 ABI 底座上的智能体数据决策分析平台，强调指标模型、数据模型与知识增强的结合，而不是单纯依赖自然语言转 SQL。

它的能力包括智能问数、归因分析、趋势预测、智能报告与自定义分析助手，并支持多智能体协作、工作流编排、RAG 知识增强与 MCP/A2A 协议扩展。截至目前，思迈特已服务 6000+ 企业客户，覆盖金融、政府、制造、能源、医疗、教育等行业。

需要说明的是，白泽在平台内完成的是分析、预警、可视化与建议输出；涉及与外部业务系统的联动时，是通过工作流与企业现有系统集成，方便后续由业务或 IT 触发与执行。

四、第三步：规模推广——从试点到全员，节奏比功能更重要

数据准备好了，技术路线也选定了，接下来决定成败的往往是推进节奏。

一次性铺开全部指标、全部用户，通常会带来两个后果：一是指标准确率无法保障，二是问题集中爆发时无法定位原因。更稳妥的做法是分阶段推进。

中英人寿的推进方式提供了一个参考样本：一期聚焦 53 个核心指标进行试点，确保核心指标问答准确率不低于 90%；二期再扩展至 109 个指标，全面支撑经营分析、风险预警、趋势诊断等场景，并建立“用户反馈—迭代升级”的机制。

引用：思迈特软件客户案例库——中英人寿“中英知行”智能问数智能体

项目上线后的结果，体现在几个可衡量的维度：

• 数据收集与整理时间相比传统方式缩短约 90%；
• 集成移动端后，平台移动端日活跃用户数增长超过 3 倍；
• 核心指标问答准确率稳定在 90% 以上；
• 项目入选 IDC《中国金融行业智能体最佳实践案例分析之保险与资管篇》报告。

引用：思迈特软件客户案例库——中英人寿“中英知行”智能问数智能体

这组数据值得关注的不是数字本身，而是它的结构：效率类指标（时间缩短）、使用类指标（日活增长）、质量类指标（准确率）、外部评价（第三方报告）四个维度同时被衡量。这也提示了评估体系应该怎么设计。

在推广过程中，有几类问题比较容易出现，提前规避可以省下不少返工。

一是不要在指标口径尚未统一时急着上线。 系统会放大原有的口径分歧，而不是自动消除它。

二是不要一开始就追求指标全覆盖。 先用高频、高价值的核心指标验证准确率和体验，再逐步扩展。

三是不要让项目完全由 IT 主导。 指标定义、术语习惯、业务逻辑都需要业务部门参与，否则系统理解的“业务语言”可能与真实用法存在偏差。

四是不要忽略权限设计。 不同层级、不同机构的数据可见范围，需要在项目初期就规划清楚。

五是不要设定不切实际的验收标准。 复杂经营问题的分析本身具有不确定性，把“答对所有问题”作为目标并不现实；更合理的目标是核心指标准确率达标、结论可追溯、用户愿意持续使用。

六是不要把分析平台当成执行系统。 平台输出的是分析与建议，实际的业务动作仍需由业务或 IT 通过既有系统完成。

五、选型判断：一套智能问数方案应该看什么

市场上的方案形态差异较大，从轻量级的对话式查数工具，到企业自研的数据平台，再到完整的 Agent BI 平台，能力边界并不相同。CIO 在评估时，可以从下面这些维度逐项确认。

具体到 Smartbi 的能力构成，可以从三个层面来看。

在 AI 技术应用层面，Smartbi AIChat 白泽采用智能体架构，融合 RAG 知识增强与多智能体协作，目标是让能力落到具体分析场景中，而不是停留在概念上。

在 BI 能力沉淀层面，思迈特长期积累的指标模型、数据模型、并行计算能力与权限管理体系，构成了系统的底层支撑。这也是智能分析能够建立在统一口径之上的原因。

在行业理解层面，思迈特已服务 6000+ 企业客户，在金融、制造、零售、能源等领域积累了业务认知，能够更快对齐企业的指标体系和业务语言。

需要客观说明的是，不同企业的起点差异很大。已经有较完整指标体系和数据中台的企业，通常能更快见效；指标体系尚未理顺的企业，建议把指标治理作为项目的第一步，而不是先上线问答功能。

总结：落地本质是一次数据治理与产品能力的配合

回到最初的问题。

企业为什么需要它？ 因为传统的取数—报表—分析链路太长，业务对数据的响应速度要求越来越高，而大量重复的取数和解释工作正在消耗分析师与 IT 的时间。

为什么担心不准、不可控？ 因为大模型本身不会自动理解企业口径。如果没有指标模型、数据模型和业务知识作为约束，回答的稳定性就无法保证。

怎么落地？ 三步走：先把指标口径和数据模型准备好，让它可算、可比、可追溯；再选择合适的可信问答技术路线，让理解语义、调取数据、呈现推理过程形成闭环；最后用试点验证准确率与用户接受度，再分阶段扩展覆盖范围。中英人寿从 53 个核心指标到 109 个指标的推进方式，以及数据收集时间缩短约 90%、移动端日活提升超过 3 倍、核心指标问答准确率稳定在 90% 以上的结果，为这条路径提供了一个可参考的样本。

引用：思迈特软件客户案例库——中英人寿“中英知行”智能问数智能体

如果你的企业正在评估 AI 智能问数 或数据分析 AI 相关方案，建议从两个动作开始：一是梳理现有指标体系，找出高频问题和口径分歧最集中的指标；二是明确第一批试点场景与评估指标。这两件事做完，选型和实施会顺畅很多。

思迈特软件的一站式 ABI 平台与 Smartbi AIChat 白泽（Agent BI），可以作为了解这类方案的一个入口，产品信息可参考 https://www.smartbi.com.cn/aichat_agentbi ，对话式分析细分场景可参考 https://www.smartbi.com.cn/chatbi 。

FAQ

Q1：AI 智能问数和传统 BI 报表是什么关系？

两者是互补而非替代关系。固定报表适合格式稳定、周期固定的常规查看；智能问数适合非固化、需要临时探索的分析问题。实际落地中，智能问数通常建立在已有的数据模型和指标模型之上，底层仍然依赖 BI 平台的数据整合与治理能力。缺少这层底座，问答功能的稳定性会明显下降。

Q2：回答准确率一般能做到多少？

没有通用答案，准确率取决于指标口径是否统一、问题范围是否受控、评测方式是否严格。中英人寿的项目在试点阶段将核心指标问答准确率控制在 90% 以上，并通过严格测试验证。建议企业在验收时区分“核心指标准确率”和“开放性问题的回答质量”，前者可以量化，后者更适合作为持续优化的方向。

Q3：建设这样一套系统一般需要多长时间？

周期差异较大，主要取决于指标治理的工作量和试点范围。相对可控的实施路径通常包括安装部署、需求分析、指标建模、构建向量库、测试调整、上线几个步骤。如果企业的指标体系已经比较成熟，前期准备会快很多；如果需要从零梳理大量指标，建议先做小范围试点，再逐步扩展。

Q4：它会取代数据分析师吗？

短期内不会。它替代的是重复性的取数和初步汇总工作，让分析师有更多时间做深度分析、模型优化和业务沟通。在中英人寿的实践中，系统的定位是降低业务人员的数据使用门槛，让业务可以自助完成常规查询与分析，而不是替代专业分析角色。

Q5：数据安全怎么保障？

需要从三个方面确认。一是权限体系是否覆盖操作权限、资源权限和数据权限，能否按角色、机构控制数据可见范围；二是是否支持私有化部署，让模型和数据在企业本地环境运行；三是是否具备完整的审计与追溯能力。对于金融等强监管行业，这些通常是选型时的必要项。