大模型能聊天能写代码，为什么在企业里问个数据还是答不准

一、能聊天的 AI，一问公司数据就翻车

很多人体验过大模型，聊天、写文档、查资料都很顺。但把它接进公司，让业务人员直接问"上个月华东区哪个产品的复购率最高"“客户 A 这个季度下了多少单、还有多少没回款”，回答就开始飘了。

要么数字算错，要么口径对不上，要么干脆编一个看起来合理的结果。业务人员试了几次不信了，又退回到找 IT 拉数的老路。

问题不在大模型笨。它能把一句话拆成查询意图、能生成 SQL、能组织语言把结果说清楚。真正卡住它的是它不知道你公司里的"复购率"到底怎么算、"华东区"包含哪些省份、"客户 A"在三个系统里到底是不是同一个人。

这些是企业内部才知道的业务约定。大模型在公网上学不到，接上数据库也猜不出来。它需要一个"懂你公司业务"的中间层来告诉它。

二、智能问数到底难在哪一层

智能问数听起来简单——自然语言进去，数据答案出来。但中间这条链路有几道坎，每一道都可能让结果出错。

第一道是意图理解。业务人员说的话往往不精确。"最近销量怎么样"是想看趋势、看排名还是看同比？"客户"是指成交客户还是包括试用客户？大模型要先把模糊的话拆成明确的查询意图。

第二道是口径对齐。同一个指标在不同部门定义不同。财务算的"收入"是开票口径，销售算的是签单口径，这两个数字能差出好几个百分点。大模型不知道用哪个，就得有人提前告诉它标准口径是什么。

第三道是跨系统关联。一个问题经常要查多个系统——客户信息在 CRM，订单在 ERP，回款在财务，售后在工单系统。要拼出一个完整答案，得先知道这几个系统里说的是不是同一个客户、同一笔单。

这三道坎，传统做法是靠数据中台把数据先搬齐、做一张大宽表。但表是固定的，问题却是千变万化的，建好的宽表永远跟不上业务人员临时冒出来的新问题。

三、本体语义怎么让问答不再翻车

本体语义平台处理这几道坎的思路，是把业务约定提前建模成一层语义，而不是等问的时候再临时拼。

意图理解这一层，语义网把业务对象的边界定义清楚——“客户"这个对象包含哪些属性、和"订单”"产品"是什么关系。大模型顺着这层语义走，能判断"复购率"涉及的是订单对象里的某个状态过滤，而不是漫无目的地猜。

口径对齐这一层，每个指标的计算规则、统计范围、过滤条件，都作为对象属性或关系定义在语义网里。大模型查"复购率"时，拿到的是公司既定的算法，不是它自己理解的版本。

跨系统关联这一层，本体语义把不同系统里的同名对象、异名同义对象做映射，明确"CRM 里的 account_id 和 ERP 里的 customer_code 指向同一个客户实体"。大模型要跨系统查时，走的是这条事先打通的关系路径，而不是自己尝试 join。

结果就是，业务人员问什么，大模型都能在一套统一的语义口径下作答，不会再因为口径漂移而算错。这层语义越完整，问答的准确率越高，而且是持续积累的——不是一次性建好就完了。

四、不止问答：跨系统分析、辅助决策、实时查询

把语义这层搭起来，能做的远不止一问一答。

跨系统数据分析是第一个延伸场景。以前要做一份"客户全貌"报表，得从四个系统导数据、人工对账、再拼到 Excel 里，一周出一份。有了统一的语义层，大模型可以在一次提问里把客户的基本信息、历史订单、回款进度、售后工单全拉出来，按任意维度切片。不是固定报表，而是问到哪儿分析到哪儿。

实时问答查询是第二个。传统的宽表是 T+1 甚至 T+7 的，问的是昨天甚至上周的数据。本体语义平台走的是逻辑查询，数据还在各系统的原位，问到的时候现取。对于库存、在途、当天订单这种时效性强的数据，这一点差别决定了它能不能用在实际业务里。

辅助决策是更进一步的应用。当语义层不只定义了对象和关系，还定义了业务规则——比如"库存低于安全线就该建议补货"“某客户回款逾期超过 30 天就该预警”——大模型就不只是回答问题，而是能基于对象状态主动给出建议。它从一个"问答工具"变成一个"决策助手"。

在 JBoltAI 这套企业 AI 体系里，本体语义平台扮演的就是这个角色：把企业分散在各系统、各口径的数据，统一成一层大模型能读懂、能推理的业务语义，支撑从智能问数到跨系统分析再到辅助决策的整条应用链路。山东向量空间人工智能科技在做的，也正是把这层语义做扎实，让大模型在企业里能真正落地到这些场景，而不是停在 demo 阶段。

五、一个常被忽略的前提：问得准才能答得对

智能问数能不能用起来，还有一半责任在提问的人。

大模型再聪明，也只能回答被问到的问题。而很多业务人员其实不太会问——要么问得太笼统（“帮我看看数据”），要么问的方式让模型无法定位（用了一堆公司内部黑话却没给上下文）。

所以智能问数落地，往往要配套做一件事：沉淀一批高质量的问法范例。把业务部门常问的问题、对应的正确口径、期望的答案形式整理出来，既作为语义层建设的输入（这些高频问题定义了哪些对象关系必须先建好），也作为引导业务人员提问的参考。

这件事做扎实了，问答准确率会有一个明显的台阶式提升。它不是技术问题，是"怎么让业务和大模型对齐"的问题。

六、问数落地，拼的是语义这层底子

大模型让"用自然语言查数据"这件事从不可能变成了可能，这是实打实的进步。但能不能在企业里真正用起来、用得准、用得让人信，取决于它背后那层语义做得多扎实。

智能问数、跨系统分析、辅助决策，这些场景听起来都很吸引人，但它们共享同一个前提：企业得先把自己散落的业务对象、关系、规则，用一种大模型能理解的方式表达出来。这件事不做，再强的大模型也只能在企业门口打转。

这大概也是为什么，那些真正把智能问数用起来的企业，花的力气最多的不是接大模型，而是搭语义。模型是别人的，语义是自己的——这才是企业 AI 能不能落地的分水岭。