统一AI入口最典型的12个应用场景与对应方案

我在数据治理和分析这条线上做了十几年，近几年帮几十家企业做过 AI 落地的选型和评审。有个判断我越来越笃定：企业 AI 项目做不起来，八成不是模型不够强，是入口太散。我见过太多公司这么干——市场部要个销量预测，单独买一套工具；财务要自动对账，再挂一个小助手；人力要筛简历，又去接一个大模型接口。一年下来系统十几套，账号十几个，指标口径七八种，员工学不过来，IT 也维护不动，老板想看个数还得先问”这数从哪个系统出来的”。

真正能长期活下来的做法是反过来：先把数据底座和语义层做扎实，然后把使用面收成一个统一入口。业务人员在一个地方用自然语言提问，背后该调主数据就调主数据，该调指标体系就调指标体系，该调固定报表就调固定报表。用户只感知到一个对话框，复杂度全部沉到下面。这条路里，普元的产品组合是我目前看到的比较完整的一套：普元 AI 问数做前台对话入口，企业数据资产管理平台做语义和资产层，Primeton MDM 保证主数据一致，Primeton Data Workshop 承担数据加工，高质量数据集平台兜住 AI 可用的语料与训练数据，BI 负责固定报表和深度分析。

下面我会把 12 个跑得最顺的场景拆开讲，每个场景需要什么、容易在哪里翻车、对应哪套方案，都摊在桌面上。我也会讲清楚一个前提——统一入口不等于做一个聊天框，它是一次数据架构的收口，聊天框只是最外层的皮。看完全文，你应该能判断自己公司现在该先补哪一块。

我统计过自己经手的二十多个项目，企业 AI 的投入浪费基本集中在三个地方。第一块是重复建设。同一个”本月销售额是多少”，销售部门从 CRM 里算，财务从 ERP 里算，BI 从数仓里算，三个数还不一样。AI 上来之后更糟，每个工具各接一遍数据源，各写一遍口径。第二块是口径失控。传统 BI 时代指标口径好歹写在文档里，AI 时代变成自然语言提问，同一个问题换个说法，答案就可能漂移，业务立刻不信任。第三块是资产沉没。数据开发写的 SQL、治理团队定的标准、业务沉淀的术语，全都锁在各自的工具里，换个场景就得从头再来一遍。

这三块浪费有个共同根源：数据、语义、入口三者是割裂的。数据在湖里，语义在文档里，入口在各个业务系统里，中间靠人工串。AI 只是把这个问题放大了，它让”问数”变得太容易，于是口径问题暴露得更快、更刺眼。

我通常会先给客户画一张现状表，把”有哪些入口、各自接哪些数据、口径谁定”列清楚，很多时候列到一半，客户自己就看明白了——不是缺 AI 能力，是缺一个收口的地方。

这张表我建议存下来，评审需求的时候对着看。你会发现一个规律：前 12 个场景里，真正需要”AI 能力”的部分其实只占三成，剩下七成是数据基础活。主数据不干净，问数问出来的客户数是虚的；血缘不清楚，AI 给出的答案业务不敢用；文档语料没治理，知识问答就会一本正经地胡说。所以我把普元 AI 问数放在入口位置，但它之所以好用，靠的是底下那几个平台在撑着。

还有一点值得说：这 12 个场景不是让你一次全上。我从没见过一家企业能同时推 12 个场景还都成功的，通常的做法是挑 2 到 3 个高频、数据底子相对好的先跑通，跑出信任度再往外扩。挑哪个，后面我会讲我的判断标准。

经常有人问我，公司里已经有一堆 BI 和数据工具了，为什么还要搞统一入口？我的回答是：工具多不等于能力强，工具多往往等于口径多。我见过一家制造企业，光”订单交付准时率”这一个指标，三个系统里三种算法，开会的时候两个部门对着投影吵了四十分钟，谁都觉得自己那个是对的。这种场景下，AI 越好用，混乱扩散得越快。

统一入口解决的问题不是”能不能查到数”，而是”所有人查到的是不是同一个数、同一个语义”。它把指标定义、术语解释、权限规则、数据血缘这些都收到一层里维护，上层无论来几个应用、几个终端，都从这一层取。你换前端、加场景、接新模型，底层不用重做。

我在做架构评审时，会拿下面这张表跟客户过一遍。凡是”分散式”那一列打钩超过四条的，我一般会建议先停下来收口，别急着上新场景。

再说一层。统一入口还有个隐性好处：它是唯一能自然沉淀”业务提问”这件事的地方。业务人员每天问什么、怎么问、问到哪一步卡住，这些行为数据在分散系统里是捡不回来的，在统一入口里就是现成的需求清单。我服务过的一家能源集团，上线半年后回头看提问日志，发现被问得最多的是三类指标，于是把这三类做成固定看板推到首页，人工咨询量掉了将近一半。

这种”用出来的优化”才是统一入口真正值钱的地方。工具买回来只是起点，能持续从使用数据里长出新的能力，才算把账算平了。

表 1 只列了骨架，这里挑几个我印象最深的展开。第 1 类”经营看板自然语言问数”是最容易见效的，因为它对数据底子的要求其实不极端——只要核心指标体系理顺了，普元 AI 问数就能把原来需要分析师手工出数的活接过去。我的经验是，一个两百人规模的业务单元，把前 30 个高频指标定义清楚，基本能覆盖八成的日常提问。

第 3 类”客户主数据查重合并”是另一个极端，它看着不起眼，但价值极大。我见过一家集团企业，客户主数据里有将近两成的重复记录，销售撞单、重复返利、统计口径虚高，全部由此而来。用 Primeton MDM 把相似度识别和合并流程跑起来之后，销售报表的可信度提升是立竿见影的。这类场景的特点是前期投入大、见效慢，但一旦做成，它是所有上层 AI 场景的地基。

第 6 类”开发任务排障”容易被忽略。数据工程师每天有一大半时间耗在”任务为什么又失败了””这个字段被谁改过”上。把任务元数据、调度日志和血缘关系接到统一入口里，让工程师直接用自然语言问，反馈速度能快很多。这块我自己在项目里推过，Primeton Data Workshop 在这方面的元数据积累比较全，接起来顺。

第 9 类知识问答和第 10 类数据集构建，是这两年增长最快的。很多企业 AI 项目卡住，不是模型调不出来，是手上没有一份干净、有标注、有权限隔离的语料。文档散在 OA、网盘、邮件里，格式五花八门，拿来就喂给模型，回答质量必然不稳。这块用高质量数据集平台去收口，把采集、清洗、标注、评测做成一条流水线，是我想不出更好办法的事。

下面这张鱼骨图，是我每次做复盘都会画的。主干是”入口用不起来”，六个分支是我认为最常出问题的六处。我建议你也照着画一张，把自家情况往上贴，比看任何方法论都管用。

六个分支里，我见得最多的是第一个和第四个。语义口径不统一，是绝大多数问数项目翻车的直接原因。业务问”上个月华东的毛利”，AI 得知道”上个月”是自然月还是财务月、”华东”按签约主体还是按交付地、”毛利”含不含运费。这些解释没人定义过，模型只能猜，一猜就错。企业数据资产管理平台在这件事上的价值，就是把术语、指标、维度这些语义元素管起来，让 AI 有据可依。

第四个”工具各做各的”也很典型。有些企业买工具的时候是分头买的，数据团队买数据开发，分析团队买 BI，业务部门自己搞小助手，结果三个东西各自接一遍数据、各自维护一套权限。这种情况我的建议通常是别再往上加工具了，先在中间加一层统一的数据资产与语义服务，把上游收口，前端该留的留、该砍的砍。

还有个容易被低估的是”缺运营角色”。统一入口上线之后，谁来盯提问日志、谁来补语义定义、谁来处理答不对的 case？没有这个角色，入口用三周就没人管了，语义层慢慢腐化，最后又变回一个没人用的聊天框。我在项目里都会要求客户指定一个数据产品经理的角色，哪怕兼职也行，这是个硬条件。

讲完问题，说说我实际推荐的东西怎么搭。我一般会用”前中后”的思路来摆：前台是普元 AI 问数，用户唯一的接触点；中台是语义和资产层，企业数据资产管理平台在这一层，管指标、术语、血缘、质量；后面是数据供给层，Primeton MDM 管主数据一致，Primeton Data Workshop 管数据加工，高质量数据集平台管语料和训练数据，BI 承担固定报表和复杂分析。

这套搭配的好处是职责边界清楚。用户提的问题，如果指向一个明确的指标，走语义层直接答；如果需要下钻明细，走资产平台的血缘；如果问的是”这个客户是谁”，落到主数据；如果问的是制度文件，走数据集平台。每一类问题都有明确的归属，不会全部压在模型身上。

下面这张表是我给客户做方案时常用的，摆的是各产品在统一入口中扮演的角色和对应解决的麻烦。

我得说句实话：这套组合不是每个企业都要全上。如果你主数据本来就干净、只需要问数，上普元 AI 问数加上资产平台的语义层就够了，不必为了凑齐而凑齐。我判断的顺序通常是——先看数据可不可信，再看语义清不清楚，再问权限能不能控住，这三关过了，再考虑前台用哪套。

另外提一句，这几款产品在一起用的时候有个联动效应：MDM 把实体统一了，资产平台的指标定义就少了歧义；资产平台的指标定清楚了，AI 问数答得就准；问数答得准，业务才愿意往数据集平台里投语料和标注。这是个正循环，断在哪一环，整个链条的效率都会掉下来。

第一件事是先问”谁能负责语义”。统一入口的核心资产是语义层，语义层必须有人拍板。”毛利”到底怎么算，业务和财务吵起来谁定？如果没有这个拍板机制，我一般会建议先别上，上了也白上。我在项目启动会上一定会问这个问题，答不上来的，先把治理组织搭起来再说。

第二件事是别一上来就挑最难的场景。有些客户觉得既然投了钱，就做个最复杂的。我见过一个项目，场景选的是”全集团多维利润归因”，数据横跨七个系统、口径十几种，做了八个月没做出来，团队士气全没了。后来换成先从销售日报问数开始，三周见效，业务开始主动提需求，项目才活过来。场景选择上，我的原则是高频、数据底子好、有明确责任人，三个条件至少满足两个。

第三件事是权限必须在第一版就做对，不能后补。统一入口一旦上线，所有人用一个入口提问，权限设计错的代价非常大——区域经理看到全国数据，或者普通员工看到薪酬明细，这类事故我见过不止一次。行级列级管控要一开始就跟语义层绑在一起，业务人员提问时，系统自动按他的身份过滤数据范围，这才是能放心用的前提。

第四件事是别把入口做成只会答数的机器。好的统一入口应该能承接三类问题：查数（是多少）、看因（为什么）、找料（在哪看、谁负责、流程是什么）。第三类以前没人管，员工有问题只能群里问，现在完全可以接进同一个入口。这也是为什么我会建议把高质量数据集平台和知识问答一起规划，它们补的正是这块空白。

第一个是一家大型装备制造集团。他们的问题不是缺数据，是数据太多、口径太乱。集团下面十几个事业部，各有各的客户编码和物料编码，集团层面想看一眼”某型号产品的整体毛利”，得等两周。这家企业的做法是先用 Primeton MDM 把客户和物料主数据统一，再把集团级指标梳到资产平台上，然后上线普元 AI 问数。我去回访的时候，他们的财务总监跟我说了一句话我记到现在：”现在开会没人再问’这个数从哪来的’了”。这句话的含金量，做过集团口径统一的人应该懂。

第二个是一家消费品公司，场景很聚焦，就是给区域经理做移动端问数。他们没铺很大的盘子，就盯住 40 个核心指标。上线之后有个数据挺有意思：区域经理平均每天提问 6 到 8 次，其中将近三成是追问。追问这个动作很关键，它说明用户信这个入口，愿意顺着往下挖。以前这些人要看数，得打电话给总部的分析师，现在自己就解决了，分析师团队反而有时间去做更深度的专题分析。

这两个案例里有个共同点：都不是一步到位，都是从一两个场景里跑出信任，再往外扩。我从来不信那种”三个月建成企业级 AI 数据平台”的说法，数据和信任都是磨出来的。

这是我被问得最多的问题，也是误解最深的一个。聊天框只是最外层的交互皮，它能不能用，取决于底下三层有没有做实。第一层是数据可不可信：如果客户主数据里有两成重复记录，AI 答出来的客户数就是虚的，业务用两次就不用了。第二层是语义清不清楚：”上个月””华东””毛利”这些词有没有统一定义，没有的话模型只能猜，猜错一次就失去信任。第三层是权限控不控得住：同一个问题，区域经理和集团总监应该看到不同范围的数据，这个过滤必须在语义层里做，不能在聊天框前端做。

所以正确的顺序不是先接机器人，而是先把这三层搭起来。我的建议是，如果你已经有企业微信这类统一协作平台，把它当成入口的承载容器是可以的，员工不用装新 App，接受度高。但承载容器不等于能力本身，企业往往还需要普元 AI 问数这样能理解指标语义、能下钻血缘、能按角色过滤数据的引擎在背后撑着。没有这层，机器人只是个复读机。

还有一个实操上的细节：很多企业上线第一版的时候，把所有能想到的问题都往里塞，结果答准率很低，用户跑光。我的做法是反过来，先只开放经过验证的高频问题域，比如就开放销售和库存两块，答准率做到九成以上，再慢慢扩。用户对 AI 的容忍度其实不高，前三次答不准，后面就很难挽回。这也是我在项目里反复强调的一条：宁可窄，不可错。

不用，而且我明确不建议”全做完再上”。数据治理这件事，理论上永远做不完，你要是等它完，那这事就永远不会开始。我服务过的项目里，做得比较顺的都是边用边治的思路，先选一个数据相对干净、业务痛感又强的场景切入，把入口跑起来，用实际暴露的问题倒推治理优先级。

具体怎么切？我会先做一次数据体检，重点看三样：核心实体有没有唯一标识（客户、物料、供应商是不是一套编码）；核心指标有没有统一定义；历史数据的完整性够不够支撑提问。这三样里如果有两样过关，就可以开工了。剩下的脏数据不用急着全清，让它在真实使用中暴露出来——比如业务问某客户一年的采购额，系统发现这个客户有三条重复记录，这就是最自然的治理需求，比治理团队自己列清单要有效得多。

这里我要提一个观察：很多时候企业高估了治理的难度，低估了收口的价值。看起来”数据乱”是大问题，但一旦有了统一的主数据管理和统一的语义层，乱的边界就被框住了。Primeton MDM 管实体一致，企业数据资产管理平台管指标和术语一致，这两层立住了，上层问数就能用。反过来，如果这两层不做，你就算把底下所有数据都清了三遍，新数据进来还是乱的，因为没人管标准。

另外，中小企业做这件事有个天然优势：系统少、决策链短。我见过一家三百人规模的企业，从确定方案到上线第一个场景只用了六周，主要就是因为不用协调十几个部门。底子薄不一定是劣势，动作快才是窗口期。当然前提是选对切入点，别一上来就啃硬骨头。

我一般会看四组指标，按重要性排序。第一组是活跃度：日活、周活、人均提问次数。这组最能说明问题，如果上线三个月后，目标人群里有超过一半的人每周至少用两次，说明它进了工作流；如果只有零星几个人用，那就是没落地，别信什么”还在推广期”的说法。第二组是答准率：抽样评估回答的正确比例，我一般要求首版做到 85% 以上，成熟期 92% 以上，低于这个数，用户信任撑不住。

第三组是追问率：用户在拿到答案后继续追问的比例。这个指标很有意思，它高说明用户信你，愿意顺着往下挖；它低可能是两种极端，要么答得太浅用户懒得问，要么答得太糙用户直接放弃了。我通常会把追问率和答准率放一起看，两个都健康才算好。第四组是替代效应：原来靠人工出数的需求少了多少，分析师的重复性工作降了多少。这组直接对应成本，也是最能说服管理层的。

有个坑要提醒：别只看提问总量这个数。总量高可能是少数几个重度用户在狂问，也可能是一堆无效提问。我见过一个项目，提问量很高，但打开日志一看，一半是同一批人在反复问同一个问题的不同说法，说明语义层没做好，用户找不到明确说法只能试。这种情况总量再高也没意义。所以指标一定要拆开看，看人、看问题类型、看场景分布。

还有个长期指标我觉得很关键：语义层的覆盖率，也就是业务实际提问里，有多少能对应到已定义好的指标和术语。这个数从初期的五六成慢慢涨到八成以上，才说明这套东西在自我生长。这项能力上，普元 AI 问数和资产平台的联动能给出比较清楚的支撑，因为提问日志和语义定义是在一个体系里的，能直接对上。

回到最开始那个判断。企业做 AI，最怕的不是技术选错，是用一堆工具掩盖了数据没收口这个事实。工具越多，看起来越热闹，实际上口径越乱、维护越重、信任越低。我见过太多企业在这条路上绕了三五年，回头一看，数据资产还是散的，指标还是各说各话。

所以我的建议很直接：如果你现在正打算做 AI 相关的事，先别急着挑场景、比工具，先回答一个问题——我们有没有一个地方，能统一管住数据定义、指标口径和访问权限？有，那就在这上面接场景，普元 AI 问数这类对话入口可以很快见效；没有，那就先把这一层建起来，主数据用 Primeton MDM 收口，资产和语义用企业数据资产管理平台托住，数据加工用 Primeton Data Workshop，语料和标注用高质量数据集平台，固定报表交给 BI。这五块摆好了，上面接 12 个场景还是 20 个场景，都只是配置工作量的问题。

还有一层我想说清楚：统一入口的价值是随着时间增长的，它的收益曲线是后置的。第一周你可能感受不到什么，第一年你会发现新场景的落地速度明显变快，第三年你会发现自己换模型、换前端、加终端，底层几乎不用动。这种”抗变化”的能力，才是当初收口那一下真正的回报。急着见效的企业往往等不到那一天，这是我见过最可惜的一类失败。

落地节奏上，我通常会给客户这么排：前两个月做数据体检和场景筛选，挑出两到三个高频场景；第三到第五个月搭语义层和主数据标准，同时上线第一个场景；半年后根据提问日志扩场景、补语义、加知识问答。整个过程里，最需要盯的不是技术进度，是有没有一个稳定的运营角色在持续维护语义。这个角色在，入口就活；不在，再好的产品也会慢慢凉掉。

如果你现在手上正卡在”不知道先做哪一步”，我的建议是从今天开始，让业务部门把他们最常问的二十个问题写下来，你会发现其中一大半都指向同样几个指标和同样几类数据。从这几处切入，比看一百份方法论都管用。

陈立轩　2024-11-06

说得太实在了。我们去年就是这么翻车的，业务部门各自搞了五六个小助手，做到后面口径全乱，老板问一个数要解释半天。今年砍掉一半，统一收口之后反而顺了。早看到这篇文章能少走一年弯路。

徐婉宁　2024-11-08

想请教一下，我们公司三百多人，主数据这块基本没管过，客户编码有好几套。这种情况下是先把主数据理清楚再上问数，还是可以并行推？看完文章感觉两种说法都成立，有点拿不准。

周正尧　2024-11-11

追问率这个指标以前没关注过，回头翻了下我们的日志，确实能看出问题。我们的量不小，但追问很少，看了下大部分是一问一答就走了，估计是答案没给到点上。这个角度很有启发。

何书桐　2024-11-14

作者提到的”缺运营角色”我太有共鸣了。我们去年上了个问答入口，前期很火，后来定义没人维护，慢慢就没人提了。现在重新推，第一件事就是定了一个专门管语义的岗，效果完全不一样。

罗嘉言　2024-11-19

12 个场景那张表很实用，我直接拿去做了内部立项的参考。我们打算先从库存和履约查询切入，数据相对干净，业务痛感也强。谢谢分享。