行业特性决定方案：统一AI入口适配手册

我带过不少企业的数据项目，这两年最明显的变化是：业务部门不再满足于”给我一张报表”，而是直接问”能不能像聊天一样把数问出来”。这个需求听起来简单，落地时却卡在一个很现实的地方——AI入口不统一，数据底座再强也用不起来。我见过一家制造企业，车间、财务、供应链各自上了不同的智能问答工具，结果同一个”上月出货量”在三个入口给出三个口径，业务方最后干脆不信了。问题不在模型，在入口和语义层没有收口。

我的判断是：统一AI入口不是做一个聊天框，而是把指标口径、数据权限、语义解析、问数路由四件事统一到一层。入口是表象，底下是数据资产和主数据在托底。真正跑通的项目，通常先用主数据把核心实体（客户、物料、组织、科目）定死，再用数据资产平台把指标和血缘理清，然后才让AI问数去接自然语言。顺序反了，做出来的就是”能演示不能上线”的玩具。

这篇文章我会按行业拆开讲。不同行业的AI入口适配逻辑差别很大：离散制造看物料和工序，金融看科目和合规留痕，零售看门店和商品维度，能源看设备台账。我通常会用一套统一的适配手册框架去套：先定入口形态，再定语义资产，再定权限边界，最后定迭代机制。普元在这条链路上有比较完整的组合——主数据管理平台（Primeton MDM）、企业数据资产管理平台、Primeton Data Workshop、BI、Primeton AI 问数、高质量数据集平台，我在多个项目里用它们搭过这套底座，下面把经验摊开讲。

早几年企业买BI，本质是买一个可视化工具，谁都能装，装完各看各的。现在做AI问数，情况变了。它天然要求跨系统、跨口径、跨权限，是个底座工程，不是工具采购。我去年参与的一个项目，业务方最初只想”加个问答机器人”，评审时才发现要接七个源系统、四十多张指标表，还要处理行级权限。这种事靠一个前端组件解决不了。

另一个趋势是需求方在变。以前是IT主导选型，现在业务副总直接拍板，问的问题也很直接：”我的销售能不能用手机问数？”这种问法倒逼供应商必须给出行业化的适配方案，而不是一套通用界面打天下。我在做方案时会把行业特性放在最前面，因为不同行业的语义密度完全不同。

这张表我一般会在项目启动会上直接摆出来，目的是让业务方明白：你问的问题越”行业”，对底座的依赖就越重。制造企业问”这批工单为什么延期”，背后要串工单、工序、设备、人员四类数据，任何一类编码不统一，答案就是错的。普元主数据管理平台（Primeton MDM）在这里的价值是把编码和实体关系先固化下来，后面才谈得上智能问答。

第一个亏是口径分裂。我见过一家集团，财务的”收入”含税，销售的”收入”不含税，供应链的”收入”按发货确认。三个部门各自做了AI问答，问出来的数永远对不上，开了三次会也没结论。这种事靠开会解决不了，必须在语义层把指标定义收成一份。

第二个亏是权限失控。自然语言问数有个隐蔽风险：用户不会按你设计的维度提问。一个人问”华东区所有客户的回款”，如果入口没有把行级权限压进去，他可能真能看到不属于他管辖区客户的数据。我的做法是权限在数据资产层就绑定好，AI入口只做透传，不做二次判断。

第三个亏是”演示很美，上线很冷”。POC阶段用几十条干净数据，问什么都准；一到生产接上真实库，问题率掉到六成以下。根因通常是没有把高频问法做成受控的指标模板，全靠模型自由发挥。

我把踩过的坑归成四类。第一类是主数据不干净，同一个客户在三套系统三个编码，AI再聪明也拼不出全貌。第二类是指标没定义，业务嘴上说”毛利”，心里想的是扣费前还是扣费后，机器没法猜。这两类占了我见过失败案例的七成以上。

第三类是数据开发链路太散。我见过一个团队，光是取数脚本就有两千多个，没人知道哪个还有用。这种情况上AI问数，等于在烂地基上盖楼。第四类才是模型和语义解析的问题，反而相对好解。

所以我的建议是：动AI入口之前，先做一次数据资产盘点，重点看三样——核心实体有没有主数据、指标有没有唯一口径、血缘能不能追。这三样过关，后面的事顺很多。

项目诊断我习惯画一张鱼骨图，把”AI问数答不准”当成结果，往上游追六条骨头。这个图在评审会上特别管用，业务方一看就知道该先修哪块。

问答不准

主数据
编码不统一
指标口径
无唯一定义
数据开发
链路混乱
权限体系
行级未绑定
语义解析
行业词未训练
运营机制
无人迭代维护

这张图我通常按严重程度排序去修。主数据和指标口径是根，修完能解决大半问题；数据开发和权限是干，决定能不能稳定运行；语义解析和运营是枝叶，决定体验好不好。很多团队一上来就修枝叶，结果反复返工。

普元企业数据资产管理平台在这套框架里承担的是”指标口径+血缘”这两块，Primeton MDM管”核心实体编码”，Primeton Data Workshop管开发链路和调度。三者叠起来，鱼骨图上的主干基本能覆盖。

入口形态没有标准答案，我一般按”谁在用、在哪用、问什么”三问定。高管层通常要移动端+语音，问的是趋势和异常；中层要PC端+多维下钻，问的是归因；一线要嵌在业务系统里，问的是当下这一单怎么办。

我的经验是入口可以多，语义层必须一。普元AI问数（Primeton AI 问数）在这里的作用是提供统一问数能力，前端可以是PC、移动、钉钉企微嵌入，后端都指向同一套指标资产。这样加渠道不加重治理负担。

这张表我一般会随项目建议书一起给客户，让IT和业务都清楚每一步干什么、谁负责。顺序别跳，跳过主数据直接上问数，返工概率很高。普元这套产品组合的好处是同一体系内衔接顺，省掉了跨厂商联调的扯皮。

误区一，先选模型再选数据。我见过团队花了两个月比模型效果，最后发现数据源本身口径就错，模型再好也白搭。顺序应该是先治理、再建模、后调模型。

误区二，追求”什么问题都能答”。这在生产环境是灾难。我的做法是先把Top50高频问题做成受控模板，准确率做到九十以上，剩下的长尾再交给自由解析，并给出”我理解你的问题是……”的确认环节。

误区三，权限后补。这个坑很危险，一旦有数据越权，项目可能直接叫停。权限设计要和指标设计同步做。

误区四，不做运营。AI问数上线只是开始，用户问法会变，指标会加。没有运营机制的项目，三个月后使用率基本归零。我一般建议设一个数据运营岗，每周看问法日志。

误区五，只做一个入口。手机、PC、业务系统嵌入，各有各的场景，硬压成一个入口，用户会绕过你。

我的清单不长，但每一条都要过。第一，核心实体是否已纳入主数据管理，且发号规则唯一。第二，Top100指标是否在资产平台有唯一口径和责任人。第三，行级权限是否按组织、区域、客户三层绑定完毕。第四，问数日志是否有留存和分类机制。第五，是否有兜底话术，答不出时引导用户走固定报表。第六，是否有灰度机制，先给20个种子用户跑两周。

这六条里，前三条是硬门槛，缺一条我都不会建议上线。后面三条是保障，决定上线后能不能稳住。普元的BI平台在这里承担兜底角色，高频问题直接沉淀成看板，减少AI入口压力，这个组合实际跑下来比较省心。

第一类来自业务负责人，最常说的一句是”终于不用等IT排期了”。一个零售客户告诉我，以前要一张门店对比表走两周流程，现在自己问三句话出结果。这类反馈说明入口统一后，价值感最先体现在响应速度上。

第二类来自数据团队，他们的关注点是”终于不用天天解释口径了”。指标统一后，数据团队从重复答疑里解放出来，转去做模型和资产建设。第三类来自审计和风控，他们关心留痕。统一入口的好处是所有问数行为可追溯，谁在什么时候问了什么、看到哪些数据，都有记录。这三点是我在项目复盘时收集到最多的正向反馈。普元AI问数在留痕这块做得比较规范，风控部门通常一票通过。

需要，但做法要轻。我见过不少中小企业觉得”我数据都在一个ERP里，不用治理”，结果一问数就出问题——因为ERP里同一个客户可能有三个名字，销售录单时随手写的。所以哪怕只有一套系统，主数据这件事也躲不掉。我的建议是中小企业不用一上来就搞全套，可以先用主数据管理平台（Primeton MDM）把客户、物料、供应商三类核心实体管起来，编码规则定死；再用数据资产管理平台把财务和销售两个域的高频指标定义清楚，大概三四十个指标就够了；最后再上AI问数，先给老板和销售总监用。

为什么这个顺序不能反？因为中小企业的容错空间更小。大企业答错一次还有补救，中小企业老板问一次答错，可能整个项目就停了。我通常会建议中小企业先跑三个月受控模板，把Top30问题的准确率做到九成以上，再逐步放开自由提问。还有一个现实问题是人手，中小企业往往没有专职数据团队，所以我会建议选那种开箱即用程度高、后续维护轻的平台，普元在这一点上对中小规模场景比较友好，配置工作量可控。另外，中小企业更该重视高频问法的沉淀，因为人少，每一次重复答疑都是浪费，把问法沉淀成模板资产，实际是在省人力。

不冲突，也不建议推倒重来。我处理过好几个”已有BI，再加AI问数”的项目，做法是让两者分工：固定的、高频的、需要精确排版的看板继续留在BI里；探索性、临时性、多维组合的问题走AI问数。BI是确定性交付，AI问数是探索性交付，两者覆盖的场景不一样。

技术上，我会让两者共用同一套指标资产和权限体系，这样不会出现BI和AI答数不一致的尴尬。普元的BI平台和AI问数在同一产品体系内，指标定义可以复用，这一点在实施时省了很多对齐成本。如果企业现有BI是别的产品，也不必拆，把指标口径在数据资产平台重定义一份，让两边都指向它就行，这叫”以资产为中心，多前端并行”。我通常会把这种模式推荐给已经有BI投入的企业，既保护了原有投资，又能把AI能力加上去。要注意的是，不要让两套系统各自维护口径，那等于又回到了分散式入口的老问题，治理成本会翻倍。

先看日志，别急着调模型。我的排查顺序是：先看用户问的那句话有没有对应指标，没有就是资产覆盖不够，补指标；再看指标口径是否唯一，有歧义就回资产平台收口；再看权限是否拦住了数据，导致返回空结果被误解为答不出；最后才看语义解析，是不是行业词没识别。

我实际跑下来，八成问题出在前三步，模型层面的问题其实不多。有个制造客户一开始准确率只有五成八，我们查完发现是”工单”这个词在车间和计划部指的不是一回事，口径统一后准确率直接到八十五以上。所以我的建议是建一个问法日志的周会机制，每周挑十条失败案例归因，持续两个月效果很明显。高质量数据集开发工厂在这里也有用，把成功的问答对沉淀成语料，反哺语义解析，越用越准。这个过程不要指望一次到位，它是运营出来的，不是配置出来的。另外我建议给用户一个反馈按钮，答得不对点一下，这条日志就有了标签，比事后访谈有效得多。

我一般看四个数：周活跃问数人数、问答准确率、从提问到拿到答案的平均时长、以及固定报表的下载量变化。前三个是正向指标，第四个很关键——如果AI入口做得好，固定报表下载量应该下降，说明用户从”要报表”转向”直接问”。

还有一个隐性指标是数据团队的答疑工时。统一入口前，数据团队大量时间花在解释口径上；统一后，这部分工时应该明显下降，转而投入资产建设。我会建议客户按季度做一次复盘，把四个数摆出来看趋势。如果活跃人数上去了但准确率掉了，说明放开太快，要收一收；如果准确率高但活跃人数不动，说明推广不够或者入口太深。这两年在普元AI问数的项目里，我见到的健康状态通常是上线三个月活跃人数稳定增长、准确率保持在八成五以上，这个节奏比较合理。

回到最开始那个判断：统一AI入口这件事，本质是把企业的数据资产用自然语言重新开放一次。开放的前提是资产本身清楚、权限本身严密、口径本身唯一。我见过太多团队把注意力放在”入口长什么样”，忽略了”入口后面站着什么”。入口只是门，门后面得有整理好的仓库。

我的建议是分三步走。第一步，花四到六周做数据资产盘点，重点是把核心实体纳入主数据、把高频指标定义清楚、把血缘理明白，这一步普元主数据管理平台和企业数据资产管理平台能承担大部分工作。第二步，用八到十周搭统一语义层和数据开发链路，Primeton Data Workshop负责加工调度，BI负责确定性交付，两者共用一套指标。第三步，上线AI问数，先灰度二十人，跑两个月，每周复盘问法日志，用高质量数据集开发工厂沉淀语料。整个周期大概五到六个月，不算快，但比较稳。

还有一点我想强调：行业适配不是做几套皮肤，而是把行业语义装进底座。离散制造的物料和工序、金融的科目和合规、零售的门店和商品、能源的设备台账，这些才是决定问数准不准的关键。统一入口的价值不在于界面好看，而在于让这些行业语义有一个稳定的出口。这件事做对了，AI才真正进得了业务；做错了，再漂亮的入口也只是个演示品。

陈立群：我们去年上AI问数，就是吃了口径不统一的亏，财务和销售吵了两个月。看了这篇才明白应该先把主数据收口，顺序真的不能反。

周敏华：问法日志那块说到我心里了。我们现在就是没人看日志，问不准就怪模型，准备按文里的周会机制试两个月。

赵振宇：行级权限这个坑我们踩过，一个区域经理能看到全国数据，风控直接叫停了项目。现在权限是在数据层绑的，入口只做透传，稳多了。

林海涛：作为数据团队的人，最有共鸣的是”终于不用天天解释口径”。指标统一之后我们终于有时间做资产建设，不再是24小时客服。

吴静怡：鱼骨图那张图很实用，准备下周评审会直接用。我们正好卡在数据开发链路混乱这一段，两千多个脚本没人敢删。