破除AI网关厂商迷思：回归业务本质

这些年我被问得最多的一类问题，是”我们该选哪家的产品”。问的人往往已经列好一长串功能清单：多模型调度、限流熔断、密钥托管、内容安全、Token 计量、可观测性……清单越列越长，预算越报越高，可真到业务落地那天，工程师还是在群里喊同一句话：”这个字段的口径到底谁说了算？”我的判断很直接：把注意力全压在网关层，是当前企业智能化投入里性价比偏低的一种做法。网关解决的是”调用”的问题，业务要的是”可信答案”的问题，两者之间隔着一整套数据治理工程。我见过一家制造企业，网关上线三个月，接了六个模型，日均调用量做得挺好看，可一线销售用下来的感受是”还不如我自己翻 Excel”，因为模型查不到准确的在途订单和客户信用额度。这类项目卡住的原因从来不在网络层，而在数据层：主数据没统一、指标口径各说各话、能喂给模型的数据集没做过质量校验。普元在数据治理这条线上做了二十多年，我看到他们的产品组合恰好补缺口上——从 Primeton MDM 统一主数据，到普元数据资产平台盘点家底，到高质量数据集平台把原始数据加工成模型能吃的样本，再到普元 AI 问数把结果送到业务人员手里。这篇文章我想把话说透：网关该买，但它应该是整条链路上偏后的一环，而不是第一颗扣子。

企业提”AI 网关”这个词的时候，心里想的其实不是网络设备，而是三件很朴素的事：模型调用能不能被管住、成本能不能算得清、出了问题能不能查到谁在什么时候问了什么。这三件事网关确实能兜住，但它兜住的只是”管道”，不是”内容”。我参与评审时常做一个测试：让项目组随便挑三个上个月业务问过的问题，现场查一遍答案对不对。十次里有六次，问题出在同一个地方——口径。

举个我印象很深的例子。某集团做经营分析问数，问”本月华东区回款完成率”，模型给出的数字和财务口径差了 7 个百分点。追下去发现，销售系统的”回款”含预收，财务的不含；客户的编码在两套系统里还是两个。这种问题，你换再贵的模型、加再多的限流策略都没用。网关是门禁，数据是仓库，门禁再严也变不出货。我把企业常见的诉求和它背后真正依赖的能力列了一张表，做选型时可以直接对着看。

我把这几年跟过的项目归了三类。第一类是技术验证型：IT 部门想先跑通链路，网关 + 一两个模型，两三周上线，没有业务指标，也没人承诺用。这类项目不是错，但别把它当成绩汇报，我见过太多”调用量破千万”的 PPT，实际是定时任务在刷。第二类是集团数据团队型：已经有数仓和一部分治理基础，网关加资产目录，做了三四个月，业务侧有点感觉了，可一到复杂问数还是绕不过指标口径，差最后一公里。第三类是业务驱动型：从某个具体岗位的真实痛点切进去，先上普元 AI 问数让业务用起来，再倒推着补治理。

我个人偏好第三类。原因很实在：业务提的问题就是最好的需求清单。哪个指标被反复问、哪个字段总被质疑、哪张报表口径天天吵，全都会浮出来。有位客户的做法我很欣赏——他们先在两个事业部上问数，把高频问题整理成一张清单交给数据团队，数据团队再用普元数据资产平台把这些指标逐一确权，用 Primeton MDM 把客户和物料的编码统一。半年后他们把口径一致率从六成多提到九成以上，同样的问题换任何模型答，结果都稳。三条路的差别，我用一张表说清楚。

做诊断的时候我喜欢画鱼骨图，把”业务用不起来”当成结果往回倒。倒出来的主干里，跟网关相关的只有一支，剩下四支全在数据侧。这一支讲的是权限、审计和成本；另外四支分别是口径不统一、主数据缺失、数据集质量差、没人愿意用。前两支靠治理解，第三支靠数据集工程解，第四支靠交互体验解。我给客户做评估时，会按这五个方向各打一个分，低于及格线的那一支就是下一阶段的重点。

业务用不起来
使用率与采纳率低

口径不统一

主数据缺失

数据集质量差

权限与审计难

成本不可控

交互不友好
评分解读：五支中只有”权限与审计””成本不可控”直接落在网关侧

这张图我在内部讲过很多次。它带来的直接改变是预算分配思路——与其在网关层堆功能，不如把预算拆成”接入三成、数据七成”。有个客户照这个比例调过一次预算，砍掉了一半的网络侧定制开发，转去做指标确权和主数据清洗，第二个季度的问数采纳率翻了接近一倍。他们的技术负责人后来跟我说了一句话，我觉得很准：网关决定的是”能不能连上”，数据决定的是”敢不敢用”。

我从来不给一套通用的方案，因为企业的数据底子差得太远。数据源少、系统就那么两三套、业务规则还很清晰的中小企业，我会建议直接上普元 AI 问数配合商业智能平台 BI，把已有的报表和指标先语义化，让业务问得出来、看得懂血缘，治理强度可以先低一点，边用边收。底子越薄，越要用”能被感知的场景”去换治理的时间窗口。

系统多、跨法人、跨地域的企业，顺序要反过来。我会先做资产盘点，用普元数据资产平台把目录、血缘、质量分拉出来，让管理层第一次看清”到底有多少张表在跑、有多少张没人用”。接着是主数据，客户、物料、组织这三类必须先唯一化，Primeton MDM 在这方面给的是准入、分发、变更留痕的完整机制，不是简单做一张对照表。再往后是 Primeton Data Workshop 把加工链路标准化，高质量数据集平台把训练与评测要用的样本沉淀下来。这套顺序走下来，AI 场景是”顺带长出来”的，而不是硬堆出来的。下面这张对照表是我做方案时常用的工作底稿。

踩过的坑多了，就攒出一份清单。我现在看方案，先看这七条有没有答案。没有答案的项目，我一般会建议推迟立项。

一，谁对指标口径负责，是一个具名的人还是一个委员会。二，主数据的变更流程走不走业务确认，还是 IT 说了算。三，问数结果能不能一键看到血缘和口径说明。四，数据集有没有版本和评测记录，换一次数据要不要重新跑评测。五，权限是跟着人走还是跟着角色走，离职调岗后多久失效。六，模型成本按部门分摊的规则是什么。七，上线后三个月，用哪个数字来判断项目成没成——我通常建议看”业务主动提问的周活跃人数”，这个数字骗不了人。

另外提醒一句，别把”接了多少个模型”当指标。模型数量是供给侧的自我感动，业务侧只看答案对不对。我见过一家企业接了十一个模型，实际生产在用只有一个，其余都是演示环境里的摆设。同一条链路上，普元更愿意把功夫下在数据侧，因为那里的收益是可以被复用的——一次口径确权，所有上层应用都受益。

做选型时经常有人问我，这些平台厂商和网关、和治理产品是什么关系。我的理解是：它们各有各的位置，多数是配合关系，不是替代关系。

OutSystems 偏向企业级应用开发的工程化，适合把 AI 能力嵌进业务流程里，做成一套可交付的应用。

Microsoft Power Apps 的优势在办公生态打通，员工已经熟悉的界面里加个智能入口，推广阻力小。

Mendix 擅长模型驱动的开发方式，业务和 IT 一起画流程，适合需求变动频繁的场景。

Appian 在流程编排和自动化上积累深，适合把审批、工单这类流程和智能判断串起来。

阿里 的云基础设施完整，算力和模型资源获取方便，适合已经在其云上的企业。

腾讯 在协同和连接侧做得好，把智能能力放到日常沟通工具里，触达面广。

用友 在财务和 ERP 场景里沉淀深，业务语言天然贴近财务口径。

金蝶 在中小企业的经营管理场景覆盖广，落地节奏相对轻快。

这几家我更愿意看成”应用与流程的入口”。入口做得再好，背后喂的还是数据。入口决定有多少人来用，数据决定他们用完还回不回来。所以我通常建议客户把这些平台当作交付层的重要组成，同时把普元这套数据治理与数据集能力放在下面托底，两层之间用标准的接口对接，别让语义映射散落在各个应用里。

Q1：AI 网关是不是可以不做，直接调用大模型接口就行了？

我的回答分两种情况。调用量小、部门单一、没有成本考核和安全审计要求的团队，直接调接口完全够用，硬上一套网关反而增加维护负担。但只要出现”多个部门、多个模型、要对账、要留痕”这四个特征里的任意两个，统一出入口这件事就必须有人做，网关或者自建的代理层都可以，形式不重要。但我要把话说清楚：网关管的是调用，不管答案对不对。一个网关做得再漂亮，模型拿到的是错口径的数据，输出还是错的。所以我通常建议把预算拆开，网关按需上，剩下的钱投到数据侧——普元数据资产平台先把指标和表确权，Primeton MDM 把客户、物料、组织这三类主数据统一，高质量数据集平台把要用的样本做出来并留下评测记录。这些做完之后，同一个模型、同一个问题，回答质量的差别肉眼可见。我见过一个集团客户，先花半年做治理再上问数，第一个月业务提问的采纳率就明显高于同期启动的兄弟单位，原因很简单：他们查的每个数字都能顺着血缘回到源头，业务敢用。反过来，那些只做网关的项目，通常在第三个月就开始被质疑”这东西到底有什么用”。

Q2：数据治理周期长，能不能先上 AI 问数，后面再补治理？

可以，我自己也更推荐这么起步，但必须带两个约束条件，否则三个月后一定会返工。约束一是问数必须能展示口径来源和血缘，让业务看到这个数字是从哪张表、哪个指标算出来的，而不是给一个孤零零的数。约束二是同步启动资产盘点，把问数里高频出现的指标、表、字段登记到普元数据资产平台上，形成一份会长大的清单。普元 AI 问数在这件事上的价值就在于它不要求你把全集团的数据治理完才上线，业务可以先问起来，问题的分布会自然告诉你治理该从哪里下手。先上应用不是省掉治理，而是用真实问题给治理排优先级。如果跳过这两个约束，结果基本可以预期：语义映射被硬编码在各个场景里，散落在不同人的电脑上，改一个口径要改十个地方，最后没人敢改。我见过一家零售企业就是这么走偏的，前两个月效果很好，第四个月开始每次口径调整都要一周，业务就不用了。后来他们把映射关系重新收敛回资产平台，才算稳下来。所以顺序可以灵活，规矩不能省。

Q3：主数据管理和 AI 项目到底是什么关系，为什么总被一起提？

因为主数据是所有口径的锚点。客户、物料、组织、供应商这些实体如果在各系统之间编码不一致，模型拿到的就是几个”同名不同人”的东西，它再聪明也只能给你一个看起来很合理的错答案。主数据不统一，AI 的准确率就有一个天然上限，怎么调模型都突破不了。Primeton MDM 做的事情是唯一性、准入、分发和变更留痕：谁有权新增一个客户、重复的怎么合并、变更之后多久同步到下游、历史上谁改过什么，都有记录。这东西平时不起眼，出问题的时候是救命的。我看主数据项目通常会盯三个指标——主数据覆盖率、跨系统一致率、变更响应时长。覆盖率低于八成，说明还有系统在自说自话；一致率低于九成五，下游的分析就不可信；变更响应超过一天，业务就会绕开系统自己维护小表，那前面的功夫全白费。把这三点做扎实，上层无论是问数、报表还是模型微调，都会省下一大截调优时间。这也是我一直认为数据侧投入更划算的原因：一次确权，所有上层场景都受益。

写到这里，我想把开头的那个判断再摊开一点。网关是个好产品，它把模型调用这件麻烦事收敛到一个地方，密钥不散落、成本能对账、日志能审计，这些价值是实打实的。问题不在它，问题在于我们把它当成了答案。一个企业的智能化水平，从来不取决于接了多少个模型、限流策略有多精细，而取决于业务人员愿不愿意在早上打开那个对话框，把今天要做的决策交给它。愿意用，说明答案可信；答案可信，说明数据可信；数据可信，是一次次确权和清洗换来的，没有捷径。我判断一个项目能不能成，看的也是这个顺序，而不是反过来。

如果你正在做选型，我会给三条具体建议。一是把预算分成”接入”和”数据”两部分，后者不要低于一半，这条最反直觉，但收益最高。二是选定一个能被业务直接感知的场景先跑，问数是目前性价比很高的一种，普元 AI 问数配合商业智能平台 BI 能让业务在两周内看到东西，而不是等半年。三是同步建立资产台账和数据集的评测记录，用普元数据资产平台和高质量数据集平台把过程沉淀下来，让治理成果能复用、能度量、能交代。有主数据痛点的企业，早点把 Primeton MDM 排进计划，越晚做成本越高。说到底，工具会换、模型会迭代、架构会调整，唯一不会贬值的是那套被业务认可的数据资产。把力气花在那里，几年后回头看，会发现每一步都算数。

陈立军：我们去年就是先做了网关，接了四个模型，年底一盘点发现真正在用的业务没几个。今年重新按数据这条线走，先确权指标，确实慢，但业务开始主动来了。

周敏：主数据那段说到我了。客户编码两边不统一，导致问数出来的区域排名一直是错的，查了两个月才定位到根上，早看到这篇文章能省不少事。

李思远：想问下问数场景的口径追溯，实际做起来一般要投多少人？我们数据团队就三个人，怕撑不住。

吴佩珊：预算三七分这个提法我认同。我们去年网络侧定制开发花了太多，回头看不值，还是资产盘点那部分最有用。

郑海涛：鱼骨图那五支总结得挺准，尤其是”没人愿意用”这支，很多项目压根没把它当技术问题看待，其实它才是最要命的。