第一个原因：预设问句，罩不住真实的问题

很多企业早期自建智能问数系统时，采用的是这样一条路径：上线前，由IT把业务常问的问题梳理出来，整理成一批标准问句，再提前配置好答案模板。业务问到预设范围内的问题，系统答得又快又准；一旦超出范围，要么答非所问，要么直接报错。

但这种做法有一个前提：业务问题可以被提前穷举。现实恰恰相反，很多问题并不是事先想好的，而是业务人员看着数据一步步追问出来的。

比如看到华东区销售额下降，他接着会问：具体掉在哪个省？哪条产品线？是几个大客户出了状况，还是整体都在下滑？和上个月的促销有没有关系？

每一次追问，都可能带来新的维度组合，预设问句很难接得住。接不住，就只能重新提需求、等排期、等上线，快则几天，慢则几周。来回折腾两次，业务人员自然会回到老办法：还不如直接找IT查。

只能回答提前准备好的问题，不是真正的自助分析，更像对着固定菜单点餐——菜单上没有的，就点不了。

第二个原因：会提问的门槛，太高了

平台虽然支持自由提问，但用户得先学会“怎么问”。

常见的情况是：平台上线后，IT组织培训、发操作手册，告诉业务人员模型里有哪些维度和指标，提问时要使用哪些标准说法。这些内容对IT人员并不陌生，对业务人员却像另一套语言。销售每天忙着开单、盯业绩、跟客户，如果使用一个工具之前，还得先弄懂数据模型、记住提问规范，这个工具就很难成为助手，反而多了一道负担。

业务想要的其实很简单：打开对话框，像平时说话一样问一句“上个月哪个省卖得最差”，系统直接给出结果，最好还能进一步说明问题出在哪里。如果连这一步都做不到，他们自然会回到熟悉的方式：导Excel，或者直接找IT。

把前面两个原因放在一起看，问题并不在于“用户保守”或者“习惯难改”。当一个新工具比原来的办法更慢、更难用，没人愿意用才是正常结果。

白泽的解法：不让大模型直接猜答案

这两个问题，也是我们做白泽V5时花力气最多的地方。因为要让智能问数真正被业务用起来，不能只靠大模型听懂一句话，还要解决企业数据能不能算准、追问能不能继续，以及结果能不能用于判断。

第一件，让“自由提问”建立在确定性上。

自然语言提问，难点从来不在“听懂”，在“算对”。

白泽V5把指标口径、维度关系预先沉淀在统一指标模型里，相当于让全公司先说同一种“数据普通话”，无论是销售问还是财务问，调用的都是经过统一定义的指标。

收到问题后，系统会先识别用户的业务意图，将问题映射到指标模型，再进行确定性计算，而不是让大模型直接猜测查询逻辑。结果中的数字可以查看来源和计算过程；超出当前数据或模型范围的问题，系统会明确提示暂未接入，而不是勉强生成答案。

第二件，让每次提问可以继续往下分析。

业务分析很少问一句就结束。看到一个结果后，人通常会继续往下问：为什么下降？主要掉在哪个区域？是哪条产品线造成的？具体涉及哪些客户？

白泽V5通过多个Agent协同处理这些任务：有的负责查数，有的负责归因，有的负责生成报告。比如用户问“上个月利润率为什么下降”，系统会继续从收入、成本、区域和产品线等方向拆解原因，并把分析路径呈现出来。用户可以顺着结果继续追问，不必每增加一个问题，就重新找IT提需求。

第三件，从给数据走向给分析

业务人员看到一张图表后，真正关心的往往是：这个变化意味着什么？

因此，白泽V5在返回数据和图表的同时，也会用文字提炼关键发现。对于月度经营分析等固定任务，用户可以上传既有的Word模板，由系统自动填入数据并生成初稿，同时附上指标溯源说明，交代数字来自哪里、按照什么口径计算。业务与财务核对结果时，也有共同的依据。

这些差异，在实际交流中很快就能看出来。一次客户沟通中，对方开场就问：“上线之后，业务真的会用起来吗？”

演示开始后，现场的业务人员没有停在预设问题上，而是顺着结果连续追问，从大区经营情况一路下钻到具体客户，并逐条查看数据来源。聊到后面，大家关注的已经不是“系统能不能查到数”，而是“这些结果能不能用于日常经营判断”。

另一位技术背景的CIO也提到，他接触过不少大模型与BI结合的产品，查询“去年销售额是多少”一般没有问题，但一旦继续追问“为什么下降”，很多系统就开始解释不清，也拿不出可靠依据。对他来说，AI问数真正难的并不是给出一个数字，而是能不能继续往下分析，并把数字从哪里来、结论怎么得出说清楚。

比产品更难的，是交付

产品能力解决的是“业务愿不愿意用”，真正落到项目中，还要解决另外三个问题：从哪些场景开始？自由提问的边界在哪里？什么样的结果才算通过验收？

第一步，是选择高频、刚需的业务场景，确定对应的数据、指标和能力范围。范围内支持自由提问和追问，结果可以追溯；范围外则明确提示“暂未接入”或“暂不支持”，不为了回答而回答。

第二步，是用真实问题完成验收。除了核对标准用例，还要让业务人员现场提问、连续追问。结果出现分歧，就回到双方确认的指标口径、数据来源和计算过程。

第三步，是根据真实使用持续完善。系统上线后，从首批场景逐步推广，根据业务人员的实际问法和使用反馈，不断补充指标、模型与业务知识。

Data Agent交付得好不好，不看上线了多少功能，而看它能否在真实业务问题中持续给出可信答案。

所以，Data Agent上线后会不会有人用，答案不在功能清单里，而在业务人员的实际选择里：它能不能比导Excel、找IT更快地解决问题，给出的结果能不能让人放心。

能够自由提问、继续追问，也能说清数字来源和分析依据，业务人员才会在下一次遇到问题时，愿意再次打开它。

—— 往期推荐 ——