大模型解决的是“听懂人话”企业语义解决的是“听懂这家公司的话”。今天的大模型已经很会说中文了。你问“帮我看看华中今年卖得怎么样”它当然知道什么叫“华中”什么叫“今年”也知道“卖得怎么样”大概率是在问销售表现。但问题是——它懂中文不代表它懂你们公司。“华中”到底包括哪些省份“今年”按自然年还是公司财年“卖得怎么样”看销售额、回款额还是毛利如果销售额上涨 20%毛利率却下降了 8 个百分点这到底算好还是不好到了这里你会发现智能问数真正难的从来不是把一句中文翻译成 SQL。而是怎么把模糊的人话翻译成企业内部确定的数据语言。这中间靠的就是语义。而且至少有三层指标语义、维度语义、业务术语。少一层AI 都可能回答得很流畅但答的根本不是你想问的问题。这也是现在看智能问数时一个很容易被忽略的地方AI 开始分析之前有没有先把业务问题理解准确。FineBI Next的智能分析里面对比较复杂的任务可以先通过计划模式确认业务场景、指标口径、分析对象和输出要求再生成具体的分析步骤如果只是临时查数也可以直接进入对话并基于已有结果继续追问、下钻。比如同样一句“看看今年华东销售情况”真正进入分析之前首先要对齐的其实就是“销售”按什么指标算“华东”按什么范围算“今年”按什么时间口径算。所以智能问数真正需要补上的并不只是模型理解自然语言的能力。更重要的是在模型和企业数据之间建立一层它能够理解、调用并且遵循的业务语义。FineBI Next需要自取https://s.fanruan.com/zk65g复制到浏览器接下来就从这三层语义拆开看。一、为什么模型越来越强智能问数还是会答错过去几年智能问数最常见的路径是 NL2SQL。流程很简单用户提问模型理解生成 SQL查询数据库再把结果返回。Demo 看起来很漂亮。但一进真实企业马上就复杂了。比如用户问“今年华东销售额最高的产品是什么”数据库里可能同时有订单金额合同金额开票金额回款金额含税销售额不含税销售额。到底哪个才是“销售额”再比如“客户数”。是签约客户、下单客户、付费客户还是去重后的集团客户数据库可以告诉 AI 字段叫什么。但数据库不会告诉 AI“公司经营会上讲的客户数默认指本期产生有效收入、排除内部交易后的独立客户主体。”这才是企业真正的数据语言。所以智能问数有一个非常核心的矛盾大模型掌握的是语言概率企业需要的是业务定义确定性。模型可以猜。经营决策不能靠猜。二、第一层指标语义——这个数字到底代表什么智能问数最容易出错的首先是指标。比如“本月销售额是多少”听起来只是在查一个数。实际上背后可能涉及按订单还是收入确认是否含税是否包含退货是否剔除内部交易汇率按哪个时间点数据截止到哪一天。所以一个真正能被 AI 使用的指标不能只有一个名字。它至少还要告诉 AI怎么定义、怎么算、统计谁、什么时候算、从哪里来。这就是指标语义。它回答的是“这个数字到底是什么”如果没有指标语义AI 只能在一堆字段中猜哪个更像“销售额”。字段名猜对了不代表业务口径对了。而企业真正需要的是无论谁问“销售额”拿到的都是公司已经确认的那个销售额。这才叫可用。三、第二层维度语义——这个数字到底在看谁只有指标还不够。因为真实的业务问题很少只是“销售额是多少”更常见的是“华东大客户今年新产品销售额同比怎么样”这里除了销售额还有华东、大客户、今年、新产品、同比。它们决定的不是“算什么”而是对谁算、在哪算、什么时候算、按什么角度看。比如“华东”。A 公司可能是上海、江苏、浙江、安徽。B 公司可能还包括福建、江西。甚至同一家公司里销售体系和供应链体系对“华东”的划分都可能不同。再比如“消费电子事业部利润怎么样”“消费电子事业部”背后可能是一整套组织层级集团、事业群、事业部、产品线、产品。所以指标决定数字是什么维度决定数字属于谁。指标错了答案错。维度错了答案一样错。四、真正难的不是层级而是业务关系维度语义最麻烦的地方其实不是“省下面有市”。而是企业真实的业务关系。比如用户问“哪些客户最近有流失风险”数据库里可能同时存在CRM 客户、ERP 客户、签约主体、开票客户、集团客户、门店客户。一个集团客户可能有十几个签约主体。那到底算一个客户还是十几个这不是 SQL 能决定的。这是业务定义。再比如产品改名、SKU 合并、产品线调整、组织归属变化。今年属于 A 产品线的 SKU去年可能还属于 B 产品线。如果 AI 不知道这些关系它仍然能生成一条语法正确的 SQL。图也能画得很好看。但结论可能已经错了。所以技术上查询成功不代表业务上回答正确。这才是企业级智能问数真正难的地方。五、第三层业务术语——业务人员根本不会按数据库说话还有一层更麻烦。真实业务人员很少会按照指标中心里的标准名称提问。他们会说“最近华南几个大 KA 掉得有点厉害帮我看看。”这里没有标准字段。“大 KA”是什么意思“掉得厉害”怎么算“帮我看看”又要看什么但一个熟悉业务的分析师通常能马上理解。“大 KA”可能是年度采购额超过某个阈值的重点客户。“掉得厉害”可能是最近三个月采购额明显低于过去半年均值。“帮我看看”通常意味着继续拆产品、订单频率、客单价、区域找到原因。这就是业务术语。每家公司都有自己的“黑话”。制造业会说良率、齐套率、呆滞料、OTD。零售会说动销、店效、坪效、爆品、滞销。互联网会说 DAU、留存、GMV、LTV。更麻烦的是同一个词不同公司的定义还不一样。“大客户”是年销售 500 万以上还是 1000 万以上“活跃客户”是 30 天有交易还是 90 天“爆品”按销量、销售额还是增长率判断这些东西大模型无法从互联网里学到确定答案。因为问题不是“行业一般怎么定义”而是“你们公司到底怎么定义”六、业务术语也不只是做个同义词词典很多人一说业务术语就想到同义词。比如KA 重点客户。GMV 商品交易总额。当然有用。但远远不够。比如用户问“哪些店最近卖得不好”“卖得不好”本身就可能是一套规则。有的企业定义为销售额低于区域平均。有的企业看连续三个月同比下降。还有的企业会同时看销售额、毛利率和客流。所以业务术语的高级形态不只是词语映射。而是把企业内部的判断逻辑也变成 AI 能理解的语义。到了这一步智能问数才开始从“查一个数”真正走向“理解一个业务问题”。七、三个语义放在一起AI 才开始真正懂业务再看一句很普通的话“看看华东今年哪些大客户掉得比较厉害。”对人来说一句话。对 AI 来说背后至少要完成三次翻译。第一理解业务术语。什么叫“大客户”什么叫“掉得厉害”第二理解维度。“华东”包括哪里客户按集团主体还是签约主体统计第三理解指标。到底比较销售额、订单额还是回款额同比还是环比最后才能形成一个真正可执行的数据问题。所以智能问数真正要补的不是自然语言和 SQL 之间的距离而是自然语言和企业业务规则之间的距离。八、这也是 FineBI NEXT 这类 Data Agent 真正值得看的地方理解到这里再看 FineBI NEXT会发现它真正要解决的并不是“让大模型更会写 SQL”。而是让 Agent 在企业已经治理好的数据环境里工作。这两条路线差别很大。如果 AI 直接面对数据库它看到的是cust_type 3业务人员看到的是重点客户。数据库里是region_code E03业务人员说的是华东大区。数据库里是一个收入字段。业务真正关心的是公司统一口径的营业收入。所以企业真正应该交给 AI 的不是一堆原始表。而是一套已经被解释过的数据世界。FineBI NEXT 背后本身就有 BI 的数据模型、指标体系、权限和分析能力。Agent 做的是在这些能力之上理解问题、调用数据、执行分析。这样一来语义负责让 AI 不理解错BI 底座负责让 AI 真正做得出来。这比单纯让大模型对着 Schema 猜要可靠得多。九、未来智能问数拼的不是谁更会聊天今天看智能问数 Demo很容易比较这些东西谁回答更快。谁生成的图更漂亮。谁说的话更像真人。但企业真正应该问的是同一个“销售额”所有人问出来是不是一个数字“华东”“重点客户”“直营网点”AI 能不能理解准确“大客户掉得厉害”“库存有点高”这种业务语言它听不听得懂换一个部门提问还能不能遵守原来的数据权限AI 给出结论以后能不能继续追到指标、模型和原始数据这些问题才决定智能问数能不能真正进入生产环境。所以未来真正拉开差距的不只是大模型。而是谁能在企业内部建立一套完整、准确、可治理的业务语义体系。模型会越来越趋同。企业语义不会。十、AI 越强语义治理反而越重要过去企业做 BI指标不统一最多是几张报表对不上。到了 Agent 时代这个问题会被迅速放大。以前“销售额”有三个口径分析师还能主动找人确认。以后如果没有规则AI 很可能直接选一个它认为最合理的。人遇到不确定会问模型遇到不确定往往会猜。以前一个指标错了可能错一张报表。以后一个指标错了所有调用这个指标的 Agent 都可能一起错。所以AI 并不会让数据治理变得不重要。恰恰相反。Agent 越往生产环境走语义越会成为企业数据基础设施。这也是 FineBI NEXT 这类产品真正有价值的地方。它不是绕过 BI 和数据治理。而是把已经治理好的指标、模型、权限和分析能力进一步变成 Agent 可以理解和调用的企业语义环境。结语大模型懂中文之后下一步是让它懂“公司话”智能问数走到今天一个越来越清楚的事实是自然语言已经不是最难的部分。真正难的是自然语言背后的企业上下文。用户说“华东今年几个大客户掉得有点厉害帮我看看原因。”AI 想真正听懂就必须知道什么叫华东。什么叫大客户。什么叫掉得厉害。用什么指标判断。客户按什么口径统计。应该和哪个周期比较。数据从哪里来。用户有没有权限看。发现问题以后还应该从哪些维度继续分析。这就是企业自己的“数据语言”。指标语义告诉 AI数字是什么。维度语义告诉 AI数字属于谁。业务术语告诉 AI业务人员到底在说什么。三者合在一起Agent 才真正开始懂业务。所以智能问数下一阶段的竞争表面上看是在卷 Agent。底下真正卷的可能是一个更基础的问题谁先把企业的数据和业务变成 AI 真正能够理解的语言。