AI 问数总出错？根子在“语义”而非模型

一个屡见不鲜的失误场景：

上线三个月，市场部总算愿意尝试你们开发的 AI 查询工具。第一次提问，就是个非常基础的问题——

AI 瞬间返回了一个数字。市场部一看，觉得不太对劲，拿去和财务核对，财务摇头：这个数和我们月报差得很远。再拿去和销售对，销售更是一头雾水：这也不是我们要的回款标准啊。

三个部门，三组数据，谁都坚持自己是正确的。

你回看 AI，它一脸无辜——它确实按照你的指令查询了“销售额”，只是它理解的“销售额”与财务、销售理解的，根本不是同一个概念。

本文不拐弯抹角，只想把一件事说清楚：AI 查数为何总是做不好，以及它与一个叫“语义本体”的概念之间究竟有何关联。

很多团队把 AI 查数想得太复杂了，以为它是一个全能的数据分析师。

其实更贴切的比喻是：你招了一个学习能力强、但一无所知的实习生。

你问他“上个月华东销售额是多少”，他不会像老员工那样秒懂你的潜台词——是含税还是不含税？是下单还是付款？是发货还是回款？是自然月还是财务月？

他只会做三件事：

这三步里，第 1 步和第 3 步，现在的模型已经做得相当不错。真正拖垮无数项目的，是第 2 步：找到正确的口径。

因为关于口径这件事，AI 无法猜出，只能靠你“提前教会”它。

先别急着上技术，我们先把这个叫“口径”的词说人话。

口径，就是一个业务概念在数据中到底如何计算、如何定义。

就拿“销售额”这三个字举例，在公司内部，它至少有三种完全不同的含义：

同一个词，三种算法，三张报表，三个都对，但谁也跟谁对不上。

这不是个例。几乎每个业务词汇都藏着这种“一词多义”：活跃用户、转化率、毛利率、流失率……两两之间，定义可能相差十万八千里。

平时这些歧义，靠的是人与人之间的默契——老同事一句话，大家就懂指的是哪个口径。但 AI 没有这种默契。

那怎么办？总不能靠 AI 每次都问“您说的销售额是哪种”——那样业务早就把它拉黑了。

所以业界给出的解决方案，就是语义本体。

别被这个学术名词吓到，它做的事很朴素：把公司里所有业务概念，连同它们的定义、属性和相互关系，统一、无歧义地写下来。

具体拆开看，它由四个基本部件组成：

把这些织成一张网，再给每个指标钉死一个唯一算法——“销售额”到底是哪种口径，在词典里白纸黑字写清楚。

有了这本词典，AI 再听到“销售额”，就不是去猜，而是去查。查到什么，就答什么。口径统一了，AI 才第一次有了“准话”。

打个比方，这句话请记住：

理解了上面这些，再看 AI 查数的各种失误，就都能对上了。最常见的三种：

前两种，直接卡在语义本体上；第三种，语义和血缘要配合才能救。但无论哪一种，根子都指向同一个地方：你在让 AI 用一张没画对的地图，去跑一趟它没走过的路。

这里要泼一盆必要的冷水，免得你孤注一掷。

语义本体是 AI 查数做好的必要条件，但远不是充分条件。也就是说：语义没建好，AI 查数必差；语义建好了，只是把最难的那块地基打牢了。

往上盖楼，还有几关要过。把 AI 查数的失败原因分成三层看：

所以成熟的判断是：别把所有希望押在语义上，但也不要在语义没做好的时候，就急着去怪 AI 和模型。

那具体该怎么做？给一张可以带走的路线图：

三步做完，AI 查数才真正从“能跑”变成“能信”。

回到开头的失误现场。

你的 AI 查数再一次答非所问的时候，先别急着“炒了 AI”、换更贵的模型。

先问自己一个问题：我给它画对地图了吗？

语义口径统一了吗？业务概念建模了吗？数据能溯源了吗？

地图没画对，导航再好，也是南辕北辙。

如果你的 AI 查数也正卡在某一步，欢迎在评论区聊聊：你们是卡在“口径对不上”，还是卡在“查不到数”？说说你的失误现场，我帮你看看根子在哪。

关注我们，让企业数智化转型少走弯路

en+ 数智化 · 数智化转型和业财融合咨询陪跑

*本文为数据治理方法概念讨论，不涉及具体企业数据与统计口径，供行业交流参考。