这不是一个换大模型就能解决的问题。AI问数不准确，未必只是模型能力不足。相比反复更换模型，企业还应检查指标口径、元数据、数据质量、数据时效和权限体系等数据基础——这些因素往往比模型本身更影响问数效果。以下逐一拆解六类容易被忽视的数据问题。
一、六大数据问题，比模型更需要优先排查
1. 源数据错误
最朴素也最常见的问题：原始表中字段值本身就错了。录入环节的误操作、历史迁移中的转换偏差、跨系统同步时的数据丢失——AI 查询到的是错误数据，给出的自然也是错误答案。源数据的准确性，是 AI 问数可信度的第一道关口。
2. 指标口径不统一
同一个业务指标，不同部门可能有不同的理解和计算方式。"销售额"是含税还是不含税？"回款率"的分母是对账金额还是签约金额？如果这些定义没有统一，AI 生成查询时可能用到不一致的口径，导致三个部门问同一个问题得到三个不同的答案——不是 AI 算错了，而是"到底哪个是对的数"本身就没定下来。
3. 业务术语缺失
用户说"帮我看下上个月的回款情况"，AI 需要在数据库中找到对应的表和字段。但如果系统中没有建立"回款率"这个概念的统一定义，AI 就无从下手。这中间存在四层映射关系：用户语言→业务术语→指标口径→表和字段。任何一层断裂，AI 的回答就会出现偏差——逻辑可能正确，但业务上不成立。
4. 元数据不完整
仅有表名、字段类型等技术元数据，AI 难以稳定地完成业务查询。还需要字段业务含义（"cust_level"代表"客户等级"而非"信用评级"）、指标口径关联（"订单金额"是含税还是不含税）、更新频率（是实时数据还是 T+1 快照）等业务元数据。缺少这些信息时，AI 可能依赖字段名称进行猜测，选错表、取错字段的概率就会明显上升。
5. 数据时效与口径不一致
财务场景以月结为准，生产调度需要实时数——如果 AI 统一使用离线快照，财务问数"看起来对"但口径不匹配，生产问数直接看错时间窗口。真正的问题不是"数据够不够实时"，而是数据的更新周期与用户问题要求的时间口径不一致。
6. 权限体系不完整
权限问题影响的不只是"能不能查到"。一个业务人员查询"我的客户回款情况"，如果他的数据权限只覆盖了部分客户，AI 给出的汇总数就会因范围不足而失真。另一方面，如果权限配置松散，AI 可能在回答时展示了当前用户不该看到的敏感字段——准确性问题和合规问题叠加。
二、从"换模型"到"治数据"：五条治理路径
针对以上六类问题，企业可以从五个方向建立治理基础。
统一指标体系和业务术语。 把"销售额""回款率""在途库存"等核心指标的定义、取数来源、计算逻辑定下来，建立业务术语与指标口径的映射关系。有了这套"业务字典"，AI 才知道用户说的"销售额"对应哪个系统的哪张表的哪个字段。
补全元数据和数据映射。 在技术元数据基础上，补全字段业务含义、指标口径关联、更新频率和上下游依赖关系。元数据越丰富，AI 在用户语言和具体表字段之间的映射越准确——从"猜"变成"查"。
建立数据质量检测与整改闭环。 对 AI 问数涉及的核心数据建立持续质量监控，参考 GB/T 36344-2018《信息技术 数据质量评价指标》[2]的六个维度——规范性、完整性、准确性、一致性、时效性和可访问性——作为质量评价框架。在查询结果中同步展示数据更新时间、质量状态和可信度提示。对发现的质量问题形成告警、整改和复核闭环——不是每次查询重新跑全量检测，而是持续监控为主、查询时展示状态。
明确数据更新周期和时效状态。 不同场景对"最新数据"的要求不同——财务以月结为准，生产需要实时。标注每个数据集的更新频率和统计周期，AI 才能根据问题类型选择时间口径匹配的数据源。
建立与用户身份联动的数据权限体系。 确保 AI 在回答用户问题时，既能完整覆盖用户有权访问的数据范围，又不会越权展示敏感字段。权限的范围直接影响回答的完整性和合规性。
三、典型场景还原：问数偏差排查实例
以下为基于常见项目经验的典型场景还原，非可核实的具体客户案例。
一家电子制造企业在部署 AI 问数能力初期，业务部门最集中的反馈是"查出来的数不对"。排查后归因于三类数据基础问题。
一是指标口径。生产、仓储、财务三个系统对"准时交付率"的定义不一致——有的按订单创建时间算，有的按发货确认时间算。AI 引用了不同口径的数据源，同一问题的回答在不同时间出现不一致的结果。
二是元数据不完整。部分关键数据表缺少字段业务含义和指标关联标注——"order_status"到底代表订单状态还是支付状态，AI 需要靠字段名称猜测，选表选字段出现偏差的概率不容忽视。
三是数据时效错位。生产排产需要实时工单数据，但 AI 默认使用了 T+1 离线快照；财务对账需要月结数据，但 AI 查询了未结算的流水表——两种场景都答不对。
团队重新梳理了核心指标的取数口径和映射关系，补全了关键字段的业务元数据，并区分了需要实时响应的生产类指标和依赖日结月结的经营类指标。调整后，因指标口径、选表错误和数据时效引发的问数偏差有所减少，业务部门对问数结果的接受度逐步提升。
四、排查顺序总结
AI 问数不准确时，建议按以下顺序排查：
是否理解对了用户的业务问题；
是否使用了统一的指标口径；
是否选对了数据表和字段；
源数据质量是否达标；
数据更新时间是否符合问题要求；
当前用户的数据权限范围是否完整；
SQL 生成、关联查询和结果解释是否正确。
很多问数偏差并不是换一个模型就能解决的——需要模型、语义、数据和权限共同治理。
FAQ
Q1：换了几个大模型都不行，真是模型的问题吗？
从不少企业项目的实践来看，问数不准往往同时涉及模型、语义和数据基础。企业可以先判断 AI 是否找对了指标、选对了表、使用了正确的时间范围；如果这些基础条件存在问题，仅更换模型通常难以解决。
Q2：小企业没精力做全套治理，怎么低成本提升 AI 问数效果？
先选择三到五个高频问数场景，只治理涉及的核心指标、数据表和关键字段。范围收窄后更容易形成阶段性效果，再逐步扩展。龙石 AI 数据中台 4.0 也在探索将智能问数与现有数据中台能力结合，通过本地化部署、元数据补全和指标治理，为企业问数场景提供数据基础。
Q3：指标口径统一了，AI 问数就一定能答对吗？
不一定。指标口径是必要条件不是充分条件。还要看元数据是否完整、数据质量是否达标、数据时效是否匹配用户问题的要求、权限范围是否覆盖了合理的查询范围。指标口径 + 元数据映射 + 质量基线 + 时效匹配 + 权限覆盖——几个条件都满足，AI 问数才能比较稳定可靠地工作。
Q4：元数据治理和 AI 问数有多大关系？
关系直接。AI 生成 SQL 时，需要根据用户的自然语言问题找到正确的表和字段。缺少业务元数据时，AI 可能依赖字段名称进行猜测，难以稳定、准确地完成业务术语与具体表字段之间的映射。元数据越丰富，AI 的"找表"准确率越高。
参考来源
[1] 龙石数据，AI用数智能体，https://www.longshidata.com/products/aianalysis.html
