ChatBI 智能问数:我们为什么把最多力气花在「问不对怎么办」

智能问数听起来很美:一句话问出想要的数据和图表,不用懂 SQL。但做这个产品越久,我们越意识到一个真正可怕的风险——不是它查不出来,而是它查错了,你还信以为真,拿着错的数据去开会、做决策。

查错比查不出,危险得多

查不出来,用户至少知道「这次没成」,会换个问法或找人帮忙。可如果它一本正经地返回一个看起来合理、实际上算错了口径的数字,用户很可能直接拿去用了。等到下游发现对不上,追溯起来代价极大。所以这一版,我们几乎把所有力气都花在了一件事上:让错误能被及时发现。

“一个会说「这里我不确定,你是指 X 还是 Y」的问数工具,比一个永远自信给答案的,可靠得多。

三个让错误暴露出来的设计

1. 1问题有歧义时,先反问澄清,而不是猜一个就跑——「你说的销售额,是含税还是不含税?」
2. 2把生成的查询逻辑透明地展示出来,让懂的人能一眼核对口径对不对
3. 3对结果做基本的合理性校验,数字异常时主动提示,而不是闷头返回

准确率之外,更要「可信」

我们不追求那种「什么都敢答」的炫酷感。一个企业级的问数工具,要的是让业务方敢把它的结果直接用进汇报里。这份「敢用」的底气,来自它在不确定时会停下来问、来自它把过程摊开给你看、来自它出错时会自己举手。

最隐蔽的坑:口径对不上

智能问数还有个特别隐蔽的问题——口径。同样问「上个月的销售额」,财务的口径含不含税、退货算不算、跨月订单怎么归,各部门理解可能都不一样。如果系统按一套口径算,用户心里想的是另一套,数字看着对、其实错。我们的做法是把关键指标的口径事先定义好、内置进系统,让它按企业认可的统一口径回答,而不是每次自己猜。

这件事说到底,是让 AI 和业务对齐「同一种语言」。技术上能不能跑通查询是一回事,业务上认不认这个数,是另一回事——后者才决定它有没有人真用。

复杂的问题,别硬塞给它

还得认清智能问数的边界:它擅长的是「明确的、能翻译成查询的问题」,比如各种维度的统计、对比、趋势。但遇到那种需要多步推理、跨多个口径拼装、甚至要结合业务背景判断的复杂分析,硬让它一句话搞定,往往不可靠。这种时候,更稳的是让它先出基础数据,复杂的分析留给人,或者拆成几步、人来把关每一步。

把它定位成「帮你快速拿到准确数据的助手」,而不是「替你做完整分析的分析师」,期望对了,用起来才不别扭。能力边界讲清楚,业务方也不会因为某次复杂问题答不好,就全盘否定这个工具。

别忘了:谁能问到哪些数

智能问数还有一道绕不开的关:数据权限。一句话就能查数,很方便,但也意味着——如果权限没卡住,一个普通员工随口一问,可能就问出了本该只有高管能看的经营数据。所以问数工具背后,必须接上企业的权限体系:每个人能问的、能看到的,严格限定在他有权访问的范围内。越是「问得方便」,越要把「能问什么」管得严。

这件事和知识库权限是一个道理:能被「问」出来的,就等于能被看到。把权限卡在数据访问这一层,而不是指望在结果里再过滤,才是稳妥的做法。一个不管权限的问数工具,在企业里是放不开手用的。

如果你在评估智能问数产品,我们的建议是:别只看演示里那几个对答如流的例子,故意拿几个有歧义、有坑的问题去问它,看它是装懂硬答,还是会停下来和你确认。后者,才是能放心交给业务用的那种。

留下你的场景和痛点,我们帮你判断从哪一步开始。