AI 会无限放大企业数据基建的质量差异
大模型让自然语言入口变得普遍，企业真正需要补上的，是能让模型稳定调用、可被治理、可持续复用的语义数据基建。
数据基建质量决定 AI 自动化上限
弱数据基建
口径不统一，含义模糊
权限靠人工补丁
结果难复核，风险高
VS
语义数据基建
语义统一，业务可理解
白盒可解释，推理可控
权限审计，安全可信
数据可被理解
统一本体与语义，让经营指标、对象、事件、关系进入可推理结构。
推理可被约束
业务意图先进入 LogicForm，再由受控引擎执行，减少模型自由猜测。
结果可被审计
从问题、语义解析、执行链路到结果返回，每一步都能追溯复核。
亿问 Data Agent 核心技术链路
我们不把复杂企业语义一次性压给模型猜，而是把自然语言转成可约束、可执行、可审计的中间表示。
直接 NL2SQL 为什么难以成为企业长期底座
直接生成 SQL 可以做演示，但当企业语义、权限、别名、指标、上下文不断增长，稳定性和可治理性会快速成为瓶颈。
直接 NL2SQL
把复杂业务语义直接压给模型与 Prompt 记忆
口径漂移
同一指标多种口径并存时，模型容易把相似问题回答成不同结果。
复杂语义失控
多维、跨表、多跳、时间窗口和嵌套语义会迅速超出单次 SQL 生成能力。
权限难继承
企业权限不只是字段过滤，还涉及角色、组织、行列边界与访问审计。
结果难复核
黑盒生成很难解释推理过程，问题定位与责任追踪成本高。
VS
端到端 NL2DSL
试图一步生成 DSL 或 SQL，把扩展成本留给模型泛化
口径漂移
同一指标多种口径并存时，模型容易把相似问题回答成不同结果。
复杂语义失控
多维、跨表、多跳、时间窗口和嵌套语义会迅速超出单次 SQL 生成能力。
权限难继承
企业权限不只是字段过滤，还涉及角色、组织、行列边界与访问审计。
结果难复核
黑盒生成很难解释推理过程，问题定位与责任追踪成本高。
从一个经营分析试点，沉淀可复用的 AI 数据基建
试点不是孤立项目，而是企业建设本体化语义层、可信执行链和未来 AI 数据应用底座的起点。
1
选高频场景
从经营报告、临时问询、归因分析等高价值场景进入
2
建本体语义层
梳理业务对象、事件、指标、维度、关系与口径
3
接入治理执行
连接权限、审计、SQL/API/URL 等受控执行链路
4
验证可信结果
通过真实问题验证稳定性、准确性与可复核性
5
扩展更多应用
复用语义资产，支撑更多 AI 数据应用落地
试点过程中沉淀的核心资产
指标口径
统一定义与计算逻辑
实体事件
业务对象与事件模型
关系路径
实体间关联与归因链
权限策略
角色 / 数据 / 操作边界
审计样本
问答与执行事件记录
技术评估关注点，亿问 Data Agent 已经具备
技术版首页的目的不是把所有细节讲完，而是让评估者知道哪些能力可以继续深入核查。
技术评估检查清单（示例）
语义理解能力
支持实体、指标、维度、口径管理
支持
白盒推理能力
Alisa + LogicForm 可追踪
支持
权限继承
组织、行列、接口边界
支持
审计与调试
问题、解析、执行、结果留痕
支持
部署与运维
私有化部署与监控
支持
确定性执行
受控链路降低随机生成带来的不稳定性。
白盒链路
LogicForm、执行过程和结果均可追溯。
权限继承
对接企业身份与组织边界，最小化越权访问。
行为审计
完整记录提问、解析、执行与访问行为。
私有化部署
支持核心数据留在企业自有环境内。
开放集成
通过 API/SDK 与现有系统、工具和应用连接。