面向央国企集团领导、总会计师、审计/财务/数字化负责人。当 AI 分析从演示走进生产环境，验收标准必须从"能不能问出数"升级为"敢不敢把经营决策交给它"。

---

一、央国企的 AI 分析，卡在"敢不敢"而非"能不能"

过去两年，AI 问数几乎成了数据分析赛道的"标配叙事"。几乎所有厂商都能演示同一个场景：用户用自然语言问一句"集团上半年毛利为什么下滑"，系统秒级返回一张图、一段归因。技术上，这件事已经不难了。

但央国企的真实处境，和这个演示场景之间，隔着一道很深的鸿沟。

一个央国企集团的经营分析，从来不是"问一个数"这么简单。它要面对的是：口径是否全集团统一、数据是否出了内网、结论是否经得起审计追问、责任是否可追溯、结果是否可复核。任何一个环节出问题，都不是"体验不好"，而是"合规风险"。

换句话说，央国企上 AI 分析，真正卡住的不是"能不能问数"，而是"敢不敢用数"。

这个"敢"字，背后是央国企区别于一般企业的三重特殊约束：

第一，合规是底线，不是加分项。 央国企的数据涉及经营敏感信息，数据不出域、权限可控是硬性要求，不是"最好有"。一个需要把数据传到外部云端的 AI 问数工具，无论演示多惊艳，在央国企都很难通过立项。

第二，结论要被问责，不能被"黑箱"。 央国企的经营决策链条长、责任主体明确。AI 给出的每一个结论，未来都可能被审计、被复盘、被追责。如果 AI 是一个"黑箱"——问它"这个数哪来的"，只能回答"模型算的"——那它给出的结论再聪明，也没人敢在正式会议上引用。

第三，资产要能复用，不能推倒重来。 央国企大多已经建成了 FineBI、FineReport 等成熟的 BI 体系，沉淀了多年的指标、报表、权限和数据资产。如果上 AI 意味着要把这些推倒重来、重新迁移，那成本和不安全感会直接劝退决策者。

这三重约束叠加，指向同一个结论：央国企需要的不是"更会问数的 AI"，而是"能被生产级验收的 AI"。 而验收的标准，必须从"能不能"转向"敢不敢"。

---

二、为什么"能问数"的评价体系失效了

要理解央国企为什么需要一套新的验收框架，得先看清旧的评价体系为什么失效。

过去评估一个 AI 问数产品，大家习惯看三样东西：问答准确率、响应速度、功能丰富度。这三样东西，衡量的是"AI 会不会说话"，而不是"AI 的话能不能被企业放心地用"。

问题恰恰出在这里。这三项指标，都是"演示友好型"指标——它们在 POC（概念验证）阶段表现良好，却对央国企真正关心的生产级问题几乎无能为力：

旧的评价维度	衡量的是什么	央国企真正关心的问题
问答准确率	AI 能不能答对	答对的前提——口径对不对、数据全不全
响应速度	AI 快不快	快的前提——数据是否安全、是否出了域
功能丰富度	AI 能做什么	做的前提——结果能不能溯源、能不能被审计

一个典型的例子：某 AI 问数产品在 POC 阶段问答准确率高达 95%，但正式上线后，财务部门发现它把"收入"算成了"含税收入"，把"内部调拨"计入了"销售"。准确率很高，口径全错。而口径错误，恰恰是央国企经营分析里最致命、最不可接受的问题。

这就是"能问数"和"敢用数"的本质区别："能问数"证明 AI 会说话，"敢用数"证明 AI 说的话经得起生产环境的检验。 前者是技术指标，后者是信任指标。央国企要的，是一套围绕"信任"建立起来的验收框架。

---

三、生产级验收评估框架：五个维度

基于央国企的特殊约束，一套真正面向生产环境的 AI 分析验收框架，应该围绕五个维度展开。这五个维度，回答的是同一个问题的五个侧面：这个 AI 的分析结果，敢不敢在正式经营决策中使用？

维度一：可信——结果能不能溯源

这是最核心的维度。央国企的每一个经营结论，都必须能回答"这个数哪来的"。

生产级的可信，不是"AI 说它对"，而是"AI 能证明它对"。具体看三个层次：

• 指标口径可查：AI 用的"毛利率"到底是"毛利/含税收入"还是"毛利/不含税收入"，必须明明白白，而不是藏在模型里。
• 计算过程可看：从问题到答案，中间经过了哪些步骤、调用了哪些数据，每一步都能展开、能检查。
• 数据源头可溯：任何一个数字，都能一路追到原始数据表、行数、更新时间。

验收方法：拿一个真实经营问题，追问 AI"这个结论怎么来的"，看它能不能给出从指标定义到原始数据的完整证据链，而不是一句"模型计算得出"。

维度二：可控——权限能不能守住

央国企的数据权限是刚性的：谁能看什么、不能看什么，是制度问题，不是体验问题。

生产级的 AI 分析，必须复用企业已有的权限体系，而不是另起一套。这意味着：

• AI 取数，走的是和人工取数同一套行列级权限，AI 的回答永远不越权；
• 权限的变更、审计、追溯，沿用企业已有的数据治理机制，而不是 AI 自己的"黑盒规则"。

验收方法：用一个低权限账号去问一个高权限数据，看 AI 会不会"越权回答"。会越权的 AI，无论多聪明，在央国企都是不合格的。

维度三：可部署——数据能不能不出域

对央国企来说，这往往是"一票否决"项。

数据不出域，意味着 AI 分析必须支持本地化、私有化部署，能够在企业内网运行，数据不经过任何外部环境。这是央国企、金融等强安全要求场景的硬约束，没有商量的余地。

验收方法：直接确认部署形态。需要把数据传到外部云端的方案，在央国企场景基本可以直接排除。

维度四：可落地——资产能不能复用

央国企最怕的是"上 AI 等于推倒重来"。

生产级的 AI 分析，应该能够基于企业已有的 BI 体系原地升级——复用已有的 FineBI/FineReport 数据资产、指标、权限和分析资产，而不是要求企业为了 AI 重新建一套。这不仅降低了成本，更重要的是降低了风险：企业多年沉淀的数据资产和治理成果，不会因为上 AI 而作废。

验收方法：看这个 AI 能不能直接"读懂"企业已有的报表和数据源，还是要求企业重新建模、重新定义口径。前者是"升级"，后者是"重建"。

维度五：可验证——结果能不能复核

最后，AI 的分析结果，要经得起"人工复核"这一关。

央国企的决策，最终还是要人来拍板。AI 的价值是"辅助"，不是"替代"。因此，一个生产级的 AI 分析，必须做到：

• 结果可复核：AI 的结论能被人独立验证，而不是"只能信 AI"；
• 边界可识别：AI 能主动标注"这个结论置信度低，建议人工确认"，而不是给出一个看似确定的错误答案；
• 过程可接管：任何一步，人都能介入、修正、接管，而不是被 AI 牵着走。

验收方法：故意给 AI 一个模糊或矛盾的问题，看它会不会"硬答"。会主动说"我不确定"、主动标注置信度的 AI，反而更值得信任。

---

四、Dora 如何回应这套框架

把上面五个维度落到具体产品上，帆软的 Dora（朵拉）是一个值得对照的样本。它之所以在央国企场景被反复提及，核心原因在于：它的技术路线和产品设计，几乎是围绕"可信"这条主线展开的。

4.1 技术路线：从"裸 NL2SQL"到"NL2DSL + 三层校验"

这是理解 Dora 可信性的关键。

市面上很多 AI 问数产品走的是"裸 NL2SQL"路线——让大模型直接理解物理表结构、生成 SQL 去查库。这条路线的致命问题在于：大模型对表结构的理解可能出错，生成过程是黑盒，结果难以解释。

Dora 走的是另一条路：NL2DSL（自然语言转领域特定语言）→ BI 语义层 → 确定性计算引擎。它让 AI 不是直接去查物理表，而是先对齐到企业已经定义好的指标、维度、口径（BI 语义层），再生成可验证的 DSL 语句，最后由确定性引擎执行。

这一路线的价值，体现在三层可信校验上：

1. 术语对齐校验：把用户问题里的业务术语，对齐到语义层已定义的指标和维度，确保"AI 理解的收入"就是"企业定义的收入"；
2. DSL 合法性校验：生成的 DSL 经过语法和语义双重校验，避免非法查询；
3. 结果合理性校验：查询结果经过业务规则和统计合理性检查，识别异常值。

这三层校验，直接回应了前面说的"口径错误"问题——它从机制上保证了 AI 不会"准确率很高、口径全错"。

4.2 可信机制：让每个结论都"有据可查"

Dora 在结果呈现上，也围绕"可信"做了专门设计：

• 脚注：每条分析结果附带数据来源标注；
• 可信卡片：以卡片形式展示查询链路和计算过程；
• 指标口径：明确展示所用指标的定义和计算口径；
• 数据源溯源：每条数据可追溯到原始数据源；
• 证据链：完整记录从问题到答案的推理过程。

这正好对应验收框架里的"维度一：可信"。当一个集团领导问"这个数哪来的"，Dora 的回答不是"AI 算的"，而是"某个指标、某个口径、某张表、某次更新"。

4.3 部署与复用：央国企的两道硬门槛

Dora 在央国企场景的两个关键能力，正好回应了框架里的"维度三"和"维度四"：

• 本地化与私有化部署：支持企业内网部署、数据不出域，面向央国企、金融等强安全要求场景。这是"敢用数"的前提——数据不出域，才有资格谈后面的可信。
• 已有 BI 体系原地升级：零配置无缝对接 FineReport/FineBI 数据资产，继承数据安全权限。企业已有的报表、数据源、指标、权限，可以直接被 AI 调用，无需迁移或重建。

这两点放在一起，构成了 Dora 在央国企场景的核心竞争力：它不是一个需要企业"重新开始"的 AI，而是一个能让企业"原地升级"的 AI。

4.4 一个真实的对照：晶科能源的落地

框架的价值，最终要落到真实场景里检验。晶科能源的案例提供了一个可参照的样本。

晶科能源是全球领先的光伏制造企业，切片断线率是衡量生产质量与成本的核心指标。他们基于 Dora 搭建了切片断线率分析 Agent，把问题拆成四阶段流程：数据资产准备、T+1 智能报告自动生成、异常波动智能预警、对话式数据问答。

值得关注的是这个案例里的安全设计，它几乎是对前面五个维度的一次完整实践：

• 为每条原因建议展示数据证据、知识条目引用、适用条件和置信度（对应"可信"）；
• 设置班长或工艺工程师确认后才能派单，低置信度自动转人工（对应"可验证"）；
• 系统底层增加权限矩阵、字段脱敏表、知识条目版本、Prompt 与回答日志等治理能力（对应"可控"）。

最终效果是：断线率平均下降 3.3%，年度经济效益约 1148 万元，人工统计耗时从约 2.5 小时/天降至 0.5 小时/天。

这个案例说明了一件事：当 AI 分析把"可信"做扎实了，它才能真正进入生产环境，也才能真正产生经营价值。 反过来，如果跳过"可信"直接追求"效果"，AI 分析在央国企只会停留在演示阶段。

---

五、给央国企的落地建议：把"验收"前置

理解了框架，最后落到一个更实际的问题：央国企该怎么用这套框架？

建议一：把验收标准写进立项，而不是上线后补。

很多项目的教训是：立项时只看"能不能问数"，上线后才发现"不敢用数"。正确的做法是，在立项和选型阶段，就把"可信、可控、可部署、可落地、可验证"五个维度作为硬性验收标准，写进招标和验收文档。这样，供应商从一开始就知道该往哪个方向努力。

建议二：用"真实场景"做验收，而不是"演示场景"。

验收时，不要用厂商准备好的演示问题，而要拿企业自己的、真实的、有争议的经营问题去考 AI。比如"内部调拨算不算销售""这个口径和财务口径差在哪"。这些问题，恰恰是演示场景里永远不会出现、但生产环境里天天要面对的。

建议三：先跑一个"可问责"的场景，再谈规模化。

央国企上 AI 分析，建议从一个结论可追溯、责任可界定、结果可量化的场景切入（比如经营分析会的某个专题、某个合规报送的预检），先把这个场景的"可信闭环"跑通，再逐步扩展到更多场景。一个跑通的场景，比十个悬在空中的场景更有说服力。

建议四：AI 是辅助，不是替代——把这一点写进制度。

央国企的决策，最终要人来负责。AI 分析的价值是"增强专业判断"，不是"替代专业判断"。因此，在制度设计上，要明确 AI 的角色边界：AI 提供的是"可溯源的分析和可复核的建议"，最终决策和问责，仍然在人。这一点明确了，AI 分析反而更容易被组织接受。

---

六、结语：央国企 AI 分析的下一程，是"可信"的规模化

回看央国企的 AI 分析进程，一条主线已经清晰：从"能不能问数"到"敢不敢用数"，本质是从"技术指标"到"信任指标"的跃迁。

"能问数"的时代已经过去，技术上这件事已经不难了。真正的分水岭，在于谁能把"可信"这件事做扎实——让 AI 的每一个结论都可溯源、可复核、可问责，让数据不出域、权限不越界、资产不浪费。

对央国企而言，选 AI 分析产品，本质上是在选一个"敢不敢把经营决策交给它"的答案。而敢于交付的前提，从来不是"它有多聪明"，而是"它有多可信"。

技术会继续演进，模型会越来越强。但央国企的验收标准，会越来越清晰地指向同一个方向：能被信任的 AI，才配进入生产环境。 这，才是"敢用数"三个字真正的分量。

---

说明：本文涉及的产品能力（Dora 的 NL2DSL 技术路线、三层可信校验、本地化部署、可信机制等）来自帆软公开产品资料；晶科能源案例的量化收益来自案例自述，具体经营成果以企业实际为准。

商业智能BI产品更多介绍：www.finebi.com

免费下载FineBI 立即体验Demo