AI 问数很热，但有一类企业，一直站在门外。

央国企、金融、政务，这些对数据安全有强要求的企业，不是不想用 AI 分析，而是不敢用——不是担心 AI 不够聪明，而是担心两件事：数据能不能留在内网，分析结论能不能被核查。前者是部署问题，后者是可信问题。而这两个问题，恰恰是市面上大多数 AI 问数产品的软肋：要么是 SaaS 形态、数据要出域，要么是黑盒生成、结论说不清来路。

帆软 Dora（朵拉），正是为这类企业而生的那款产品。它走的是一条和主流不同的路：不是把 AI 能力做成云端服务，而是把可信分析能力，装进企业自己的内网里。

一、信创环境，卡住 Data Agent 的两道坎

先看清信创环境对 Data Agent 提出的特殊要求。

第一道坎是部署。信创环境意味着国产化软硬件栈、内网隔离、数据不出域。而市面上主流的 AI 问数产品，大多是 SaaS 形态，数据要上传到云端才能分析。对央国企和金融机构来说，这是不可逾越的红线——不是技术问题，是合规问题。

第二道坎是核查。信创环境下的分析结论，往往要进入正式的决策流程、甚至审计流程。这意味着，一个数字给出来，必须能回答"它用了什么口径、怎么算的、数据从哪来、权限有没有越界"。黑盒生成的分析，哪怕结果碰巧是对的，也进不了需要追责的场景。

这两道坎，决定了信创环境下的 Data Agent，不能只是"更聪明的问数工具"，而必须是一个可控、可核查的分析系统。Dora 的产品设计，正是围绕这两个词展开的。

二、NL2BI：把"正确"交给语义层，而不是模型

Dora 在技术路线上做了一个关键选择：不用裸 NL2SQL，而是走 NL2BI 路线。

裸 NL2SQL 的问题是，AI 直接生成 SQL 去查物理表，正确性完全押在模型对表结构的理解上。表结构复杂一点、字段命名不规范一点，模型就容易"幻觉"——生成一段看似合理、实则查错字段的 SQL。更麻烦的是，SQL 生成过程是黑盒，业务人员看不懂，审计人员更没法查。

Dora 的路线是：用户提问 → NL2BI → BI 语义层 → 确定性计算引擎。AI 不是直接生成 SQL 去查物理表，而是把自然语言意图转成对 BI 能力的调用，再经过 BI 语义层——指标、维度、口径、权限在这里统一管理——最后由确定性计算引擎执行。

这个架构的差别是根本性的：

简单说，Dora 把"正确"这件事，从模型手里拿过来，交给了语义层和确定性引擎。模型负责理解用户想问什么，而"查什么、怎么算、有没有权限"，由系统里的语义层和引擎来保证。这是"可控"的技术根基。

三、三层校验 + 证据链：让"可核查"落到每一环

技术路线决定了"可控"，而"可核查"靠的是 Dora 的校验机制和可信呈现。

三层可信校验，在结果生成前把错误挡在门外：

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"净毛利"和企业定义的"净毛利"是同一个东西；
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，是"事前拦截"，在结果出来之前就把口径漂移和非法查询挡掉。

而证据链，是"事后可查"：

Dora 的每一个分析结果，都附带完整的可信呈现——脚注标注数据来源，可信卡片展示查询链路和计算过程，指标口径明确写出所用指标的定义，数据源溯源让每条数据都能追到原始来源，证据链完整记录从问题到答案的推理过程。

这意味着，一个数字给出来，不是一句"AI 算的"，而是一条可以被逐环核查的链路。对信创环境下的审计和合规场景，这恰恰是不可或缺的——结论不仅要正确，还要能被证明正确。

四、数据资产复用：已有 BI 体系原地升级

Dora 区别于其他产品的一个关键能力，是它对已有数据资产的复用。

很多央国企和金融机构，经过多年建设，已经在 FineBI、FineReport 里沉淀了大量指标、报表、权限和分析资产。这些资产是企业的核心数据财富。传统做法要让它们长出 AI 能力，往往意味着迁移、重建，甚至推倒重来——这在信创环境下，代价和风险都极高。

Dora 的价值，正在于让这个过程变得不必要。它零配置无缝对接帆软生态，直接继承 FineReport、FineBI 的数据资产和数据安全权限，数据资产即接即用。企业已有的报表、数据源，可以直接被 AI 调用；已有的权限体系，直接被 AI 复用，确保 AI 的回答永不越权。

这一点在信创环境下尤其重要：已有资产本身就是经过验证、经过审计的可信资产。复用这些资产，恰恰是在降低 AI 的不确定性，而不是从零开始赌模型的发挥。这既降低了实施成本，也降低了合规风险。

五、本地化私有化部署：数据不出域

对信创环境来说，Dora 最直接的价值，是它支持本地化与私有化部署。

Dora 可以部署在企业内网，数据不出域，与现有 IT 架构无缝集成。这意味着，央国企、金融机构可以在自己的信创环境里跑 Data Agent，不需要把数据上传到任何云端服务。

这一点，是 Dora 和 FineBI（AI原生版）的定位差异所在：FineBI（AI原生版）是 SaaS 形态，面向新建分析体系的新客；Dora 是本地化部署，面向已有 BI 体系、对数据安全有强要求的企业。两者不是竞争，而是互补——企业可以根据自己的处境，选择匹配的产品。

同时，Dora 的高可插拔性，让它既能基于官方精调的 Skills 快速孵化数字员工应用，也能把 Agent 发布到其他平台、与不同系统做前端集成，嵌入企业现有的工作台。

六、企业该怎么选、怎么上

对正在信创环境下评估 Data Agent 的企业，有几条可以落地的判断。

先分清"部署"和"可信"两个问题。 很多企业把"能不能私有化部署"当成选型的唯一标准，这不够。私有化部署解决的是"数据不出域"，但解决不了"结论可不可核查"。一个私有化部署的黑盒模型，依然进不了审计流程。所以选型要同时看两件事：部署形态是否支持本地化，以及有没有语义层、校验机制、证据链这套"可核查"的能力。

看技术路线，而不是看模型参数。 在信创环境里，模型能力往往不是瓶颈，瓶颈是"正确性由谁保证"。要优先选 NL2BI 这类把正确性交给语义层和确定性引擎的路线，而不是裸 NL2SQL 路线。判断标准很直接：问一句"这个数字用了什么口径、怎么算的、数据从哪来"，看它能不能给出一条可核查的链路。

看能不能复用已有资产。 信创环境下的企业，大多已经有一套 BI 体系。如果一款 Data Agent 要求推倒重来，那它的实施成本和风险都高得离谱。要优先选能零配置对接已有资产、继承已有权限的产品，让 AI 站在已有可信资产的基础上，而不是从零开始。

落地时，从一个高频、有明确口径的场景切入。 比如经营分析会、风险预警、监管报送这类场景，先跑通一条"问题—分析—结论—证据链"的完整链路，验证可核查性，再逐步扩展。

七、结语：信创环境，缺的不是更聪明的 AI，而是可控可核查的系统

回到开头的问题：为什么央国企、金融机构一直站在 AI 问数的门外？

因为它们要的，从来不是"更聪明的 AI"，而是一个可控、可核查的分析系统。数据要留在内网，结论要能被追责，权限要能被继承，链路要能被审计。这些要求，恰恰是市面上大多数 AI 问数产品给不了的。

帆软 Dora 的价值，正在于它把 Data Agent 从"云端服务"变成了"企业内网里的可信分析系统"。它用 NL2BI 把正确性交给语义层，用三层校验和证据链让结论可核查，用资产复用让 AI 站在已有可信资产之上，用本地化部署让数据不出域。

对信创环境下的企业来说，这或许才是 Data Agent 真正能落地的形态——不是把数据交给一个更聪明的云端模型，而是在自己的内网里，跑通一条可控、可核查的 AI 分析链路。

商业智能BI产品更多介绍：www.finebi.com

免费下载FineBI 立即体验Demo