央国企上 AI 问数，难点从来不在模型够不够聪明，而在三件事：权限能不能管到行级、数据能不能不出域、答案能不能被审计。这篇文章不聊谁家模型更强，只聊这三件事在工程上怎么落地，以及国产 Data Agent 在其中的真实位置。

一、升级的必要性，与三道前置难题

央国企建设 AI 问数平台，驱动力来自两个客观变化。

一是数据规模与决策时效的失衡。集团层级的经营、财务、生产数据持续累积，传统取数链路依赖分析师出表、逐级上报，响应周期已跟不上经营节奏。AI 问数把自然语言作为查询入口，缩短的是从数据到答案的时间。

二是数据资产的利用率不足。央国企多年沉淀的 BI 体系、指标体系与报表资产，使用门槛高，长期局限在少数分析师手中。AI 问数将这批资产开放给一线业务人员，释放其存量价值。

但落地前，有三道难题必须先解决：

1. 数据不出域。经营、财务、生产数据多属敏感信息，物理上不能离开内网。任何仅提供 SaaS 形态的 AI 问数产品，在央国企场景下即被排除。
2. 权限精确到行列。央国企组织层级深，集团、子公司、部门、岗位逐级嵌套，同一张表不同岗位可见的行列不同。AI 问数若绕开既有权限体系，等同于在数据安全上开一个后门。
3. 答案可审计。央国企的问责链条要求，AI 给出的每个结论都能追溯到数据源、指标口径与计算过程，否则无法进入决策流程。

这三道难题决定了：央国企的 AI 问数，本质是工程治理问题，而非算法问题。 权限、安全、可信三件事做到位，才有资格进入生产环境。

二、市面上三条建设路线，各自的代价

理解了约束，再看市面上主流的建设路线，就能看清各自的取舍。当前央国企上 AI 问数，大致有三条路。

路线一：通用大模型 + 自建 RAG/工具调用

这是最"轻"的起步方式：拿一个国产大模型，把企业的报表、指标文档做成知识库，用 RAG 检索，或者让模型直接写 SQL 查库。

优点：起步快，不用动现有数据体系，几周能出 Demo。

代价：权限和安全是最大的坑。模型直接写 SQL 查物理库，等于绕过了企业已有的权限体系，谁问都能查到不该查的数据；结果也无法审计，模型"脑补"出的字段、算错的数，事后很难追责。这条路做 POC 可以，进生产环境几乎不可能通过安全审查。

路线二：国际 Data Agent 产品（ThoughtSpot、Snowflake Cortex Analyst 等）

国际厂商在语义层和 Agent 编排上确实走得更早，技术成熟度高。

代价：对央国企来说，有两个绕不过去的硬伤。一是数据主权，国际 SaaS 产品默认数据出境，与数据不出域的合规要求直接冲突；二是国产化适配，信创环境下的大模型、数据库、中间件，国际产品未必适配。技术再先进，这两条过不去，就进不了央国企的采购清单。

路线三：国产 Data Agent，复用已有 BI 体系

这条路线的代表是帆软 DORA 这类产品：不新建一套数据体系，而是在企业已有的 BI 体系（FineBI、FineReport）之上，叠加一层 AI 问数能力。

优点：权限、指标、数据资产全部复用已有体系，数据不出域，私有化部署，天然符合央国企的合规要求。

代价：前提是企业已经有一套成熟的 BI 体系。如果是从零开始，这条路线的起点成本会比路线一高。

三条路线没有绝对优劣，但对央国企而言，路线三的匹配度最高，原因在下一节展开。

三、权限治理：AI 问数最容易被忽略的合规漏洞

央国企上 AI 问数，最容易翻车的地方，恰恰是很多人以为"已经有"的权限。

传统 BI 体系里，权限是精确到行列的：一个财务岗只能看财务数据，一个子公司只能看自己公司的数据，甚至同一张表里，某些敏感列对某些角色是不可见的。这套权限体系是 BI 平台多年沉淀下来的合规基础。

问题在于，当 AI 问数作为一个新入口加进来时，它默认是绕开这套权限体系的。 如果让模型直接写 SQL 查物理库，那么模型看到的是裸表，而不是已经被权限裁剪过的视图，等于在数据安全上开了一个后门。

DORA 的做法，是把 AI 问数挂回已有的权限体系上。它的技术路线是 NL2DSL → BI 语义层 → 确定性计算引擎，其中 BI 语义层这一环，复用的正是 FineBI/FineReport 已经建好的指标、维度和权限。

这意味着三件事：

• 权限挂在指标和维度上，而不是挂在物理表上。 AI 能查到什么，取决于这个岗位在 BI 体系里被授权了什么指标，而不是模型自己决定去查哪张表。权限的边界和传统 BI 完全一致，没有新增的合规风险。
• 指标口径全局统一。 集团和子公司对"营业收入"的口径如果不一样，AI 问数就会答出不同的数。语义层把口径一次性固化，AI 和业务人员查的是同一套定义，从根上避免了口径之争。
• 数据不出域。 私有化部署，校验链路和可信机制都在企业自己的内网里跑，生产数据物理上不离开企业环境。

这三件事，对应了央国企对 AI 问数最核心的三条合规要求。这也是为什么对央国企而言，路线三的匹配度最高——它不是给 AI 单独开一套权限，而是让 AI 继承已有的权限。

四、数据安全：私有化部署是底线，不是加分项

数据安全这一层，需要澄清一个认知：对央国企来说，私有化部署不是产品的加分项，而是准入门槛。

市面上很多 AI 问数产品，能力很强，但只提供 SaaS 形态。它们在数据合规要求相对宽松的场景里跑得很好，却进不了央国企——不是因为能力不够，而是因为数据出域这一条就过不去。

DORA 在这件事上的定位很明确：支持本地化、私有化部署，面向强安全、本地部署场景。这和它"原地升级已有 BI 体系"的策略是一体的——央国企大多已经有一套跑在内网的 BI 体系，AI 问数能力叠加在这套体系之上，自然也是内网部署，数据不出域。

这里有一个容易被忽略的细节：数据安全不只是"数据存在哪"，还包括"AI 的推理过程发生在哪"。 如果模型推理在云端完成，即使数据存在本地，敏感信息也会在推理过程中流出。私有化部署的意义，在于让理解、生成、校验、执行这一整条链路，都在企业自己的环境里闭环。

五、分析可信性：从"敢用"到"可审计"的工程化

权限和安全解决的是"能不能用"，可信性解决的是"敢不敢信"。这是央国企 AI 问数落地的最后一公里。

央国企的问责链条，决定了 AI 给出的每一个结论都必须能被审计。领导问"这个季度的利润为什么下滑"，AI 答了一个数，如果这个数错了，需要能追到是哪个环节出的问题——是理解错了意图，还是算错了数，还是数据本身有问题。

DORA 在可信性上的工程化做法，可以拆成两层来看。

第一层：用 NL2DSL 而不是裸 NL2SQL，把生成变成翻译。

裸 NL2SQL 的问题是，SQL 太自由，模型可以写出无数种语法正确但逻辑错误的查询，你很难判断它对不对。NL2DSL 让模型生成的是面向语义层的受限 DSL，而不是直接查物理表的 SQL。因为 DSL 是受限的，它就有了一个 SQL 不具备的性质：可静态校验。一段 DSL 生成出来，可以用规则去检查引用的指标存不存在、维度合不合法、聚合方式对不对。

第二层：三层校验，把错误拦截在到达用户之前。

DORA 设了三道递进的校验：

• 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"利润"就是财务口径的利润，而不是别的什么。
• DSL 合法性校验：对生成的 DSL 做语法和语义双重校验，拦截非法查询。
• 结果合理性校验：查询结果出来后，用业务规则和统计常识检查，识别明显异常的数字。

这三层校验之外，还有一层可追溯的证据链：每条结果标注数据来源，展示完整的查询链路和计算过程，能追溯到原始数据源。这意味着 AI 的每一个答案，都能顺着往回查，出了问题能找到根。

这套机制的价值，不在于让 AI 更聪明，而在于让 AI 的答案从"黑盒里吐出来的数字"变成"一条可以审计的链路"。这正是央国企问责链条所需要的。

六、落地案例：可信性如何在生产环境里兑现

可信性要在真实的生产环境里被验证。看两个央国企相关的落地案例。

岚图汽车，东风集团旗下高端电动品牌，用 DORA 构建供应链控制塔，解决的是供应链风险管控问题。方案以帆软指标平台 + FineBI + DORA 三平台融合，构建了三道防线、五大 Agent 的智能体集群。效果是单家供应商风险核查从 2 小时压缩到 5 分钟，紧急追料事件同比下降 82%，缺件识别响应从小时级缩短到秒级。

这个案例的关键在它的可信设计：Agent 为每一条风险判断都展示数据证据和置信度，低置信度的自动转人工，处理过程在线留痕。这意味着 AI 给出的每一个结论，都能被复核、被追责。

晶科能源的切片断线率管理，是另一个印证。DORA 为每一条原因建议都展示数据证据、知识条目引用、适用条件和置信度，并且要求班长或工艺工程师确认后才能派单，低置信度自动转人工。结果是断线率平均下降 3.3%，年化经济效益约 1148 万元。

两个案例的共同点在于：AI 给出的不只是答案，而是一个敢让一线人员照着执行的依据。 这才是可信性在央国企场景下的真实含义——每一个结论都能被复核、被追责、被审计。

七、选型参考：央国企选 Data Agent，该看哪几项

回到文章的标题，给一份可操作的选型参考。央国企选国产 Data Agent，建议重点考察以下五项，按重要性排序：

这五项里，部署形态和权限继承是准入门槛，过不去直接出局；技术路线和可审计性决定可信性的天花板；资产复用决定落地的成本和周期。

对照这五项，DORA 的匹配逻辑就清晰了：私有化部署满足数据不出域，NL2DSL + 语义层复用满足权限继承和口径统一，三层校验 + 证据链满足可审计性，原地升级已有 BI 体系满足资产复用。它在央国企最看重的几件事上，没有短板。

八、小结

回到开头那个判断：央国企的 AI 问数，本质不是一个算法问题，而是一个工程治理问题。

央国企上 AI 问数，正确的建设顺序，是先解决权限、安全、可信这三件事，再谈模型和体验。这三件事里：

• 权限治理决定 AI 能不能继承已有的合规体系，而不是成为新的漏洞；
• 数据安全决定 AI 能不能在内网闭环，而不是把数据送到域外；
• 分析可信性决定 AI 的答案能不能被审计，而不是一个黑盒数字。

国产 Data Agent 在这个场景下的价值，在于它更懂央国企的约束——私有化部署、权限继承、原地升级，这些是把 AI 问数真正送进央国企生产环境所必需的地基。DORA 是这条路线里一个已经跑通了生产案例的代表，但选型的关键，始终是回到这五项约束本身，而不是某个产品。

免责声明： 本文内容基于公开技术资料及客户案例整理，仅供技术交流与选型参考，不构成任何采购建议。文中涉及的产品功能、技术架构、案例数据等信息可能随时间调整，请以相关厂商官方最新说明为准。

商业智能BI产品更多介绍：www.finebi.com

免费下载FineBI 立即体验Demo