从 8.6% 到 5%，一个年省 1148 万的生产损耗闭环，回答了一个行业都在回避的问题：AI 问数，结果到底能不能信。

一、AI 问数很热，但企业不敢用

过去一年，几乎每一家 BI 厂商、每一个数据团队都在谈同一件事：让业务人员用自然语言问数，AI 直接给答案。这个愿景听起来很美好，不用学 SQL、不用等分析师排期，想问什么问什么。

但真正落地的时候，企业卡在了同一个地方：AI 给的答案，敢不敢直接拿去用？

这不是杞人忧天。三个问题横在"能用"和"敢用"之间：

第一，幻觉。 AI 问数最怕的不是答不上来，而是答错了还一本正经。大模型天生会"编"，当它检索不到准确数据、或者理解错了问题，它会生成一个看起来合理、实则错误的结果。在经营决策里，一个错误的数字，比没有数字更危险。

第二，口径不一致。 同一个"毛利率"，财务算的是毛利除以不含税收入，销售算的是毛利除以含税收入。AI 如果搞不清企业内部的指标口径，问出来的数就会和财务对不上，越问越乱。

第三，结果不可验证。 AI 给了一个数字，但这个数字从哪张表来的、经过了什么计算、口径是什么，如果说不清楚，业务人员就只能"信也不是、不信也不是"，最后还得回头找分析师核对。

这三个问题，本质是同一件事：AI 问数的价值，不在于"能不能答"，而在于"敢不敢信"。 而"敢信"这件事，恰恰是过去一年大多数 AI 问数产品没有真正解决的。

二、真正该看的标准，是"可信"而不是"能答"

行业正在经历一次评价标准的重估。

过去看 AI 问数产品，大家问的是：能不能理解自然语言、能不能生成图表、响应快不快。这些是"能答"的范畴。

但企业真正要的，是一个能进经营决策的答案。这个答案需要满足三件事：口径统一、过程可溯、结果可验证。做不到这三点，AI 问数就永远只能停留在"演示很惊艳、上线不敢用"的阶段。

这不是一个技术炫技的问题，而是一个工程落地的问题。谁能把"可信"做成产品内置的默认能力，谁才真正解决了 AI 问数落地的最后一公里。

帆软 Dora 走的就是这条路。它没有把重心放在"让 AI 更会说话"上，而是放在"让 AI 的每一步都可验证"上，用一套三层可信校验机制，把 AI 问数从"模型猜的"变成"可追溯、可核查、可管控"的确定性结果。

这套机制到底怎么落地，光讲原理没有说服力。真正有说服力的，是一个真实企业的真实数字。

三、一个真实案例：晶科能源怎么用 Data Agent 管断线率

晶科能源是全球领先的光伏制造企业，业务覆盖硅片、电池片、组件全产业链，拥有上饶、鄱阳、越南等国内外十余个大型生产基地。

在它的切片环节，有一个核心指标叫断线率，衡量切片生产的质量与成本控制水平。这个指标有多重要？每降低 1% 的断线率，意味着数百万元的硅料损耗节约。项目启动前，车间平均断线率是 8.6%，部分车间最高超过 10%。

但管好这个指标，远比听起来难。晶科当时面临三个具体困境：

• 追踪效率低：依赖车间经理次日回访，只能覆盖前一天断线事件的概要，大量事件在管理中被"遗失"；
• 分析门槛高：数据查询链路长、跨表联动弱，业务人员难以在复杂数据模型中快速定位问题；
• 根因定位难：班组长事后回忆只能提供笼统的原因描述，数据口径不一致，积累的是低质量数据。

这三个困境，恰好对应了 AI 问数落地的三个老问题：数据散、门槛高、口径乱。晶科的选择，是用帆软 Dora 搭建一个"切片断线率分析 Agent"，把问题拆成四步解决。

四、四步闭环：从"次日回访"到"实时可查"

晶科的落地路径，可以拆成四个环节，环环相扣：

第一步，数据资产准备与 Agent 搭建。 创建"切片断线事件明细"分析主题，把 FineBI 的分析主题和仪表板导入 Dora 作为分析素材；在知识模块录入业务规则：断线原因 6 大类、断线率口径、对策规范，并配置字段语义信息和每小时自动刷新。这一步的关键，是把企业的口径和规则"喂"给 Agent，而不是让 Agent 自己去猜。

第二步，T+1 智能分析报告自动生成。 配置"切片断线率 T+1 分析日报"定时任务，每天 08:00 自动执行，通过智能报告技能生成多维度统计报告，推送到钉钉。人工统计从每天 2.5 小时降到 0.5 小时。

第三步，断线率异常波动智能预警。 当任一车间断线率超目标值、或环比上升超 20% 时，自动推送预警，搭配 FineReport 制作闭环管理系统，完成从问题推送到执行闭环。

第四步，对话式数据问答。 车间经理和管理层用自然语言提问——"昨天上饶基地 3 号线断线率多少"——Agent 秒级返回结果。

这四步，把原来"次日回访、事后回忆"的低效管理，变成了"实时可查、自动预警、对话问答"的闭环。但真正让这套系统"敢用"的，是藏在背后的可信设计。

五、关键在可信：AI 的每一步都可验证

晶科案例里，最值得拆解的其实不是"AI 能做什么"，而是"AI 的结果为什么敢信"。这背后是帆软 Dora 的三层可信校验机制。

第一层，术语对齐。 AI 在理解问题时，不是凭大模型的"感觉"，而是先和企业录入的业务术语、指标口径对齐。断线率怎么算、断线原因分哪几类，这些规则是企业在知识模块里明确定义的，AI 严格按这个口径来，而不是临时猜一个定义。

第二层，DSL 合法性校验。 帆软 Dora 走的是 NL2DSL 技术路线，而不是裸 NL2SQL。AI 不是直接生成 SQL 去查物理表，而是把自然语言转成受控的 DSL 查询语言，在 BI 的语义层内执行。这意味着每一次查询都落在企业已验证的数据模型和权限体系内，从根上规避了"乱查表、越权访问"的风险。

第三层，结果合理性校验。 AI 给出结果后，还要经过合理性校验，这个数字是否在合理区间、是否符合业务常识。异常的结果会被拦截，而不是直接甩给用户。

这三层校验叠加，产生了一个关键结果：每条原因建议，都展示数据证据、知识条目引用、适用条件和置信度。 也就是说，AI 不只是给结论，还告诉你"这个结论的依据是什么、置信度有多高"。置信度低的建议自动转人工，由班长或工艺工程师确认后才能派单，并保留驳回和修正记录。

这才是"敢信"的本质：不是让 AI 替人做决定，而是让 AI 的每一个结论都可追溯、可复核、可纠错。 人依然是决策的主体，AI 提供的是有据可查的辅助。

六、可信带来的，是实打实的经营结果

可信不是口号，它最终要落到数字上。晶科能源用这套系统，交出了一份有说服力的成绩单：

这些数字背后，是同一个逻辑：当 AI 的结果可信，企业才敢把关键指标交给它管；当企业敢用，AI 的价值才会真正兑现。 断线率下降 3.3% 不是 AI"算"出来的，而是 AI 让问题更快被发现、更准地被定位、更稳地被闭环之后，自然发生的结果。

七、AI 问数的分水岭，是"敢用"

回到开头的问题：AI 问数，结果到底能不能信？

晶科能源的案例给出的答案是：能，但前提是可信被做成了产品内置的能力，而不是靠模型"自觉"。

行业正在从"AI 问数能不能答"的兴奋期，走向"AI 问数敢不敢用"的冷静期。在这个阶段，真正决定一款 AI 问数产品能否落地的，不再是它的大模型有多聪明，而是它能不能回答三个问题：口径统一了吗、过程可溯了吗、结果可验证了吗。

帆软 Dora 代表的是其中一条更务实的路径，不追求让 AI"无所不能"，而是把可信校验、语义对齐、权限管控这些"笨功夫"做扎实，让 AI 的每一步都落在企业可管控的体系内。对制造业、央国企这些对数据准确性和合规性有硬要求的企业来说，这种"确定性"比"惊艳感"更有价值。

AI 问数的未来，不属于最会聊天的模型，而属于最敢让人信的产品。晶科能源已经用 1148 万证明了这一点。

本文基于晶科能源切片断线率闭环管理的公开落地案例整理，产品功能与效果数据以官方最新说明为准。

商业智能BI产品更多介绍：www.finebi.com

免费下载FineBI 立即体验Demo