企业 AI 问数：模型不是瓶颈，语义才是
企业做 AI 问数，最常见的失败不是模型不够强，而是模型根本看不见业务口径。一份 2026 年 10 月的央企实践给出了三组数字，也指向同一个方向：先把语义准备好，再把经验存下来。
好易智算（Haoee）是 AI 服务要素平台。把模型、智能体、数据与能力集合组织成可以创建、运行、发布、运营和持续演进的 AI 服务。其中，数据与能力集合在目前阶段 AI 的基础概念上集中体现为知识库、Skills、MCP Server。
01 行业正在发生什么
2026 年 10 月 23 日，爱分析发布了一篇企业实践分享：普元信息讲他们在一家超大型央企做 AI 问数的全过程，覆盖客户管理、寄递投递、报刊等业务域，最终进入 CRM 客户经营管理体系。文中有三组数字，值得单独拎出来看。
| 场景 | 准确率 |
|---|---|
| 公开基准测试：几十张表、二三十行 SQL | 80% 以上，2025 年最高 91.2% |
| 真实环境：1400 张表，口径存在冲突，需生成 100 多行查询 | 10%；加上限定条件后 35% |
| 大型客户对生产环境的要求 | 90%、95% 甚至更高 |
这组落差说明的不是“大模型不行”，而是：公开基准考的是能不能写对 SQL，真实业务考的是能不能找到对的字段、用对的口径。原文把这道鸿沟拆成三个具体障碍——语域鸿沟（业务术语在数据库里没有对应字段）、口径冲突（同一个指标多套算法）、数据量过载（上千张表、几万个字段，模型找不到该用的那个）。
分享者据此总结了企业建设 AI 问数时最常见的三个误区：
| 误区 | 具体表现 | 原文给出的解法 |
|---|---|---|
| 迷信 Text-to-SQL 直接上生产 | 基准 80% 以上，真实 1400 张表只剩 10% | 先建指标层，统一业务语义与字段映射，基于指标层问数 |
| 私有化模型参数越大越好 | 参数越大幻觉同步上升，显卡与内存成本高 | 问数这类垂直场景优先 27B–35B，实测准确度更高、幻觉更小 |
| 公网大模型一劳永逸 | 费用、时延、数据泄露与合规风险 | 敏感数据与核心业务在私有化模型上做“数据不出域”的问数 |
02 这件事对做 AI 落地的组织意味着什么
三个误区其实指向同一件事：企业 AI 的瓶颈，已经从“模型够不够强”移到“要素齐不齐”。
模型是通用能力，谁都能调用。业务术语、指标口径、跑通过的分析步骤，是组织自己的东西——模型不提供，也不会记得。
原文里有个说法值得记住：经验即资产。他们把分析方案、指标组合、分析步骤、报告都定义为可以被系统“装”进去的技能；个人做出来的可以发布成公共技能，别人既能安装也能修改，形成“沉淀—发布—复用”的闭环。
这句话的分量在于：它把 AI 落地的交付物，从“一个能问答的界面”换成了“一组能被复用的能力”。两者的差别不只是形式：
| 一次性的交付 | 可复用的交付 |
|---|---|
| 每次问都要重新解释背景 | 背景写在知识里，问一次就有 |
| 口径对不对靠人盯 | 口径写在哪，可以查到 |
| 换个人就重来一遍 | 换个人直接调用同一个能力 |
| 模型一升级就重做 | 模型可以换，方法留下来 |
原文还给了一个容量参考：一台常规推理服务器大约可支撑 100 至 200 名在线用户（非高频使用）。也就是说，规模化不靠无限堆模型，而靠缓存、上下文压缩这类工程手段，以及把能复用的部分沉淀下来。
对做落地的人来说，真正要回答的问题因此变成了：我们的业务知识、判断规则和跑通的步骤，以什么形式被保存下来、复用出去。
03 好易智算在这些方向上提供什么
好易智算（Haoee）站在平台这一层：它不绑定某一个具体应用，而是把“知识 + 规则 + 动作”组织成 AI 服务的那几类要素。对应上面的解法逐项看：
| 原实践的做法 | 好易智算对应的要素 | 解决什么 |
|---|---|---|
| 先建指标层，统一业务语义 | 知识库 | 业务术语、指标口径、字段对应关系沉淀成可检索的知识，让模型查得到，而不是猜 |
| 经验即资产，步骤可发布复用 | Skills | 把跑通的方法、输出格式、检查规则封装成可调用的能力包 |
| 用 MCP 标准协议对接现有系统 | MCP Server | 把外部系统的能力接成智能体可调用的工具，不推翻现有架构 |
| 敏感数据不出域 | 私有化部署 | 数据与能力集合部署在自己的环境里，不必出域 |
| 不被单一模型锁定 | 多模型统一接入 | 同一个服务可以换模型，不必为一个模型重做一遍 |
这五项不是并列的清单，而是咬合的：知识库解决“凭什么回答”，Skills 解决“按什么方式处理”，MCP Server 解决“需要执行什么”。缺一个，链路就断在那里。
想看清这三者的分工和接入顺序，可以看如何把 Skills 与 MCP Server 接入好易智能体。
04 怎么落地：三步
第一步：选一个问题，不要先选一个平台。从每周都会发生、口径相对明确的任务开始——某张固定报表的取数、某个指标的口径核对。问题越小，验收标准越清楚，也越容易判断这次到底做没做成。
第二步：先把语义定下来，再谈模型。把这个任务涉及的业务术语、指标定义、字段对应关系写进知识库。原文把这一步叫“建指标层”，本质是一回事：让模型查得到，而不是靠猜。这一步做完，“找不准”的问题会先解决掉一大半。
第三步：把跑通的那一次，封成 Skill。第一次跑通后不要就停在那里。把步骤、输出格式、检查规则封成一个 Skill，下一次直接调用。这是“经验变成资产”的分界线：不做这一步，每次都要重新教一遍。
05 常见问题
Q：AI 问数一定要私有化部署吗？不一定要，取决于数据能不能出域。原文的建议是：敏感数据与核心业务放在私有化模型上做“数据不出域”的问数，复杂推理交给公网模型。好易智算支持私有化部署，也支持公网直接使用。
Q：需要换掉现有的数据仓库或 BI 吗？不需要。原文的判断是 BI 与问数长期共存：BI 解决固化的报表与看板，问数解决灵活、即时的分析需求，两者在数据治理体系下融合，不是替代关系。
Q：为什么不直接用更大的模型？原文给出的实测结论是：问数这类垂直场景里，27B–35B 的模型准确度更高、幻觉更小；参数越大，幻觉同步上升，而成本增长更快。真正决定准确率的是语义和规则有没有准备好。
资料来源：爱分析《超大型央企的万人AI问数实践》，2026 年 10 月 23 日。分享嘉宾：普元信息高级副总裁王克强、智能大数据研究院院长李书超。文中行业数据均引自该文，不代表好易智算的实测结论。