这两年，企业做AI有一个很明显的变化。

最开始大家讨论的是模型。

参数多大、推理能力强不强、能不能接DeepSeek、GPT，似乎只要模型足够强，企业里的很多问题就能自动解决。

真正落地以后却发现：

模型升级得很快，企业自己的数据问题却一点都不会自动消失。

问一句“今年华东销售额是多少”，AI也许还能回答。

但继续问：

“为什么华东利润下降？”

问题马上复杂起来。

• 这里的“利润”到底是毛利、营业利润还是净利润？
• “华东”按照客户所在地、销售组织还是门店区域划分？
• 下降是同比、环比还是预算差异？
• 退款订单、内部交易、一次性费用又应该怎样处理？

模型再强，如果前面这些信息没有准备好，它也只能在不完整的上下文里猜。

所以AI时代企业真正要解决的，已经不仅是“有没有数据”。

更重要的是：

AI能不能找到正确的数据、理解正确的含义，再按照企业自己的业务逻辑继续分析。

这也是为什么现在看 FineBI Next 的AI智能分析，重点不能只放在最后那个对话入口上。实际分析过程中，AI可以基于数据继续做处理、指标计算、图表生成和问题探索，复杂任务还能先梳理分析计划，已经形成的分析思路也能继续沉淀复用。

从这个角度再看企业AI底座，会发现至少要准备三层东西：

数据、语义、知识。

少掉任何一层，AI都很容易停留在“能聊天”，却很难真正进入经营分析。

FineBI Next，需要自取：
https://s.fanruan.com/zj1jj

一、第一层是数据：先让AI看到可信的业务事实

企业从来都不缺数据。

真正缺的是：

可以直接拿来分析的数据。

一家企业可能同时存在ERP、CRM、WMS、MES、财务系统、人力系统，还有大量Excel和业务台账。

问题在于，这些系统天然是为了支撑不同业务流程建设的，并不是为了让AI统一理解。

同一家客户：

• CRM里叫“A科技”；
• ERP里叫“A科技有限公司”；
• 合同系统按照统一社会信用代码保存；
• 财务系统又有另一套客户编码。

如果这些数据直接交给AI，它面对的可能就是四个客户。

再看一张订单表。

里面同时存在：

订单金额、商品金额、优惠后金额、实付金额、开票金额、确认收入。

每个字段都是真的。

但分析“销售收入”究竟该取哪一个？

这就是AI数据准备的第一个难点：

数据正确，不等于分析事实正确。

企业至少要先解决四件事。

第一，数据找得到。

核心经营数据不能散落在不同部门，需要明确来自哪个系统、多久更新一次、谁负责维护。

第二，业务对象对得上。

客户、商品、供应商、组织、员工、门店这些核心实体，要解决跨系统编码和身份映射问题。

第三，数据质量过得去。

重复值、缺失值、异常状态、错误日期、失效记录，如果在进入AI之前没有处理，后面的分析只会把问题放大。

第四，数据过程追得回。

一个指标从哪些表来的，中间经过什么计算，什么时候更新，都应该能够继续追溯。

到了实际分析环节，这些准备动作仍然绕不过去。FineBI Next 里的分析表本身就可以继续进行数据合并、计算、筛选、转换、清洗等处理，再把整理后的数据交给后续分析；数据血缘和数据口径也处在这一分析体系里。

这里真正值得重视的是：

过去一张数据表有问题，影响的可能只是一张报表。

以后底层数据一旦出现错误，AI可能会继续自动算指标、找异常、生成图表，最后再形成一套逻辑完整的解释。

自动化程度越高，对底层数据可信度的要求反而越高。

所以数据层最终解决的是：

企业到底发生了什么。

二、第二层是语义：让AI听懂企业自己的“业务语言”

数据整理完以后，很多企业会以为下一步就可以直接问AI。

实际上还有一道更难的坎：

字段有了，但AI未必知道字段是什么意思。

比如“收入”。

• 销售部门理解的收入可能是签约额；
• 运营部门关注的是GMV；
• 财务部门则按照收入确认规则计算。

三个数字可能都没有错，只是回答的是三个不同的问题。

再比如“客户数”。

• 到底是注册客户？
• 成交客户？
• 当月下单客户？
• 最近90天活跃客户？
• 还是集团客户去重后的客户数量？

如果没有统一定义，用户问一句：

“今年客户增长了多少？”

AI甚至连分母和分子应该是什么都不知道。

所以AI时代，指标体系要进一步升级成：

机器能够理解的业务语义。

至少要准备五类内容：

指标定义、维度定义、业务实体、实体关系、时间口径。

例如：

• 销售额 = 已完成有效订单实付金额；
• 活跃客户 = 过去90天至少完成一次有效交易；
• 客户属于销售区域；
• 订单关联客户和商品；
• 商品属于品类；
• 本月指自然月还是财务期间。

过去这些规则经常散落在SQL、Excel公式、报表备注和分析师脑子里。

人和人协作时，还能通过开会把模糊口径补齐。

但AI不会天然知道这些“公司内部常识”。

企业越希望AI自己分析，就越需要把隐性的业务规则显性化。

三、语义真正难的地方，是让AI知道问题应该怎么拆

很多人把语义层理解成“给指标写个解释”。

其实远远不够。

真正的业务分析还有一层：

指标之间是什么关系。

用户问：

“为什么利润下降？”

分析师不会立刻在数据库里搜索一个叫“利润下降原因”的字段。

他会先拆：

利润 = 收入 - 成本 - 费用。

发现主要问题来自收入，再拆：

收入 = 销量 × 单价。

如果销量下降，再看：

区域、产品、客户、渠道。

如果只有某个客户群下降，还会继续分析客户数量、购买频次、客单量以及流失情况。

所以企业语义至少有三层：

第一层是指标语义：这个数字怎么算。

第二层是关系语义：这些指标和业务对象怎样连接。

第三层是分析语义：出现某类问题以后应该沿着什么路径继续找原因。

到了这一层，简单问数和复杂分析已经是两件不同的事情。

“各区域销售额是多少”边界非常明确。

“为什么今年增收不增利”却需要先确定时间、指标口径、分析范围，再决定先检查价格、成本、费用还是产品结构。

FineBI Next 里计划模式和对话模式的区分，放在这里理解会更清楚：问题明确时可以直接分析和继续追问；已有业务框架的复杂任务，则先把分析口径与步骤理顺，再按计划向下执行。

这一步真正解决的，是过去很少被数据平台显式管理的一件事：

“怎么分析”本身，也开始变成企业数据能力的一部分。

四、第三层是知识：把“老员工知道的事情”逐渐留下来

有了数据和语义，AI已经可以完成很多分析。

但离真正理解企业，还差一层。

假设库存周转天数从45天增加到70天。

数据层能告诉AI：

库存增加、销售成本变化、周转速度下降。

语义层能告诉AI：

库存周转天数应该怎样计算。

但接下来最重要的问题是：

为什么？

• 有可能采购过量；
• 有可能销量下降；
• 也可能是新品上市提前备货；
• 甚至可能因为春节临近，供应链主动提高了安全库存。

只看数字，很难区分这些情况。

这就是企业知识发挥作用的地方。

它至少包括三类。

第一类，规则知识。

例如库存超过90天进入呆滞预警，应收账款超过账期30天需要重点跟踪。

第二类，业务知识。

例如某产品四季度本来就会提前备货，某大客户毛利较低但属于战略渠道。

第三类，分析经验。

例如看到毛利率下降，先拆售价和成本，再看折扣、产品结构、客户结构。

其中最容易被忽略的恰恰是第三类。

企业真正宝贵的经验，经常存在于几个资深财务BP、经营分析师或者业务负责人脑子里。

同样的问题交给新人，往往不知道先看哪里。

所以知识建设不能只停在“把文档全部上传”。

还要进一步沉淀：

企业过去是怎样解决问题的。

一次毛利分析做完以后，如果已经形成比较稳定的分析路径，FineBI Next 还能把这套思路继续沉淀为“技能”，后续遇到相似业务场景再调用。产品里对技能的定义，本身就是把反复出现的稳定分析思路保留下来复用。

这时候留下来的就不只是：

“8月份毛利率为什么下降。”

还有：

“遇到毛利率异常，我们通常按照什么顺序分析。”

这两者差别非常大。

前者是分析结果。

后者才是企业知识。

五、真正的问题，是数据、语义和知识不能各建各的

现在很多企业实际上已经同时在做这三件事。

数据团队建数仓；

BI团队做指标；

业务部门维护制度和SOP；

AI团队建设知识库和Agent。

看起来什么都有。

真正用起来却还是发现AI答不准。

原因往往不是缺少某一种技术，而是：

几套体系之间没有真正连起来。

还是那句：

“为什么华东利润下降？”

完整的链路应该是：

• 先识别“华东”“利润”“下降”的业务含义；
• 找到对应的收入、成本、费用和组织数据；
• 根据利润分析逻辑继续拆收入、成本、产品和客户；
• 发现异常以后，再调取促销规则、客户政策、价格变化等业务知识；
• 最后才能形成有依据的解释。

这里的数据、语义和知识，其实是一层一层往上叠的。

可以理解成：

• 数据告诉AI发生了什么；
• 语义告诉AI这些数字是什么意思；
• 知识告诉AI遇到这种情况应该怎样判断。

缺数据，AI没有事实。

缺语义，AI容易算错。

缺知识，AI只能描述现象，很难真正解释业务。

所以未来企业真正需要打通的是：

数据 → 指标 → 语义 → 知识 → 分析。

而不是让数据仓库、指标平台、知识库和AI应用彼此独立运行。

六、还有最后一层：AI的每一个重要结论，都应该能够被验证

即使前面三层全部建设完成，还有一个问题不能省：

AI说的结论，凭什么相信？

例如AI告诉你：

“华东利润下降主要由A产品销量下滑导致。”

听起来完全合理。

但企业还需要继续追问：

• A产品到底导致利润减少多少？
• 占整体下降的比例是多少？
• 销量下降是客户减少，还是购买频次降低？
• 还有没有原材料涨价、折扣增加等因素？

甚至“市场需求下降”这种表述，也不能只根据销量下降直接推出。

销量下降是数据事实；

市场需求下降则已经包含了业务判断。

所以成熟的AI分析必须区分：

事实、计算结果、推断和假设。

企业最终还应该形成一条完整证据链：

数据从哪里来 → 指标怎样计算 → 异常出现在哪里 → 原因怎样拆 → 结论依据是什么。

这也是为什么AI分析过程不能全部藏在一个黑盒里。FineBI Next 的分析过程会把分析步骤、图表结果和关键发现呈现在对话中，分析结束后还能把结果继续形成故事板或仪表板，后续也可以在已有结果上继续分析和复盘。

到了财务、经营、供应链这些核心场景，这一点尤其重要。

管理者真正需要的并不是一句：

“AI认为利润下降的主要原因是……”

而是能够顺着这个结论继续往下看：

具体下降多少？证据在哪里？还能不能解释剩余差异？

当AI给出的结果能够被追溯、被复核、被继续分析，它才真正开始进入企业决策流程。

七、AI时代，企业真正要准备的是一套“机器可理解的数据体系”

把前面的内容压缩一下，其实就是三个层次。

数据层解决：发生了什么。

订单、收入、成本、库存、客户、设备状态，这些都是企业事实。

语义层解决：这些事实是什么意思。

指标、维度、计算口径、实体关系、时间规则，这些组成企业自己的业务语言。

知识层解决：面对这些事实应该怎么分析。

业务规则、制度、历史经验、分析方法、典型案例，共同组成企业知识。

三层真正连起来以后，一次AI分析的过程才会变成：

理解问题 → 找到数据 → 确认口径 → 建立分析路径 → 执行计算 → 调用知识 → 验证证据 → 输出结论。

这其实也意味着，AI时代企业数据建设的终点正在发生变化。

过去我们关注：

数据有没有进数仓？

后来开始关注：

指标能不能统一？

再往后还要继续回答：

• 这些数据AI能不能理解？
• 理解以后，能不能按照企业自己的业务逻辑分析？
• 分析以后，能不能解释自己为什么得出这个结论？

未来模型能力会越来越容易获得。

今天接一个模型，明天完全可以换一个更强的模型。

真正很难复制的，是一家企业多年经营过程中逐渐形成的：

客户和商品体系、指标口径、业务语义、规则制度，以及那些真正有效的分析经验。

把这些东西从“存在系统里”“存在文档里”“存在人的脑子里”，一步一步转化成AI能够理解和调用的资产，

才是AI时代企业数据建设真正需要完成的事情。