大模型正在改变企业使用数据的方式。
过去,业务人员想查询一项经营数据,通常需要找技术人员写 SQL、做报表;现在,通过 Text2SQL 技术,只需要输入一句自然语言,AI 就可以尝试生成 SQL 并返回查询结果。
从这个角度看,数据查询的门槛确实降低了。
但一个值得思考的问题也随之出现:
既然大模型已经能够连接数据库、生成 SQL,企业还有必要建设数据中台、开展数据治理吗?
答案可能与很多人的直觉相反:大模型越深入企业业务,数据治理反而越重要。
因为 AI 能够写出 SQL,不代表它真正理解企业的业务规则;查询能够执行,也不代表返回的数据就一定符合业务预期。
一、SQL 能生成,为什么业务结果还是可能出错?
先看一个常见场景。
一家零售企业的管理者向 AI 提问:
“上个月销售额是多少?”
AI 查询数据库后,可能得到三个不同的结果:
- 按订单创建时间汇总订单金额:1200 万元;
- 按已支付订单金额统计:1050 万元;
- 扣除符合统计规则的退款后:980 万元。
以上金额为示例数据,仅用于说明统计口径差异,并非真实经营数据。
问题来了:究竟哪个数字才是正确的?
实际上,这三个结果可能都能够通过 SQL 正常计算,区别在于采用了不同的统计规则。
例如:
- 统计全部订单,还是只统计已支付订单?
- 按下单时间统计,还是按支付时间统计?
- 退款应该在哪个时间点扣减?
- 多次支付、部分退款应该如何处理?
这些问题不是 SQL 语法能够决定的,而是企业自身的业务定义。
SQL 解决的是如何查询,业务规则决定的是应该查询什么。
如果企业没有明确的指标定义,即使大模型生成的 SQL 语法完全正确,也可能得到不符合实际管理要求的结果。
这也是 Text2SQL 在企业复杂业务场景中需要面对的一个现实问题。
二、大模型不缺计算能力,缺的是企业业务上下文
很多人认为,只要给大模型开放更多数据库表、提供更多字段信息,就能让它更准确地理解企业数据。
但事实并没有这么简单。
企业数据往往存在几个典型问题:
1. 同一业务对象可能存在多套定义
例如,同一个客户在 CRM 和 ERP 中可能对应不同编码;不同系统中的订单状态,也可能代表不同的业务阶段。
2. 同一指标可能存在不同统计口径
销售、财务和运营部门关注的业务目标不同,销售额、实付金额、净销售额等指标也可能有不同的定义。
3. 原始数据不一定能够直接使用
数据中可能存在重复记录、字段缺失、异常值和更新不及时等问题。如果不经过检查和处理,就直接交给 AI 查询,结果自然存在不确定性。
4. 数据来源和加工过程可能不清楚
当查询结果出现偏差时,如果不知道数据来自哪张表、经过哪些加工、是否存在上游异常,就很难快速定位问题。
因此,企业需要补充的并不只是数据库连接,而是更加完整的业务上下文,包括:
- 数据的业务含义;
- 指标的计算规则;
- 数据的来源和加工关系;
- 数据质量检查机制;
- 数据访问范围和权限约束。
这些恰恰是企业数据治理需要解决的问题。
三、AI 越深入业务,越需要规范的数据基础
那么,企业应该如何让 AI 从“能够查询数据”进一步走向“能够按照业务要求查询数据”?
一个比较实际的思路,是先把数据基础建设好。
1. 统一指标定义,让 AI 知道数据应该怎么算
企业可以围绕销售额、订单量、交付率、库存周转率等常用指标,明确其业务定义、统计范围、计算方式和适用场景。
例如,将订单金额、实付金额和净销售额分别定义,明确是否包含退款、按照哪个时间字段统计。
需要注意的是,统一口径并不意味着所有部门必须使用同一个数字。不同部门可以保留不同的管理口径,但每个指标都应该有清晰的名称、定义和适用范围。
这样,当用户提出查询需求时,AI 才有更加明确的规则依据,而不是自行猜测。
2. 统一数据模型,减少复杂原始表的直接查询
企业通常存在大量原始业务表、明细表和统计表。
如果直接让 AI 面向所有物理表生成 SQL,不仅需要处理复杂的表关联,还可能选错数据来源。
通过数据开发和建模,可以将分散的业务数据进行清洗、转换和关联,形成面向具体业务场景的数据模型。
例如,将订单、支付和退款数据整理为适合销售分析的数据模型,并明确数据粒度及关联关系。
这样,后续查询就可以优先围绕经过整理的数据模型开展,而不是每次都从原始数据中重新拼接。
3. 建立数据质量机制,避免问题继续向下游传递
数据同步成功,并不意味着数据质量合格。
企业需要根据业务场景建立相应的检查规则,例如:
- 订单编号是否重复;
- 客户编码是否缺失;
- 订单金额是否存在异常;
- 关键业务字段是否符合约定格式。
通过持续的数据质量检查,及时发现并处理异常,减少问题数据对报表、指标和 AI 查询结果的影响。
4. 建立元数据和数据血缘,让数据来源可查
当 AI 返回一个异常结果时,技术人员需要知道它使用了哪些数据、数据经过了什么加工,以及可能影响哪些下游应用。
元数据管理、数据资产目录和数据血缘可以帮助企业记录数据结构、字段含义、来源及加工关系。
这不仅有助于开发人员排查问题,也能帮助业务人员理解数据,提高数据复用效率。
5. 让 AI 在明确的数据范围和权限内查询
相比直接向模型开放所有数据库表,更稳妥的方式是优先使用经过整理的数据模型、指标定义和数据服务。
对于存在歧义的问题,可以要求用户进一步确认;对于超出权限范围的数据,应当限制访问;对于无法确认的数据,不应让模型自行编造结果。
这并不能彻底消除 AI 查询错误,但能够减少不必要的猜测,让查询过程更加规范。
四、从数据治理到智能问数,qData 数据中台提供了什么思路?
前面讨论的几个问题,实际上都指向企业数据基础建设:
数据需要能够接入、加工、建模、治理和管理,最终才能更好地服务业务分析与 AI 应用。
在相关数据平台项目中,qData 数据中台是一个值得进一步了解的选择。
从其公开介绍来看,qData 围绕企业数据建设和应用,涉及数据集成、数据开发、数据建模、指标管理、元数据管理、数据血缘、数据资产以及智能问数等相关能力。
这些能力可以从几个方面理解。
1. 数据集成与开发:解决数据从哪里来、如何加工的问题
企业可以通过数据集成能力接入不同业务系统的数据,再利用数据开发能力开展清洗、转换和关联。
例如,将订单、支付和退款数据接入统一的数据处理环境,根据实际分析需求进行加工,为后续销售指标统计建立数据基础。
2. 数据建模与指标管理:解决数据如何组织、指标如何定义的问题
原始数据接入之后,还需要根据业务分析场景建立相应的数据模型。
通过数据建模和配套指标管理能力,可以将业务数据按照分析主题进行组织,并对相关指标的定义和使用方式进行管理。
例如,将订单金额、实付金额和净销售额作为不同指标进行管理,减少不同查询场景各自定义统计逻辑的情况。
3. 元数据、数据血缘与数据资产:解决数据是否清楚、能否追溯的问题
数据不仅要能够使用,还需要知道它来自哪里、代表什么、经过哪些处理。
qData 相关的数据管理能力,可以帮助企业梳理数据结构、数据来源和加工关系,并通过数据资产目录等方式组织和查找数据。
当字段发生变化或分析结果出现异常时,这些信息能够为问题排查和影响分析提供依据。
4. 智能问数:让业务人员通过自然语言查询数据
在数据基础逐步规范之后,企业可以进一步探索智能问数应用。
qData 智能问数支持用户通过自然语言提出数据查询需求,并查看查询结果、图表以及 Text2SQL 内容。
例如,业务人员提出“查询上个月各地区的销售情况”,可以通过自然语言发起查询,再结合返回的结果和 SQL 进一步核对。
对于技术人员而言,可以查看查询逻辑;对于业务人员而言,则降低了获取数据的操作门槛。
需要说明的是,智能问数并不意味着企业完成数据治理后,AI 就一定能够理解所有业务规则。实际效果仍然取决于数据模型、指标定义、查询约束、权限配置和模型能力等因素。
qData 数据中台的价值,在于为数据接入、加工、治理和智能查询提供相应的平台能力,而不是简单地用 AI 替代原有的数据治理工作。
五、一个更值得关注的趋势:数据治理与 AI 应用正在走向协同
过去,企业建设数据平台,主要是为了数据汇总、报表分析和经营决策。
现在,随着 Text2SQL、智能问数和企业 AI 助手的发展,数据平台还需要为 AI 提供更加规范的数据基础。
这意味着企业的数据建设思路正在发生变化:
从只关注数据能否接入,转向关注数据是否具有明确的业务含义;
从只关注 SQL 能否执行,转向关注查询结果是否符合业务规则;
从只关注数据能否存储,转向关注数据能否被理解、追溯和持续使用。
对于正在规划数据中台或智能问数应用的企业,可以先选择一个具体业务场景,例如销售分析、订单交付或库存管理,梳理数据来源和指标口径,再逐步开展数据建模、质量治理和智能查询。
这比一开始就把所有数据库开放给大模型,更容易建立可验证、可持续的数据应用路径。
写在最后
大模型确实让数据查询变得更加简单。
但企业真正需要的,从来不只是一个能够生成 SQL 的模型,而是能够基于准确数据、明确规则和业务上下文,提供可信结果的数据应用体系。
AI 降低了数据使用门槛,数据治理决定了数据使用的基础。
两者不是替代关系,而是相互配合的关系。
如果正在关注企业数据治理、数据中台建设或智能问数应用,qData 数据中台是一个值得进一步了解的项目。
可以结合自身的数据源类型、业务场景和技术环境,进一步了解其数据集成、开发建模、数据资产管理及智能问数等能力。
与其只关注大模型能不能写出 SQL,不如进一步思考:企业是否已经准备好了让 AI 正确使用的数据?