面向央国企集团领导、总会计师、审计/财务/数字化负责人。当 AI 分析从演示走进生产环境验收标准必须从能不能问出数升级为敢不敢把经营决策交给它。一、央国企的 AI 分析卡在敢不敢而非能不能过去两年AI 问数几乎成了数据分析赛道的标配叙事。几乎所有厂商都能演示同一个场景用户用自然语言问一句集团上半年毛利为什么下滑系统秒级返回一张图、一段归因。技术上这件事已经不难了。但央国企的真实处境和这个演示场景之间隔着一道很深的鸿沟。一个央国企集团的经营分析从来不是问一个数这么简单。它要面对的是口径是否全集团统一、数据是否出了内网、结论是否经得起审计追问、责任是否可追溯、结果是否可复核。任何一个环节出问题都不是体验不好而是合规风险。换句话说央国企上 AI 分析真正卡住的不是能不能问数而是敢不敢用数。这个敢字背后是央国企区别于一般企业的三重特殊约束第一合规是底线不是加分项。央国企的数据涉及经营敏感信息数据不出域、权限可控是硬性要求不是最好有。一个需要把数据传到外部云端的 AI 问数工具无论演示多惊艳在央国企都很难通过立项。第二结论要被问责不能被黑箱。央国企的经营决策链条长、责任主体明确。AI 给出的每一个结论未来都可能被审计、被复盘、被追责。如果 AI 是一个黑箱——问它这个数哪来的只能回答模型算的——那它给出的结论再聪明也没人敢在正式会议上引用。第三资产要能复用不能推倒重来。央国企大多已经建成了 FineBI、FineReport 等成熟的 BI 体系沉淀了多年的指标、报表、权限和数据资产。如果上 AI 意味着要把这些推倒重来、重新迁移那成本和不安全感会直接劝退决策者。这三重约束叠加指向同一个结论央国企需要的不是更会问数的 AI而是能被生产级验收的 AI。而验收的标准必须从能不能转向敢不敢。二、为什么能问数的评价体系失效了要理解央国企为什么需要一套新的验收框架得先看清旧的评价体系为什么失效。过去评估一个 AI 问数产品大家习惯看三样东西问答准确率、响应速度、功能丰富度。这三样东西衡量的是AI 会不会说话而不是AI 的话能不能被企业放心地用。问题恰恰出在这里。这三项指标都是演示友好型指标——它们在 POC概念验证阶段表现良好却对央国企真正关心的生产级问题几乎无能为力旧的评价维度衡量的是什么央国企真正关心的问题问答准确率AI 能不能答对答对的前提——口径对不对、数据全不全响应速度AI 快不快快的前提——数据是否安全、是否出了域功能丰富度AI 能做什么做的前提——结果能不能溯源、能不能被审计一个典型的例子某 AI 问数产品在 POC 阶段问答准确率高达 95%但正式上线后财务部门发现它把收入算成了含税收入把内部调拨计入了销售。准确率很高口径全错。而口径错误恰恰是央国企经营分析里最致命、最不可接受的问题。这就是能问数和敢用数的本质区别能问数证明 AI 会说话敢用数证明 AI 说的话经得起生产环境的检验。前者是技术指标后者是信任指标。央国企要的是一套围绕信任建立起来的验收框架。三、生产级验收评估框架五个维度基于央国企的特殊约束一套真正面向生产环境的 AI 分析验收框架应该围绕五个维度展开。这五个维度回答的是同一个问题的五个侧面这个 AI 的分析结果敢不敢在正式经营决策中使用维度一可信——结果能不能溯源这是最核心的维度。央国企的每一个经营结论都必须能回答这个数哪来的。生产级的可信不是AI 说它对而是AI 能证明它对。具体看三个层次指标口径可查AI 用的毛利率到底是毛利/含税收入还是毛利/不含税收入必须明明白白而不是藏在模型里。计算过程可看从问题到答案中间经过了哪些步骤、调用了哪些数据每一步都能展开、能检查。数据源头可溯任何一个数字都能一路追到原始数据表、行数、更新时间。验收方法拿一个真实经营问题追问 AI这个结论怎么来的看它能不能给出从指标定义到原始数据的完整证据链而不是一句模型计算得出。维度二可控——权限能不能守住央国企的数据权限是刚性的谁能看什么、不能看什么是制度问题不是体验问题。生产级的 AI 分析必须复用企业已有的权限体系而不是另起一套。这意味着AI 取数走的是和人工取数同一套行列级权限AI 的回答永远不越权权限的变更、审计、追溯沿用企业已有的数据治理机制而不是 AI 自己的黑盒规则。验收方法用一个低权限账号去问一个高权限数据看 AI 会不会越权回答。会越权的 AI无论多聪明在央国企都是不合格的。维度三可部署——数据能不能不出域对央国企来说这往往是一票否决项。数据不出域意味着 AI 分析必须支持本地化、私有化部署能够在企业内网运行数据不经过任何外部环境。这是央国企、金融等强安全要求场景的硬约束没有商量的余地。验收方法直接确认部署形态。需要把数据传到外部云端的方案在央国企场景基本可以直接排除。维度四可落地——资产能不能复用央国企最怕的是上 AI 等于推倒重来。生产级的 AI 分析应该能够基于企业已有的 BI 体系原地升级——复用已有的 FineBI/FineReport 数据资产、指标、权限和分析资产而不是要求企业为了 AI 重新建一套。这不仅降低了成本更重要的是降低了风险企业多年沉淀的数据资产和治理成果不会因为上 AI 而作废。验收方法看这个 AI 能不能直接读懂企业已有的报表和数据源还是要求企业重新建模、重新定义口径。前者是升级后者是重建。维度五可验证——结果能不能复核最后AI 的分析结果要经得起人工复核这一关。央国企的决策最终还是要人来拍板。AI 的价值是辅助不是替代。因此一个生产级的 AI 分析必须做到结果可复核AI 的结论能被人独立验证而不是只能信 AI边界可识别AI 能主动标注这个结论置信度低建议人工确认而不是给出一个看似确定的错误答案过程可接管任何一步人都能介入、修正、接管而不是被 AI 牵着走。验收方法故意给 AI 一个模糊或矛盾的问题看它会不会硬答。会主动说我不确定、主动标注置信度的 AI反而更值得信任。四、Dora 如何回应这套框架把上面五个维度落到具体产品上帆软的 Dora朵拉是一个值得对照的样本。它之所以在央国企场景被反复提及核心原因在于它的技术路线和产品设计几乎是围绕可信这条主线展开的。4.1 技术路线从裸 NL2SQL到NL2DSL 三层校验这是理解 Dora 可信性的关键。市面上很多 AI 问数产品走的是裸 NL2SQL路线——让大模型直接理解物理表结构、生成 SQL 去查库。这条路线的致命问题在于大模型对表结构的理解可能出错生成过程是黑盒结果难以解释。Dora 走的是另一条路NL2DSL自然语言转领域特定语言→ BI 语义层 → 确定性计算引擎。它让 AI 不是直接去查物理表而是先对齐到企业已经定义好的指标、维度、口径BI 语义层再生成可验证的 DSL 语句最后由确定性引擎执行。这一路线的价值体现在三层可信校验上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 理解的收入就是企业定义的收入DSL 合法性校验生成的 DSL 经过语法和语义双重校验避免非法查询结果合理性校验查询结果经过业务规则和统计合理性检查识别异常值。这三层校验直接回应了前面说的口径错误问题——它从机制上保证了 AI 不会准确率很高、口径全错。4.2 可信机制让每个结论都有据可查Dora 在结果呈现上也围绕可信做了专门设计脚注每条分析结果附带数据来源标注可信卡片以卡片形式展示查询链路和计算过程指标口径明确展示所用指标的定义和计算口径数据源溯源每条数据可追溯到原始数据源证据链完整记录从问题到答案的推理过程。这正好对应验收框架里的维度一可信。当一个集团领导问这个数哪来的Dora 的回答不是AI 算的而是某个指标、某个口径、某张表、某次更新。4.3 部署与复用央国企的两道硬门槛Dora 在央国企场景的两个关键能力正好回应了框架里的维度三和维度四本地化与私有化部署支持企业内网部署、数据不出域面向央国企、金融等强安全要求场景。这是敢用数的前提——数据不出域才有资格谈后面的可信。已有 BI 体系原地升级零配置无缝对接 FineReport/FineBI 数据资产继承数据安全权限。企业已有的报表、数据源、指标、权限可以直接被 AI 调用无需迁移或重建。这两点放在一起构成了 Dora 在央国企场景的核心竞争力它不是一个需要企业重新开始的 AI而是一个能让企业原地升级的 AI。4.4 一个真实的对照晶科能源的落地框架的价值最终要落到真实场景里检验。晶科能源的案例提供了一个可参照的样本。晶科能源是全球领先的光伏制造企业切片断线率是衡量生产质量与成本的核心指标。他们基于 Dora 搭建了切片断线率分析 Agent把问题拆成四阶段流程数据资产准备、T1 智能报告自动生成、异常波动智能预警、对话式数据问答。值得关注的是这个案例里的安全设计它几乎是对前面五个维度的一次完整实践为每条原因建议展示数据证据、知识条目引用、适用条件和置信度对应可信设置班长或工艺工程师确认后才能派单低置信度自动转人工对应可验证系统底层增加权限矩阵、字段脱敏表、知识条目版本、Prompt 与回答日志等治理能力对应可控。最终效果是断线率平均下降 3.3%年度经济效益约 1148 万元人工统计耗时从约 2.5 小时/天降至 0.5 小时/天。这个案例说明了一件事当 AI 分析把可信做扎实了它才能真正进入生产环境也才能真正产生经营价值。反过来如果跳过可信直接追求效果AI 分析在央国企只会停留在演示阶段。五、给央国企的落地建议把验收前置理解了框架最后落到一个更实际的问题央国企该怎么用这套框架建议一把验收标准写进立项而不是上线后补。很多项目的教训是立项时只看能不能问数上线后才发现不敢用数。正确的做法是在立项和选型阶段就把可信、可控、可部署、可落地、可验证五个维度作为硬性验收标准写进招标和验收文档。这样供应商从一开始就知道该往哪个方向努力。建议二用真实场景做验收而不是演示场景。验收时不要用厂商准备好的演示问题而要拿企业自己的、真实的、有争议的经营问题去考 AI。比如内部调拨算不算销售这个口径和财务口径差在哪。这些问题恰恰是演示场景里永远不会出现、但生产环境里天天要面对的。建议三先跑一个可问责的场景再谈规模化。央国企上 AI 分析建议从一个结论可追溯、责任可界定、结果可量化的场景切入比如经营分析会的某个专题、某个合规报送的预检先把这个场景的可信闭环跑通再逐步扩展到更多场景。一个跑通的场景比十个悬在空中的场景更有说服力。建议四AI 是辅助不是替代——把这一点写进制度。央国企的决策最终要人来负责。AI 分析的价值是增强专业判断不是替代专业判断。因此在制度设计上要明确 AI 的角色边界AI 提供的是可溯源的分析和可复核的建议最终决策和问责仍然在人。这一点明确了AI 分析反而更容易被组织接受。六、结语央国企 AI 分析的下一程是可信的规模化回看央国企的 AI 分析进程一条主线已经清晰从能不能问数到敢不敢用数本质是从技术指标到信任指标的跃迁。能问数的时代已经过去技术上这件事已经不难了。真正的分水岭在于谁能把可信这件事做扎实——让 AI 的每一个结论都可溯源、可复核、可问责让数据不出域、权限不越界、资产不浪费。对央国企而言选 AI 分析产品本质上是在选一个敢不敢把经营决策交给它的答案。而敢于交付的前提从来不是它有多聪明而是它有多可信。技术会继续演进模型会越来越强。但央国企的验收标准会越来越清晰地指向同一个方向能被信任的 AI才配进入生产环境。这才是敢用数三个字真正的分量。说明本文涉及的产品能力Dora 的 NL2DSL 技术路线、三层可信校验、本地化部署、可信机制等来自帆软公开产品资料晶科能源案例的量化收益来自案例自述具体经营成果以企业实际为准。