做 AI 问数前，企业数据需要准备到什么程度？

很多企业想做 AI 问数时，第一反应是：

我们已经有数据库了，能不能直接接上？

技术上，连接数据库并不难。

难的是让 AI 知道哪些数据能用、怎么用、什么时候不能用。

所以 AI 问数上线前，企业需要做一轮数据准备。

先选核心场景，而不是全量接入

不要一开始就把所有系统都接给 AI。

更好的方式，是先选一个高价值场景。

例如门店经营、投放复盘、库存周转、会员复购、项目进度、财务分析。

围绕这个场景，梳理真正需要的表、字段、指标和权限。

Databricks Genie Agent 的文档里提到，每个 Agent 支持配置有限数量的表或视图。这种限制背后的原则很清楚：让 Agent 面向明确领域工作，比把所有数据都扔进去更可控。

数据准备要做七件事

第一，核心表清单。

哪些表用于回答当前场景的问题，哪些表暂时不应该进入 AI 分析范围。

第二，字段说明。

字段名、业务含义、类型、是否枚举、是否敏感，都要明确。

第三，指标口径。

销售额、订单数、复购率、毛利、库存周转、ROI 等指标需要有统一定义。

第四，字段值解释。

订单状态、渠道编码、门店类型、客户等级、商品分类等字段值，需要让 AI 理解。

第五，业务文档。

活动规则、制度说明、分析方法、历史复盘，可以作为 AI 的业务上下文。

第六，权限规则。

谁能看哪些数据，哪些字段需要脱敏，哪些问题需要拒答。

第七，数据质量状态。

关键表是否及时更新，字段是否完整，异常值是否可控。

BuildTable 和 AskTable 的分工

BuildTable 负责把企业分散的数据整理成 AI 可用的数据基础。

这包括数据采集、统一存储、建模、字段整理和语义准备。

AskTable 负责在这个基础上完成 AI 问数、追问分析、图表生成和报告输出。

如果底层数据没有准备好，AI 问数很容易变成“模型猜业务”。

如果数据基础和业务语义准备充分，AI 才能稳定回答真实问题。

结论

AI 问数不是跳过数据治理。

它会让数据治理的价值更直接地体现出来。

企业不需要一开始做完所有数据准备，但必须从一个场景开始，把表、字段、指标、权限和质量边界梳理清楚。

这才是 AI 问数可落地的第一步。

参考来源

• •Databricks：Create and Manage a Genie Agent
• •Microsoft Fabric：Create a Fabric Data Agent