做 AI 问数，一定要先建数据仓库吗？

很多企业准备做 AI 问数时，会先问一个问题：

是不是要先把数据仓库建好？

如果数仓还没完成，是不是就不能做 AI 问数？

这个问题没有简单答案。

AI 问数不一定要等完整数据仓库建完。

但它一定需要一套 AI 能理解、业务能信任、权限能控制的数据基础。

不要把“有数据库”误认为“能问数”

企业有数据库，不等于可以稳定问数。

生产库里可能有很多原始表、同步表、临时表、历史表和中间表。

字段名可能是技术缩写。

指标口径可能散落在报表、SQL、Excel 和人的经验里。

如果直接把这些表交给 AI，模型会在大量相似字段和相似表之间猜。

它也许能答出一些简单问题，但很难稳定回答经营问题。

数据仓库解决的是长期秩序

数据仓库的价值，是把分散数据整理成更稳定的分析结构。

例如把订单、商品、客户、门店、渠道、库存、活动等数据按业务主题组织起来。

这样做可以减少重复口径、减少临时取数、提高分析复用性。

对 AI 问数来说，数仓不是形式要求，而是让 AI 更容易理解业务数据的一种方式。

没有完整数仓，也可以从小场景开始

企业不一定要等所有数据治理完成才开始。

更现实的方式，是先选一个高价值场景。

例如门店经营、广告投放复盘、库存补货、会员复购、项目经营分析。

围绕这个场景整理有限数量的表、字段、指标、权限和常见问题。

Microsoft Fabric Data Agent 的官方文档也强调，数据代理需要选择可用数据源、配置指令、补充示例问题，再发布给用户使用。

这说明 AI 问数可以从局部场景开始，但不能没有数据边界和语义配置。

真正需要的是 AI 友好的数据模型

AI 友好的数据模型不一定等同于完整数仓。

它至少要具备五点：

第一，表的业务含义清楚。

第二，字段含义、类型、枚举值和敏感等级清楚。

第三，核心指标有统一口径。

第四，表之间的实体关系可解释。

第五，当前用户能看到哪些数据有明确规则。

Snowflake Semantic Views 的设计方向，也是把业务实体、关系和指标组织成可以被应用复用的语义对象。

这对 AI 问数很关键。

BuildTable 和 AskTable 的分工

BuildTable 负责把企业分散数据整理成 AI 可用的数据基础。

它关注采集、存储、建模、字段整理、业务语义和权限基础。

AskTable 在这个基础上完成自然语言问数、图表、报告、追问和分析动作。

如果企业已经有成熟数仓，AskTable 可以连接现有数据基础。

如果企业数仓还不完整，可以从一个高价值业务场景开始，用 BuildTable 先整理出 AI 可问的数据模型。

结论

做 AI 问数，不一定要先完成全公司级数据仓库。

但一定不能把 AI 直接放到混乱的数据表上。

企业真正需要的是：先把一个业务场景的数据整理到足够清晰，再让 AI 在这个范围内回答真实问题。

数仓是重要基础，AI 友好数据模型才是问数落地的直接前提。

参考来源

• •Microsoft Fabric：Fabric data agent concepts
• •Microsoft Fabric：Create a Fabric data agent
• •Snowflake：Overview of semantic views