外部公开案例解读 · 非识度交付项目：本文解读韩国 AI 公司 Enhans 与韩国产业银行（IBK）10 月 2 日公布的问数试点，以及中英人寿公开披露的「中英知行」项目。两家机构都不是识度客户，文中数字均为项目方或厂商披露口径，未经独立验证。
周一早上，业务负责人想要一个数：上个月哪条产品线的毛利掉了。以前他得发消息给 IT，等两三天报表做出来，会早开完了。AI数据分析想解决的就是这道排队——让业务人员用大白话直接问数。可两家机构的做法都指向同一件事：AI 答得准不准，不取决于模型，取决于有没有人先把指标口径写下来。
事件：一家银行想让员工自己问数
据首尔经济日报（Seoul Economic Daily）10 月 2 日报道，AI 公司 Enhans 与韩国产业银行启动了一个试点：让一线员工用大白话把自己要的数据查出来。在这之前，员工要材料，要么找 IT 提需求，要么自己写数据库查询命令，两条路都不快。
做法是先把行内的业务知识和数据整理成 AI 能用的那一层：把业务概念、行内术语、判断标准都写成机器能读的形式——同一个字段在不同部门叫什么、什么情况算异常，先写清楚；再让系统把大白话问题转成数据库查询语句。试点跑到下个月，双方用事先准备的「黄金集」做量化评估：不只看能不能取出数，还要看能不能给出原因分析，以及答案依据了哪些数据。
为什么把数据接给 AI，不等于员工就能问出数？
因为「销售额」「毛利」「活跃客户」这些词，在公司内部往往不是一个意思。财务算的销售额含不含税、销售算的销售额算不算退货、运营算的活跃是三十天还是九十天——同一个词，三套算法。业务人员问 AI 时只会说那个词，AI 只能挑一个，挑错了数字对不上，人就再也不用了。
这也是为什么上面那个试点把大半力气花在「写清楚」上。我们的判断是：没有口径的 AI 问数，只是把排队等报表换成了排队被答错——错误来得更快，也更容易被当真。
智能问数查不准，九成不是模型不行，是同一个词在不同部门不是同一个意思。
已经跑出结果的另一家：先把 109 个指标拆到原子级
保险行业有一个更往前走一步的公开样本。据其披露，中英人寿的「中英知行」项目先梳理保费、产品、队伍、渠道几类经营主题的指标；再把 109 个复杂经营指标拆成原子指标，逐个明确统计口径和计算逻辑；同时建术语字典、同义词库，以及指标和机构、渠道、产品之间的关联关系；最后分两期上线，一期用 53 个核心指标试点把准确率守住，二期扩到全部 109 个。
据其披露的结果有三项：数据收集与整理时间比原来缩短约 90%；接入移动端后平台日活跃用户数增长超过 3 倍；核心指标问答准确率稳定在 90% 以上。这几项都是项目方与厂商披露的口径，没有第三方复核。
比数字更值得抄的是顺序：先拆指标、再建词库、最后才上线。很多企业把顺序倒过来——先买平台，答不准再回头补口径，那时候业务人员已经不信了。
我们的判断：AI数据分析能不能用，看三件事
- 口径谁拍板。定口径的必须是能定义业务的人——销售负责人、财务负责人，不是数据部门关起门来定。答不上一句「这个数含不含税、谁负责」，就先别上线。
- 验收用什么问。别拿演示问题验收，要拿二三十个真实业务问题——口语的、模糊的、带内部黑话的，看第一次答准几个。
- 答案要不要给出处。能说清这个数从哪张表、按哪条规则算出来的，业务人员才敢把数字往上报；给不出处，就只能当参考，不能进决策。
什么情况先别做
- 同一个指标两个部门各有一套算法、还没人愿意让一步的。先开会，别上线。口径错了，每个工具都会给你错答案。
- 想要结论、不想要过程的。AI 能替你找数，替不了你判断。重大决策那一步，人工复核要留着。
- 数据还散在个人表格里的。先把数据治理的基础补上，再谈怎么问。
常见问题
AI数据分析会替代数据分析师吗？
替代的是重复取数和基础报表，不是分析判断。数据团队的时间会从做报表挪到管口径，这是两种完全不同的活。
我们数据量不大，也需要做这么重的一套吗？
不需要。先把被问得最多的十个指标写成一页纸，标清口径和主管人，这就是最小版本。
先买工具还是先理口径？
先理口径。企业数据分析里，口径是资产，工具是耗材——工具两三年换一次，口径写对了，换什么工具都还在用。
如果你们正在讨论要不要让业务人员自己问数，先做一件最便宜的事：把被问得最多的十个指标写下来，标清口径由谁负责。写不动的地方，就是现在还不该交给 AI 的地方。想判断该从哪一段开始，可以用识度的《AI 落地自检清单》先勾一遍：打开自检清单；也可以预约一次适配沟通，我们把你的这十个指标过一遍。
相关阅读：数据都在系统里，老板为什么还要问人？｜企业知识库先整理哪些资料？别急着搬文档
← 返回识度案例