AI Agent的真正落地，离不开可信数据和指标语义

很多企业已经开始尝试用 AI 做问数、分析和报告。

但真正到了经营汇报现场，大家最关心的不是“AI 能不能给出答案”，而是这个答案是否被相信、能否被复核，以及能不能进一步转化为业务行动。

我们来看一个真实案例。

一次经营会上，管理层向相关业务负责人追问：

“这个月用户访问量为什么变化这么大？帮我分析一下原因。”

为了快速给出解释，负责人借助 AI 生成了一份分析报告，报告中有结论、有图表、有原因拆解，甚至还有行动建议。

乍一看，这份报告已经可以直接拿去汇报了。但在汇报前复核时，问题出现了：

• 业务同学发现，用户访问量竟然比实际结果翻了一倍；
• IT 继续往下查，发现表的关联关系，从一开始就错了；
• 数据团队进一步检查计算过程，又发现给到AI的过滤规则只执行了一部分；

查到最后，大家才意识到，连关键指标的计算口径并没有提前定义清楚，AI 只能根据已有的数据结构和上下文，重新推导一套计算方式。

这些问题的根源，并不在于 AI 不够聪明，而在于企业还没有提前准备好一套“AI可以相信的数据和业务语义”。

所以，把前两期内容放一起看，我们讨论的并不是两套彼此独立的产品能力，而是在回答同一个问题：

如果希望 AI 的分析结果真正进入业务流程，企业需要先打通哪些关键能力？

答案可以概括为一条完整链路：

• 业务系统中的数据，首先经过 FineDataLink 形成可信、及时、可追溯的数据供给；
• 再通过 FineBI 指标中心转化为统一口径、模型关系和业务语义；
  
• 最后由 Dora 基于可信数据与业务语义完成问数、分析、报告、洞察和行动执行。
  

这也是两期直播放在一起的完整逻辑：

FineDataLink 构建可信数据，FineBI 指标中心构建业务语义，Dora 基于可信数据与业务语义驱动 Agent 执行。

可信数据：

让 AI 拿到可用、可验证的数据供给

在第一期直播【让AI可信：FineDataLink5.0见面会】中，我们分享了一个核心观点：

当 AI 进入问数、分析、报告和业务执行场景后，数据平台不再只是服务于报表和人工取数，还需要为 AI Agent 提供可信的数据支持。

Agent 会基于企业数据回答问题、生成报告、辅助决策，甚至进一步触发业务动作。在这种情况下，如果数据不及时、不完整、不可验证，AI 的错误就会被更快、更隐蔽地放大。

所以，可信基础数据的价值，并不是“AI上线前的一项普通准备工作”，而是为 AI 分析提供持续、稳定、可追溯的数据供给。

一句话总结第一期：FineDataLink 5.0 要解决的，是“企业数据能不能稳定、可信、可追溯地供给 AI 使用”的问题。

指标语义：

让 AI 有统一口径和业务边界

可信数据解决的是“数据能不能用”，但 AI 要把问题答准，还需要知道业务到底怎么理解这些数据。

比如，同样是“客户数”，可能指注册客户、成交客户、联系人，也可能指独立公司；同样是“销售额”，不同部门对退款、折扣、税费、收入确认的处理方式也可能不同。

对人来说，这些差异可以通过经验和沟通进行判断；但对 AI 来说，如果没有统一语义，就只能根据字段名和上下文去猜。

在第二期直播中分享的真实案例，正是这一问题的缩影：

同一份数据，AI 和 BI 复核结果不一致，用户访问量被算成了实际结果的两倍。继续拆解后才发现，问题并不是某一个公式写错，而是关联关系、规则执行、口径定义，这三个环节都缺少统一语义承接。

指标 + Dora：

让 AI 从“猜数据”变成“用标准”

FineBI 7.0 指标中心的关键价值，是把企业共用的指标提前定义好。

对于业务部门长期关注、反复使用的经营指标，可以在指标中心统一沉淀口径、计算规则和业务理解。

这样，当业务人员向 Dora 提问时，如果问题能匹配到标准指标，AI 就不需要重新推导计算逻辑，而是直接复用已经确认过的指标口径。

更重要的是，指标语义层管理的不只是“指标结果”，还包括指标背后的数据模型、字段含义、表间关系和明细来源。

即使用户提出的问题没有提前定义成标准指标，Dora 仍然可以基于语义层提供的表关系和字段语义开展分析，避免 AI 自己识别关联关系带来的偏差。

这也就是我们在第二期直播【让AI懂业务：FineBI x Dora指标中心全新升级】中反复强调的一句话：

准确性的关键，不是让 AI 更会猜，而是给 AI 一套可信的业务语义边界。

Dora：

从问数到报告分享，AI 全程参与分析交付

Dora的能力不只是回答一个数字。

业务人员可以通过自然提问，并在分析过程中继续追问、下钻明细、调整维度和查看数据来源。Dora 也可以统一调用文件、平台数据和 FineBI 语义资产，支撑更完整的分析过程。

更重要的是，AI 可以参与从问数、分析、报告生成到分享交付的完整过程。分析不只是停在一次对话里，而是可以沉淀成为报告、PPT等交付物，让业务结果更容易复核、复用和传播。

指标的终点，不是问数，而是经营管理

如果把视角再往上看，企业做指标，也不只是为了让 AI 回答得更准确。管理层真正关心的其实是：

• 公司战略目标有没有被层层拆解？
• 关键经营指标是否反映增长？
• 哪个环节正在影响目标达成？
• 一旦指标异常，业务能不能快速定位原因并完成纠偏？

这些正是 FineBI 7.0 指标中心中，经营指标树和纠偏闭环的价值。

经营指标树可以把公司级目标，逐层拆解到部门、业务过程和具体指标。

比如从回款目标出发，可以继续拆到销售额、合同回款率、转化率、复购率等关键指标，让管理者一图看清战略设计是如何落到经营动作上的。

但“看清”还不够，指标最终是要驱动业务闭环的：

• 当某个关键指标出现异常时，系统可以沿指标树路径做归因分析，定位影响最大的指标节点；
• 业务人员可以继续下钻到产品、客户、区域、人员等维度，找到更具体的原因；
• 最终把异常识别、根因定位、分析报告和督办整改串起来，让一次指标波动，变成有证据、有优先级、有责任人的行动任务。
  

  AI Ready，是一套从数据到经营的组合能力

我们想传达的，并不是“先做数据，再做指标，最后才做 AI”，而是，AI 效果要最大化，必须同时依赖可信的基础数据和清晰的指标语义。

• 可信基础数据决定 AI 拿到的数据是否及时、完整、可追溯；
• 指标语义决定 AI 是否理解企业真实的业务口径、关联关系和分析边界；
• Dora 则把这些能力带到业务现场，完成问数、分析、报告、分享和知识沉淀。

FineDataLink 5.0 构建可信数据供给，FineBI 7.0 指标中心构建业务语义，Dora 驱动 Agent 执行。

三者组合起来，才能让 AI 从“会回答”真正走向“可信赖、可交付、可复用、可驱动经营”。

⁉ 报表数据对不上、决策不敢信、IT天天背锅？数据治理的坑还要踩多久？

🎉 8月5日帆软「数据治理新范式，从数据可用到可信」主题直播：

带你一起搭建问题发现-溯源-解决-监控的PDCA闭环，搞定数据可信难题！

👉点击文末 [阅读原文] 锁定直播：https://s.fanruan.com/xis7h