|
近日，2026 帆软智数大会在武汉圆满落幕。会上，帆软软件有限公司联合创始人季明华发表了题为《从看见到行动：企业 AI 的可信进化》的主题演讲。
扫码或点击图片查看直播回放
演讲中，季明华抛出一个核心命题——AI 时代最稀缺的，不是答案，而是答案背后的证据。
一份漂亮的简报，可能藏着错误
我们今天不讨论 AI 会不会写报告，也不讨论 AI 能不能生成漂亮的图表。我们只讨论一个更重要的问题——AI 给出来的答案，你敢不敢信？你敢不敢用？
我先讲一个简单的实验室例子。准备一份中国各省最近 20 年 GDP 数据，要求大模型随机抽取 20 个省份和年份组成分析简报并给出建议。结果看起来非常专业：标题完整、趋势清晰、建议合理。但逐条核对数字，问题出现了。
我用 DeepSeek V4 Pro 和 V4 Pla-Flash 做了 40 次测试，10 次未通过。错误有两种：数字错位——数字属于这个省份但说错了年份；更严重的是，报告里出现原始数据中根本不存在的数字。模型越先进犯错比例越低，但推到 100 次以上，没有任何一个模型能避免至少一次错误。
最值得警惕的不是模型说"我不知道、我错了"，而是它根本没核对正确，却把答案讲得非常完整。
这样的报告如果只停留在一次对话里，影响有限。但一旦进入经营看板、触发预警、发起真实的采购排产或客户跟进——它就会从错误的答案变成错误的行动。
Data Agent 的第三条路
所以我们不是说 AI 不能做数据分析——恰恰相反，AI 能极大拓展分析范围、降低门槛。但 AI 的分析结果要真正进入企业经营，就必须多问一句：这个结果准确吗？答案今天很便宜，5 分钟任何大模型都能给你一份。但这份报告你敢不敢直接用？
AI 的数据分析主要有两条路。第一条是 ChatBI 模式——用户问一句，系统返回一个数字或一张图，降低了获取数据的门槛，但分析往往停留在一个指标、一次回答，很难做多轮探索，正确率难让人满意。
最近，第二条是当下主流的 agent 路线——让 agent 直接生成 SQL、Python、HTML 代码，更灵活，但缺点明显：容易绕开企业已建好的指标权限；难以对接已有历史资产；大数据量响应慢；准确性的审查和长期维护能力都成问题。
更重要的是——经营数字没有标准答案，你必须检查它用了哪些数据、经过了哪些表关联、按什么公式计算出来的。这件事业务人员用代码生成的方式很难实现。
因此，帆软走了第三条路——我们叫做 Traceable Analytic Agent（可追踪的分析型 Agent）。
FineBI Cloud 的不可替代
为什么叫 Traceable？因为可信不能只查最后的结果，它要求所有数据都可以被追踪。一个经营数字从底表到仪表板要经过筛选、关联、聚合一层层算出来，Traceable Analytic Agent 可以做无限层级的实时计算校验——任何一层出错都能当场停下来。
这个产品叫 FineBI Cloud。它的独一无二不在于多了一个 AI 按钮——而是让 Agent 做的每一步，都能成为企业 BI 能理解、能执行、能检查、能管理的产品资产。
由四个不可替代的组合构成。
第一，懂人话的"双语翻译官"——AI 能生成产品配置，配置也能被 AI 理解，历史资产可复用。
第二，自研高性能引擎作为闪电验算员——Agent 每向前探索一步都能即时重算，用真实计算控制幻觉。
第三，越用越灵的"金牌老员工"——记忆与备注沉淀业务理解，建模、Join、计算后继续检查。
第四，企业级权限与安全——用户原来看不到的数据，不会因为用了 AI 就能看到。
常规 Data Agent 只给了 AI 一串连接数据库的字符串；FineBI Cloud 给的是一整套企业级产品底座。一根连接字符串只能得到一个视图层；一整套产品才能让 AI 走到底。
同一份数据，四个 AI，四个答案
接下来进入一个真实案例。30 万行订单明细加客户、回款、退货记录，把同一个问题交给四个不同的 AI 工具——"八月上半月销售增长了，为什么利润质量没有同步？"
四个工具对销售额和退款金额的计算基本一致；但净毛利额四个全都不一样。两个用的是经营贡献口径，两个用的是更简单的减法。甚至同样的 Kimi K3 模型，不同的两套工具，结果也不一样。进一步检查后发现，差异不在大模型会不会做加减法，而是四个工具采用了四种不同的净毛利口径。所以我们意识到，可信的分析不是去猜哪一个答案是对的，而是因为我们看得见它是怎么算的。
在 FineBI Cloud 里点击查看详情，右侧马上出现这张分析表的完整处理界面——数据来源、筛选、计算全部一目了然。业务人员能直接看到公式、修改公式、系统自动重算。最后得到真正准确的数据——销售额增长 20.5%，净毛利率下降 3.54%。
所以可以看到，做数据分析一旦要真正应用到经营，分析资产一定不是一次性的。它必须经得起校验，公式里的筛选条件、表关联信息都可以被业务人员反复修正和检查。
三层证据链
要做到这一点，我们要确保数据可核查。我们的方案包括可视的口径修改，以及在任何一处都可以快速追溯到数字的源头，一分钟内判断数字的正确性。
从任何一个结果数字，逐层回到源头——这就是三层证据链。
指标层——"净毛利"与"经营贡献"是两个指标，不能混用。
模型层——销售与回款先聚合到订单级，再与退货 Join。
数据层——30 万行明细可以回到证据 ID 逐条核验。
可信不是宣称 AI 永远不会算错——没有 AI 能保证永远正确。 我们能做的是让人看得见、改得了、能重算，直到数据公式和业务口径真正对得上。
行动闭环：从看见到行动
只得到一个可以信任的数字其实还不够。如果分析只停留在看板里，没有责任人、没有后续动作、没有结果回流，这次分析没有真正完成。
企业真正需要的是——让同一个业务事实产生数据，从产生到形成结论，再到执行行动，走完一个完整的闭环。
帆软的产品组合通过四款产品高效达成。
简道云——在审批流、退货复盘、催收反馈中留下责任人与处理记录。
FineDataLink——连接客户自己的数据库、数仓、ERP，检查数据是否规范、是否有缺失，确保进入分析流程的数据稳定可靠。
FineBI Cloud + 九思 AI——业务人员在可视化界面里配置统一的销售额、净销售额、毛利率等指标公式，检查来源表与计算结果。
悟帆——业务流程里的 AI 数字员工，只在授权范围内调用工具、执行任务、回写结果，留下可追溯的执行过程。
业务执行产生数据，数据沉淀支撑分析，分析形成决策，执行结果再回到数据里验证——数据在整个流程中形成闭环，让 AI 越用越聪明。
必须守住的底线
在 AI 智能体广泛流行的今天，作为企业级软件，我们必须守住几条底线。
业务去指定规则，决定要不要产生预警和行动；分析 AI 解释为什么出现这种预警；人决定采取什么行动、授权智能体执行什么权限；智能体只在自己的授权范围内调用工具、执行任务、回写结果，留下可追溯的执行过程。
回到最开始讲的——AI 原生的产品组合能力，不仅仅是有 AI，还要让 AI 和已有资产高度结合，让产品在使用过程中持续沉淀、越用越好。
最后想跟大家分享四句话——让每一个数据，皆有源可溯；让每一次判断，皆有界可依；让每一个流程，皆透明可控；让每一次实践，皆筑成进化。
| 
