量子位智库报告：企业 AI 规模化之前，先过"数据可信"这一关

同一个「收入」，三花智控的 ERP、MES 和财务系统，能给出三个不同的数。

过去，三花智控的财务每做一次预算分析，都要跨多个系统取数、核对口径，再手工解释差异，一次两三个小时。口径对不上，这样的分析也没法放心交给 AI。

现在，口径统一了，AI 自动拉数、识别偏差、给出建议，预算分析 10 分钟就能完成。

变快的原因不是模型更强，而是数据变得可信了。

这是量子位智库最新报告《Agent 驱动的企业智能化：单点提效到规模化重塑》中的一个真实案例。

报告认为，企业 AI 正在从辅助回答走向参与执行，越往真实业务流程走，越要先回答数据靠不靠得住。

这背后，企业 AI 落地的重心正在转移。

当 Agent 开始接手业务执行，模型能力越来越容易获得，真正拉开差距的，是企业自己的数据能不能被 AI 信任。

数据如何变得可信，可信的数据如何形成可核验的判断，判断又如何进入业务流程？围绕这三个环节，网易智企从数据底座到应用交付的全链路实践，被量子位智库作为典型案例写入报告。

AI 开始动手之后

数据的偏差就兜不住了

过去企业用 AI，多数是查询和问答：查一下库存，让 AI 解释一下变化原因，最后由人决定下一步。数据有偏差，人在最后一环通常能兜住。

Agent（智能体）改变了这个分工。报告把这种变化总结为「人定边界，AI 推进」：AI 不只给出建议，还会直接发起操作、跟踪状态，只在异常时转交人工。人从每一步的决策者，变成了边界的设定者。

这意味着，数据里的偏差不会再停在一句错误的回答上，而是会顺着流程变成一个错误的操作。

比如门店缺货时，AI 照着账面库存开出调拨单，可账面上的货有一部分已经分给别的订单、一部分处于冻结状态，单子一执行，挪走的就是别人的货。人退到边界之外，能不能及时发现 AI 出错，就成了关键。

BCG 在 2023 年公布过一项实验，758 名咨询人员参与测试。使用 AI 的一组，完成任务用时减少 25.1%，产出质量评分提高 40%；但遇到超出 AI 能力范围的任务，这一组的正确作答比例反而低了 19 个百分点。

AI 能明显提效，可它出错的时候，人未必察觉得到。依据没法检查，人就容易跟着 AI 一起错。所以报告提出，可信的判断需要可检查的依据和独立的校验。AI 越深入业务，这一点越重要。

从「数据可用」到「上下文可信」

中间隔着五个问题

报告梳理了企业卡在 AI 规模化之前的几道坎：任务不清晰、数据不可信、判断难验证、行动难落地、价值难衡量，以及贯穿其中的权限和责任不明确。

这几项里，除了任务定义，数据是最靠前的一环。数据不可信，后面的判断、行动和价值衡量都会跟着偏。

这也解释了一个普遍现象：很多 AI 试点在演示时效果不错，一到推广就停下来。

试点范围小，数据口径的问题有项目组的人在旁边逐条核对；范围一扩大，要人工补的漏洞越来越多，返工、等待接踵而来。数据问题在试点里被人力掩盖，到规模化时才真正暴露。

很多企业会说，我们的数据是有的，数仓也建了，报表每天都在出。但「有数据」和「数据能被 AI 拿来做判断」是两回事。开头三花智控的「收入」就是一个例子：同一个词，三个系统三套算法。人在看报表时知道该用哪个口径，AI 未必知道。

报告把这个差距称为从「数据可用」到「上下文可信」，并从质量、时效、语义一致性、血缘和权限五个方面给出了检查标准，相应衍生出了五个问题。

对照前面的两个例子：「收入」的三种口径，是语义问题；同一份库存数据，做月度分析够用，拿来当天调货可能已经过时，这是时效问题。

报告的结论是：「可信上下文同时包含内容及其状态。」所谓状态，就是这个数字截至什么时候、按什么口径计算、从哪里来、谁有权使用。交给 AI 的，不能只有数字本身。

Data First

先让 AI 站在可信的数据上

道理不难懂，做到不容易。在三花智控的项目里，统一口径是花时间最长的一步，也是后来一切效果的基础。

这正是网易智企所说的 Data First（数据先行）：先让 AI 建立在可信数据之上，再谈判断，再谈执行，再谈规模化。可信数据，是企业 AI 真正上岗的第一块地基。

可现实中，不少企业的 AI 投入顺序恰好相反：先选模型、上应用，等数据问题在试点里暴露出来，再回头补治理。补得越晚，返工越多。

这块地基具体怎么搭？报告给出了数据底座服务 Agent 的完整链路：

链路里有一个关键分工：计算和规则检查交给确定性服务，大模型负责理解问题、组织步骤和解释结果。

前面那张调拨单就是例子。「可用库存」本身是一个要先定义好的指标，账面库存去掉已分配和冻结的部分，还要符合调拨规则。让模型自己从库存表里推算，和让它调用一个已经定义好、校验过的指标服务，可靠程度完全不同。

地基搭好也不是一劳永逸的。调用中出现的争议、质量异常和规则变更，会反馈给责任方，治理规则跟着业务变化不断调整，共享资产才能持续更新。

网易智企的数据底座，做的就是这条链路上的事。报告在介绍这一层能力时，以网易智企旗下的数据智能品牌数帆为例。

数帆把网易十余年的大规模数据实践，沉淀为可复用的数据底座能力。其数据开发治理平台 EasyData 以「开发治理一体化」为核心，覆盖数据开发、治理、质量、安全和运维等场景。

「开发治理一体化」解决的是一个老问题。很多企业的数据治理是项目制的：先开发，出了问题再回头补规则。

数帆的做法是让质量规则、权限和血缘在数据生产过程中同步落地，数据进入共享资产时，就已经带着前面说的那些「状态」。这样交给 Agent 的就不只是数据本身，还有它的业务含义和使用边界。

EasyData 已通过中国信通院 DataOps 系统工具四项全部能力评估，网易智企也由此成为首家通过该项评估的企业。目前，EasyData 已为国央企、金融、制造等行业的 400 余家头部客户提供服务。

数据可信之后

判断也要能复核

有了可信的数据，不等于就有了可信的判断。从一个问题到一个结论，中间还有很多步可能出错。

从智能问数到完成一项分析任务，大致要经过七步：理解问题、澄清条件、匹配指标、查询计算、结果复核、解释结果、追问与修正。

其中「结果复核」这一环，报告以网易智企知数 DataAgent 为例：查询结果出来之后，先检查执行结果与用户意图是否一致；复核不通过，就按修正建议重新生成查询。

每一步查了什么、怎么算的、为什么重来，都留有全链路执行日志可查。

知数 DataAgent 承接的是 EasyData 的治理成果，包括数据模型与业务定义、质量状态与血缘依据。治理时定下的口径，到了分析环节，就成了复核的标准。

复核之后，还有解释这一关。看一组示意数据：同一位客户经理，AUM 指标达成率 572%，贷款投放达成率 0%，有效客户达成率 40%。只会出数的工具，可能会把三个数字并排列出，或者给出「表现突出」的笼统结论。

更稳妥的做法，是把事实、差异和推断分开，有几分证据，说几分话。数据能指出差异在哪里，至于为什么差这么多，还需要结合业务行为和流程记录继续判断。

AI 上岗

看的是任务有没有完成

AI 给建议的速度越来越快，业务任务却未必完成得更快。

回到门店缺货的场景：缺货预警、原因分析、调货建议，AI 很快就能给出来；可核验、协调、执行，还得靠人和流程一步步推进，建议越多，积压可能越多。

同一个经营分析助手，大家眼里的「完成」也不一样：技术团队觉得报告生成了就算完，业务人员要的是原因查清，管理者看的是缺货有没有真的减少。

网易智企更看重的是最后一种。要让 AI 的判断变成业务结果，就得先想清楚它由谁来用、在哪个环节用、用完交给谁，再把它放进真实的业务流程里。

如果企业已经有成熟的系统和工作入口，要做的是把判断送到使用者手上。

三花智控的预算分析属于这一类，恒丰银行的绩效助手也是。

过去，客户经理得自己登录报表、理解复杂指标、做归因，绩效反馈一个月才有一次。

现在，这家银行基于知数 DataAgent 搭建了绩效助手。它复用行内数据仓库里统一好的绩效口径，结合私有化部署的大模型和业务规则，为每位客户经理生成个人解读，再通过内部即时通讯工具推送过去。客户经理点开 H5 页面，还能接着追问原因、拿到改进建议。

绩效反馈从按月变成了 T+1，判断也成了客户经理每天工作的一部分。

如果现有系统做不了这件事，就得新建或改造一个业务应用，而且要做得快、做得准，判断才不会卡在等系统上线这一步。

报告在这里举的是网易智企 CodeWave SDD（Spec-Driven Development，规格驱动开发）的例子。

空格数智科技做企业应用交付，常遇到需求在传递中走样的问题。

他们在一个新能源行业的 CRM 项目上试用了 CodeWave SDD：127 页的 PRD 先由 AI 解析，主动提问，找出需求里的遗漏和歧义，整理成结构化规格，拆成 6 大功能模块；产品经理和技术经理共同审核确认后，再据此生成前后端代码，完成接口联调。

原本需要 1 名产品、3 名开发、1 名测试投入 60 人天的项目，最后由 1 名产品、1 名开发、1 名测试用 16 人天完成。

这和数据底座的思路一样：先把依据定清楚，再让 AI 动手。

把这几个例子连起来：EasyData 让数据可信，知数 DataAgent 让判断可核验，CodeWave 让结果有应用承接。

从数据底座到应用交付，这条链路网易智企已经跑通。

结语

对多数企业来说，AI 落地不会一次铺开，而是从一个场景开始。报告建议，选第一个场景时，把数据准备程度和业务价值、任务清晰度、系统接入难度、操作风险放在一起考量。

但是，数据这一项的价值，往往到第二个场景才显出来。

第一个任务跑完，经业务方确认过的指标口径和规则会沉淀下来，下一个场景可以直接复用，不必从头再来。模型会迭代，应用会重建，这些口径和规则却会一直留在企业里。

先让数据可信，后面每个场景都建在同一块地基上，才会越建越稳，越建越快。这也是网易智企强调 Data First 的原因。