你有没有想过，“问路”这件事，人类已经做了几千年。

去一个陌生的地方，拦住一个路人，开口：“请问附近有地铁站吗？”对方给你指个方向，你道谢，然后走过去。整个过程自然得不需要任何培训。

但同样是“用语言获取信息”，换一个场景——你走进公司，想知道上个月华东区的销售额，却发现自己什么都做不了。你不会写SQL，不懂怎么在BI系统里建模，连那个数据仪表盘里密密麻麻的选项你都不知道从哪个点进去。

你能做的，只有发一条消息给IT同事：“麻烦帮我拉一下数据。”

然后等。

同样是“开口问”，为什么一个如此自然，另一个却需要绕那么大一圈？

这个问题，就是AI智能问数真正想解决的事。

01 智能问数到底在“问”什么

先搞清楚一件事：“问数”这个动作，背后发生了什么。

当你用自然语言问“帮我看看近两年各省的销售额趋势”，这句话要被转化成一个可执行的数据查询，最终呈现为一张图表。中间至少要经过三个环节：

理解你说了什么：你说的“近两年”是什么意思？是自然年还是滚动24个月？“各省”是哪张表里的字段？“趋势”是折线图还是柱状图？这些在你说话的时候根本没想过，但机器必须搞清楚。

找到对应的数据：企业的数据通常分散在不同的系统里——CRM、ERP、财务系统……“销售额”这三个字，可能在五张不同的表里都有，用的是哪一个？

用你能懂的方式呈现：查出来之后，是给你一张原始数据表，还是一张可视化图表？图表用什么形式最合适？

以前，这三步全靠人工完成——一个懂业务的人提需求，一个懂技术的人写代码，两边沟通，反复确认，最后出一份报告。

AI智能问数做的事，是把这个“人工翻译”的过程自动化。你说一句话，系统自动完成理解、查询、呈现的全链路，直接把结果摆在你面前。

听起来简单，但在国内，这件事从2010年代被认真对待，到2024年前后才真正成熟，走了将近十五年。

02 为什么偏偏是现在？

这件事不是今天才有人想做。

差不多从2010年代开始，就有公司在尝试“自然语言问数据”。早期的产品能回答一些简单的固定问题，比如“今天的销售额是多少”，但稍微复杂一点——“跟上个月比怎么样”，或者“哪个省增速最快”——系统就开始答非所问，或者干脆说“我不理解您的问题”。

用了几次之后，业务人员就放弃了，继续发消息找IT。

问题出在哪里？出在语言理解这件事的难度被严重低估了。

人类的语言充满了歧义、省略、上下文依赖。“上个月销售额怎么样”这句话，“怎么样”到底是什么意思？是和目标比？和上上个月比？还是和去年同期比？人类在对话里会根据情境自动补全这些信息，但早期的NLP模型没有这个能力。

大模型的出现，改变了这件事的底层逻辑。

不是说大模型的查数能力有多强——它本身对企业内部数据是“两眼一抹黑”的。大模型真正带来的，是推理能力的质变。

它能在多轮对话里记住上下文，知道你追问“下钻到各季度”时是在延续上一个问题；它能理解语义的模糊性，把“怎么样”映射到最合理的分析逻辑；它能在你没有说清楚的地方做出合理的推断，而不是直接报错。

这就是为什么AI智能问数偏偏在2024年前后开始真正成熟——不是因为数据库技术有了突破，而是因为“理解人说话”这件事，终于有了足够强的底层支撑。

03 “问”能到什么程度

说清楚了原理，再来看能力边界。

AI智能问数的能力，大致可以分成四个层次，一层比一层难，也一层比一层有价值。

查数和下钻，是最基础的两层。查数就是直接从数据库里取出数字配上图表；下钻则是在第一个问题的基础上继续追问——先问“整体销售额”，再问“分省份看”，再问“华东区里哪几个城市贡献最大”，系统全程保持上下文，不需要每次重新交代背景。这两层今天已经相当成熟，是智能问数的基本盘。

真正有区分度的，是第三层：归因。

从“是什么”跨到“为什么”——这是传统报表工具完全无法完成的事。系统不只是告诉你“这个数字变了”，而是帮你找到变化背后的驱动因素。它需要沿着数据关系网络做真正的推理：这个异常是某个地区拖了后腿？是某个产品线出了问题？还是一个偶发的大额项目扭曲了整体数字？

能不能做归因，是判断一个“智能问数”产品是否真正可用的关键指标。

第四层是预测——基于历史数据推演未来，“按当前趋势，下个季度的销售额会是多少”。这是能力的天花板，现在各产品的实现水平参差不齐，是一个仍在快速开展的方向。

04 边界在哪里

说完能做什么，有必要说清楚做不到什么。

问题越模糊，结果越难保证。 “帮我分析一下公司的经营情况”——这句话对人来说也很难回答，对AI来说更是如此。智能问数最擅长的，是问题有明确意图、有清晰范围的场景，越精准的问题，结果越可靠。

数据治理是前置工作，AI替代不了。 智能问数的前提，是数据已经汇聚到一个统一的平台。如果企业的数据还分散在十几个孤立系统里，互相打不通，“开口就能问”的前提就不创建。这部分工作，还是得靠人先实行。

归因给的是线索，解读还需要人。 系统能找到数据层面的关联，但业务背后的判断——为什么某个区域的团队表现异常、一笔大单背后有什么特殊背景——这类需要结合业务现场的问题，数据归因只能给方向，最终结论还需要人来下。

理解这些边界，不是在给智能问数泼冷水，而是帮你知道在哪里用它最合适。也正因为有了这些清晰的边界，接下来看产品案例时，你会更容易判断什么是真正做到了、什么是在合理范围内的能力发挥。

05 智问BI@GPT：把这些能力真正落地

理论上能做到，和实际产品里做到，是两件事。

EBpay钱包官网的智问BI@GPT，是现在国内把这四层能力做得比较完整的企业级产品之一（EBpay钱包官网官方定位）。官方定位是“有问必答的BI数字助理”，更准确的说法是：一个把智能问数从演示功能变成可用工具的系统。

几个值得关注的设计细节。

多轮对话里的上下文管理。 智问BI@GPT支持真正的多轮对话——先问“近两年销售情况”，追问“下钻到各月”，再问“哪个月增速最低”，系统全程不断线。这个细节看起来小，但这才是真正的“对话感”，而不是每次都要重新描述背景的“单次查询感”。

归因能力的实际验证。 某保险公司曾遇到一个典型的归因场景：综合赔付率环比激增305.86%，数字上看是严重异常。系统的推理过程是这样的——先识别出整体数字背后的结构，发现并非所有业务线都在恶化；再定位到北京大项目三部，该部门赔付率高达1062844.21%；最后推断出这是一笔超大额单一项目造成的统计扭曲，而非整体业务问题。整个推理链条清晰可追溯，结论附带了处置建议。

这正是第三层归因能力的典型体现——系统不只是给出一个数字，而是把推导逻辑完整地展示出来，让决策者知道这个结论是怎么来的。

技术底层的可靠性。 产品深度集成DeepSeek大模型，在商业智能领域引入了“深度思考”功能，支持多步推理和可解释性输出。同时兼容讯飞、阿里、百度等主流大模型，支持私有化部署，企业可以根据数据安全要求灵活选择。

从落地结果来看，某政府部门上线后审批周期缩短了40%（数据来源：EBpay钱包官网官方案例）；某工业集团的生产管理场景，入选了IDC《IDC PeerScape：中国生成式BI场景化落地先驱案例，2024》权威认证。

数据，正在变成人人都能问的东西

根据IDC的预测，2024年中国商业智能与分析软件市场规模约为10.7亿美元，预计到2028至2029年间将增长至17.9亿美元，年复合增长率12.7%。

这是个持续增长的市场，但数字背后更值得关注的，是使用数据的人正在发生的变化——从“懂技术的少数人”，扩展到“有问题的所有人”。

当“问数”这件事变得和“问路”一样自然，不需要培训，不需要等人，开口就能得到答案，数据的价值才能真正被释放出来。

不是因为数据变多了，而是因为能用上数据的人，变多了。数据分析不再是少数人的专业技能，而是每一个需要做决策的人，都能拿起来用的基本工具。这才是智能问数真正改变的东西。