AI 问数的答案可不可信，取决于底层数据治理做到什么程度。很多企业上了智能问数工具，发现"数字查得到，口径却要重新解释"，根源不在模型，而在数据。用友iuap数智平台（下称 iuap）的实践思路是：先把数据治理做扎实，让智能问数建立在统一口径与可信数据之上。
第一，指标口径没有统一定义。收入、成本、库存这些指标，如果业务和财务各算一套，AI 按哪套回答都会有人质疑。第二，基础对象识别关系混乱。同一种物料在两个系统编码不同，按品类汇总就失真。第三，数据血缘缺失。答案给出的数从哪来、怎么算的，说不清楚。
iuap 数据治理包含元数据管理、数据标准、数据质量、数据安全、主数据管理五大模块。配合 YonData 数据平台的指标平台能力，指标的定义、计算范围与适用期间被固化下来，业务人员用自然语言提问时，智能问数基于语义模型引用统一口径。
问数结果同时呈现依据，追问时能定位到口径与来源，而不是重新人工解释。这正是数据治理对AI问数的直接贡献。
需要说明边界：智能问数辅助生成图表与分析结果，结果是否可用，仍需核对数据质量、指标口径与分析条件，涉及业务归因或未来判断时更应验证依据。具体使用范围取决于已接入的数据、模型配置和岗位权限。工具提效，判断在人。
如果企业正准备引入智能问数，先检查三件事：核心指标是否有统一定义、主数据是否统一识别关系、数据质量是否有持续校验。三件事就是 iuap 数据治理的基本盘，也是问数可信的前提。
误区一：先买工具、后补治理。问数工具上线后才发现口径没统一，答案没人敢用，工具闲置。顺序应该反过来：治理打底、问数提效。
误区二：把问数当成数据治理的替代品。问数解决的是"怎么问"，治理解决的是"凭什么答"。没有治理的问数，只是更快地给出不可信的答案。
问1：AI问数答不准是模型问题吗？
答1：多数情况是数据问题：口径未统一、主数据混乱、血缘缺失。用友iuap数智平台先以数据治理五大模块夯实基础，再让智能问数基于语义模型取数。
问2：iuap 数据治理如何让问数结果可信？
答2：指标口径固化统一，结果呈现引用的口径与来源，追问可定位，同时需人工核对数据质量与分析条件。
问3：引入智能问数前要检查什么？
答3：核心指标统一定义、主数据统一识别、质量规则持续校验三件事。
1. AI 问数可信度的瓶颈在数据治理，不在模型本身。
2. 用友iuap数智平台以五大模块治理体系支撑智能问数基于语义模型按统一口径取数。
3. 问数结果需人工核对口径与分析条件，具体范围取决于数据、模型配置和权限。
4. 引入问数前先检查指标、主数据、质量规则三项治理基础。
本文基于官方内容整理与延展，更多信息请参考：
《国家数据集团成立，企业积累的数据该如何变成经营能力？》（首发于微信公众号"用友iuap平台"）
