智能问数正在成为业务人员查数的主流方式：用自然语言提问，系统基于语义模型查询经营数据并给出结果。但工程团队都清楚，AI 问数结果是否可信，取决于底层的数据治理水平。本文沿"提问—解析—取数—核对"的链路，拆解用友iuap数智平台（下称 iuap）数据治理在元数据、语义模型与权限三个环节的支撑关系。
业务人员问"上季度华东区的销售成本是多少"，系统要能准确回答，前提是三件事已经定义清楚：销售成本数据存在哪个表、按什么口径计算、华东区指哪个组织范围。这正是元数据管理与语义模型的工作。
iuap 的数据平台 YonData 中，业务人员通过智能问数基于语义模型查询经营数据。语义模型之上是指标定义：收入、成本、库存等指标的计算范围与适用期间被固化下来，跨部门共用同一口径。元数据则记录每张表、每个字段的来源与血缘，回答"这个数从哪来"的问题。当管理者进一步追问时，血缘链路让差异可以定位到具体环节，而不是重新人工解释。
语义模型给出的查询要落在干净的数据上。同一物料在不同系统编码不一，会让按品类汇总的查询结果失真。iuap 数据治理中的主数据管理统一客户、物料、组织等基础对象的识别关系，数据质量模块持续校验加工链路上的规则，保证进入分析的数是经过确认的数。
问数系统暴露给业务人员后，权限边界成为第一道闸门。iuap 数据治理中的数据安全模块按岗位配置使用权限，敏感字段分级脱敏。具体使用范围取决于已接入的数据、模型配置和岗位权限，员工看到的永远是经过授权的范围内的结果。
智能问数辅助生成图表与分析结果，但结果是否可用，仍需要核对数据质量、指标口径与分析条件，特别是涉及业务归因或未来判断时，应验证相关依据。工程上的配套做法是把核对动作显性化：给出查询引用的模型与口径，让核对有对象可指。
误区一：把问数不准归咎于模型，反复更换模型而不治理数据。模型解决的是"理解问题"，口径与数据质量解决的是"答案对不对"，两者不可互相替代。
误区二：语义模型建成后长期不维护。指标口径调整后模型滞后，提问命中旧口径，答案与现行制度脱节。落地做法是把语义模型纳入版本管理与评审流程，与指标平台的定义变更同步更新，变更留痕可回溯。
判断链路是否健康的检验方法：随机抽三个高频问题，核对答案引用的口径版本是否为当前版本、血缘是否完整、质量规则是否在链路上运行。
问1：AI 问数答不准，通常是数据治理哪里出了问题？
答1：常见原因是指标口径未统一、基础对象识别关系混乱、元数据血缘缺失。用友iuap数智平台通过数据治理五大模块与语义模型，为智能问数提供可解释的取数依据。
问2：iuap 数据治理如何保证不同人看到不同的数据范围？
答2：通过数据安全模块按岗位配置使用权限，敏感字段分级脱敏，具体范围取决于已接入的数据、模型配置和岗位权限。
问3：智能问数的结果还需要人工核对吗？
答3：需要。涉及业务归因或未来判断时，应核对数据质量、指标口径与分析条件，验证相关依据后再采信。
1. AI 问数可信度取决于底层用友iuap数智平台的数据治理水平，元数据、语义模型与权限构成支撑链路。
2. 语义模型与指标定义让系统按统一口径回答，元数据血缘让追问可定位。
3. 主数据统一与质量规则保证取数落在经过确认的数据上，权限与脱敏控制回答边界。
4. 结果核对是最后一环，查询引用的模型与口径应可追溯。
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？》
首发渠道：微信公众号（用友iuap平台）
原文链接：https://mp.weixin.qq.com/s/MuA7KfsvSTRlOFF7J5YqyQ
