AI问数系统为何屡遭诟病？当ChatBI等产品陷入『听不懂人话』的怪圈时，真正的解法藏在业务与技术的交汇处。本文通过实战案例，揭秘如何通过skills配置重构数据交互逻辑，将自然语言翻译成规范SQL，打造真正可用的AI问数产品。更关键的是，这套方案意外实现了业务方数据素养的阶梯式提升，形成了数据基建的反哺闭环。

在上篇《数据产品的 AI 实践1：在不确定中寻找确定》中，笔者留下了一个钩子：自助分析。有朋友可能会有疑惑，一个 AI 问数有什么值得大写特写的？确实，在市场上的 AI 问数系统（比如经常被提起的 ChatBI）常常被人诟病，看似交互简单却需要用户准确的描述，虽然得到答案可结果错误不可信，最后陷入了“业务方觉得开发出的产品听不懂人话，开发方觉得业务方说不清人话”的互掐境地。

那这个烂摊子还要碰吗？笔者坚定的告诉你答案：要！

接下来，笔者将通过一个真实的案例，和大家一块探讨什么才是 AI 时代的产品行动路线（即 AI 问数的设计方向），也欢迎大家在下方留言讨论。

挖掘出用户真实的痛点，避免陷入臆想的自嗨

笔者所在公司，以及了解到的一些公司的研发部门为了赶上 AI 的浪潮，都存在过逼着大家“创新”的经历。像笔者所在公司的个别同事，为了得到老板的青睐拼了命的搞 AI，可业务的真实需求却视而不见、一拖再拖。

这些现象恰恰暴露出 AI 时代与互联网时代的第一个不同点：互联网时代 MVP（最小可行产品）模式在 AI 时代是失效的，先消耗 Token 的方式，已然成为一种不负责任的表现。

随着 AI Coding（AI 编程）的能力不断增强，需要排长周期开发的工作方式也在慢慢消失，那些复杂的页面只要通过一段描述就可以自动生成。所以在 AI 时代，决定做什么反而比动手做更重要。回到 AI 问数产品，我们决定做什么呢？就需要我们挖掘出用户的真需求：能够快速得到准确的数据！

读到这里，相信有些朋友会站起来说：“让分析师取数，而且还能 AI 写 SQL，不是也能快速实现吗？为什么还要搞 AI 问数？”恭喜你！你已经开始转变互联网时代的思维了，接下来我们继续探索。

找准时机，AI 的背后离不开人

前几天看到一位产品圈的前辈在朋友圈发了这么一段话：

能吃到AI红利的是正在创业的微厂和没有历史负担的转型厂，传统互联网大厂的结构和AI带来的新流程是矛盾的。

其实他用这段话描述了当下互联网（化）公司病态的生存现状：做正确的事不重要，让老板觉得在做正确的事才重要。今天笔者不去展开聊这种现状背后的原因，但我们每个人都应该思考如何在这种现状下能干点正事，笔者给出的答案是：找准时机，这是现阶段打开产品落地之门的钥匙。最重要的是，AI 加快了时机更早出现的确定性，下面以笔者所在公司为例，详细说明其中原因。

其一，眼里没有业务，AI 化的结局是停滞和扭曲。正如前文提及，当一群人面向高层狂热的表演时，根本没心思去思考业务。当眼面前简单的东西不断被吃完，只能去 YY 出不一样的AI 数智化，诸如周报 AI 分析（分析谁一周做的有价值）等一些“创新”产品。也恰恰是这个阶段，真正能解决业务痛点的产品就显得十分稀缺，也不断为“能干点正事”提供了环境。

其二，AI 糊住了高层的眼，也吃撑了高层的胃。这个世界真的是阴阳平衡的，高举“数智化”的旗帜确实会把高层忽悠住，但是日益 AI 化的输出物也养刁了他们，甚至有些老板自己通过 AI 去搭建应用，最后衍生出了要求整个业务团队都有 AI 构建的能力。最初看老板肯定疯了，但仔细琢磨就可以发现他们的愿景其实就是数智化的本质：提升整个组织的能力。正是这种背景，为 AI 产品的设计也指明了方向。

尊崇数智化本质的AI 问数设计

开篇提到的 AI 问数这个烂摊子该怎么开始呢？相信大家都有了答案，没错！它的设计目标就是以下两点：

在大家的印象中，市面上的 AI 问数产品，连基础的准确取数的能力都无法满足。虽然设置了多轮对话机制，但要求业务方一开始就拥有“基础的数据素养（了解数据的含义、计算规则等）可与系统自由对话”的能力就是天方夜谭，这也成为设计 AI 问数面临的最大挑战。

那有没有标准化业务语言的方法呢？笔者在“老板自己通过 AI 去搭建应用”的事情中发现了突破口——让业务自己搭建分析 skills（AI 模型可以调用的技能），产品基于标准化配置的 skills 翻译成规范的 SQL 语句，这样就可以把“自然语言和系统”的（语义识别）问题转化为“人与 skills 配置”的（功能设置）问题了，基础实现链路如下：

笔者在 skills 配置方式上设置了两种，让业务方在配置、校验过程中就可以提升自己的数据素养，部分功能原型如下图所示：

当然数据侧的伙伴也可以提前配置好 skills，让业务方实现开箱即用（前提是与业务方确定好分析方向）。同时基于不同的分析目标，可以配置 AI 问数产品按照标准分析链路逐步返回数据，避免一步到位给出结果后，业务方的分析能力没有提升的局面，原型如下图所示（对话框分析链路逐步展示）：

除上述设计外，笔者在整个 AI 问数产品中还增加了“对话过程一键生成 skills”、“skills 市场”（自己配置的 skills 可以供他人使用）等功能。在中期规划中，还设计了一键生成报告（待开发）等功能。后来在内部的一个重大数据项目中，我们开启了 AI 问数落地使用，业务方在使用产品的过程中对数据的理解也一步步提升，并反向推动了我们数据部门的数据基建投入，也为产品的优化迭代提供了闭环的链路。