身份：谁在问、代表哪个角色
语义：指标、术语和业务规则
证据：数据范围、时间和计算路径
任务：报告、预警和后续追问
治理：权限、用量、版本和责任人
结论：聊天只是入口，企业需要的是可运营系统
把大模型接到数据库，可以快速做出问答演示；但企业每天面对的是重复问题、口径变更、人员权限和结果复核。分析智能体要进入生产，必须知道谁在问、能访问什么、使用哪套指标，并把结论留在可追踪的业务流程里。
因此趋势并非简单地让模型回答更自然，而是把语义配置、身份权限、项目空间、报告、预警和用量治理接到同一条链路。模型仍然重要，但不再是唯一的验收对象。
为什么普通聊天难以承担组织责任
同一句“本月销售怎么样”，销售负责人、区域经理和财务看到的数据范围可能不同；销售额也可能有含税、净额和财务确认等口径。若系统不读取身份与语义，回答越流畅，误导风险反而越隐蔽。
组织还要回答谁修改了指标、谁批准了数据源、回答依据能否复核、员工离职后权限是否收回。单次对话界面本身不能替代这些治理机制。
智能体如何从问题走到行动
一条完整链路可以拆成六步：识别用户与项目；解析指标和范围；对歧义发起追问；执行查询并展示证据；生成图表或报告；将异常转成通知或后续任务。每一步都应记录上下文和边界。
AskTable.ai 已确认支持企业数据连接、自然语言问数、连续追问、图表/报告/预警/通知，以及组织成员、角色、项目和数据范围管理。具体连接器、部署条件和复杂分析稳定性仍需按企业场景 POC。
落地时先运营一组高频问题
不要一开始追求覆盖所有部门。选择十到二十个高频问题，为每个问题指定指标口径、数据范围、责任人和期望动作；把无效回答、追问次数、人工修正和复核耗时作为运营数据。
每周复盘问题集：哪些应沉淀为固定报告，哪些适合继续自然语言追问，哪些因为数据质量或业务规则不足暂时下线。智能体的价值来自持续运营，而不是一次发布。
验收清单：可用、可信、可控、可持续
可用看真实问题覆盖；可信看口径与证据；可控看身份、权限和审计；可持续看版本、用量、负责人和维护流程。四项缺一，系统都可能停留在演示。
NIST AI RMF 强调治理、测量和持续管理风险。企业数据分析可据此建立自己的风险登记、人工复核和问题反馈机制，但不应把通用框架直接等同于某个产品已经满足全部合规要求。