很多企业第一次尝试 AI 问数时，最容易低估一件事：AI 不只是连接数据库就能回答好业务问题。
一个业务负责人问“上个月销售额是多少”，这句话听起来很简单，但真正落到数据里，马上会出现一串问题：销售额是否扣除退款？是否包含优惠券抵扣？按下单时间还是支付时间统计？测试订单是否排除？预售订单算不算？跨渠道订单怎么归属？
如果这些问题没有被提前定义，AI 只能在混乱里猜。它可能生成 SQL，也可能返回一个看起来很像答案的数字，但这个数字未必是企业真正认可的经营口径。
所以，企业做 AI 问数之前，第一件事不是买模型，也不是先搭聊天框，而是建设指标体系。
指标体系不是指标清单
很多人把指标体系理解成一张表：销售额、毛利率、复购率、客单价、库存周转天数、广告 ROI。这只是开始。
真正的指标体系，是围绕业务目标组织起来的一套数据语言。它至少包括指标名称、业务含义、计算公式、统计周期、维度体系、数据来源、权限范围、负责人和使用场景。
没有这些内容，指标只是名字；有了这些内容，指标才变成企业可复用的管理语言。
数据很多，答案仍然很慢
企业数据分析慢，通常不是因为没有数据。相反，数据太多、太散、太不统一，才是更常见的问题。
每个系统都能导出报表，但当业务真正追问原因时，大家往往又回到手工汇总、截图、拉群、找 IT。
这时，AI 问数看起来像捷径。但如果指标口径没有统一，AI 只是把不一致的报表换成不一致的自然语言答案。
指标体系决定 AI 能不能稳定回答
AI 要回答业务问题，背后需要三类确定性：语言确定性、计算确定性和权限确定性。
业务说“销售额”“GMV”“成交额”，系统要知道这些是不是同一个概念。同一个指标必须有统一公式、过滤条件和时间口径。同一个问题，不同角色问，答案范围也应该不同。
指标体系的价值，就是把这些确定性提前沉淀下来，让 AI 不必每次重新猜测。
从一个场景开始
指标体系建设不应该一开始就做成大型项目。更实际的方式是从经营日报、广告复盘、库存预警、会员触达、活动复盘等高频场景开始。
先把一个场景里的指标、口径、维度、数据源、权限和使用流程跑通，再复制到更多场景。
AskTable 如何落地
在 AskTable 产品体系里，DigTable 负责把企业数据采集回来并建成 AI 可用的数据基础；AskTable 负责在指标口径、语义和权限之上完成问数与分析；AI 数字员工则把高频分析和执行动作沉淀成可调度的 Skill / Solution。
指标体系解决的是“企业要统一看什么数、怎么算”。下一步，企业还需要把这些指标、字段、业务规则和分析偏好组织成 AI 能理解的上下文，这就是业务语义层要解决的问题。