企业智能问数在演示阶段通常只需几秒就能生成 SQL，但进入真实业务后，权限和指标口径才是决定产品能否落地的关键。文章提出一条更可靠的技术路线：让大模型负责理解问题与生成查询骨架，再由模型之外的系统补全语义并注入权限。
这是什么
ChatBI（用自然语言查询企业数据的工具）通常会经历四步：先识别用户所说的部门、指标和业务术语，再让大模型生成 SQL，随后根据当前用户身份追加数据权限，最后通过缓存和反馈持续修正结果。
其中有两个容易被忽略的工程层。语义补全会把“A 部门”这类内部简称匹配到主数据中的标准名称；权限注入则把用户能看到哪些数据写进查询条件，而不是让模型自行判断。前者解决“问的是什么”，后者解决“允许看什么”。
行业怎么看
值得关注的是，这套设计反映出企业 AI 的重心正在从模型能力转向数据治理。大量表结构、业务指标和权限规则无法靠扩大模型或重新训练解决，更适合放在可更新的配置与规则系统中。模型提供通用理解能力，企业数据工程负责把答案约束在可信范围内。
但风险同样明显。自动修改 SQL 的权限条件并不天然可靠，主查询、子查询和复杂关联中只要漏掉一处，就可能造成越权；把企业内部术语和示例送给外部模型，也可能涉及敏感数据与合规责任。另一项反对意见是，ChatBI 仍高度依赖干净、统一的指标定义。如果各部门口径冲突，系统即使生成语法正确的 SQL，也可能只是更自信地展示错误答案。因此，在关键经营决策中，查询结果仍需保留口径说明、来源追踪和人工复核入口。
对普通人的影响
对企业 IT：企业不必先追求大模型参数或全面微调，而应先整理指标口径、权限模型和主数据。ChatBI 的采购与验收重点，也应从回答速度转向权限覆盖率、结果可追溯性和异常反馈机制。
对个人职场：财务、销售和管理者将更容易直接询问经营数据，但数字仍需核对口径与来源。能提出清楚问题、验证结果的人，会比单纯会写提示词的人更有价值。
对消费市场：企业报表工具会逐步降低使用门槛，更多软件可能加入自然语言查询功能。不过，面向消费者的产品若缺少严格权限设计，个性化推荐、账户查询和订单分析也可能带来数据泄露风险。