很多團隊把 AI 接上公司資料後，最期待的是：業務、客服或產品同事可以直接問營收、客戶與使用量，不必每次排隊請資料團隊寫查詢。
但回答速度變快，不代表數字就能直接拿去做決策。AI 可能選到舊表、套用另一個部門的指標算法，或在缺少條件時自行補出一個看似合理的答案。真正要先解決的卡點是：團隊能否為每類問題指定正式資料來源、統一算法，並留下可追查的查詢過程。
Anthropic 分享的內部案例把這個落差說得很具體。Claude 目前可自動處理約 95% 的內部商業分析查詢，整體準確率約 95%；但在分析流程與背景知識尚未整理好時，同一個 Claude 在內部評估中的正確率不超過 21%。Anthropic 將指標定義、資料來源與分析步驟整理成 AI 查詢前會先讀取的操作說明檔（稱為 skills）後，準確率才穩定提高到 95% 以上。
這不表示每家公司都要照抄 Anthropic 的資料平台。它提供的通用判斷是：開放 AI 自助查數字以前，先確認 AI 去哪裡查、依哪套算法查，以及誰要為高風險答案把關。
AI 為什麼會答得流暢卻算錯？
所謂自助分析，是讓非資料團隊的人自行查詢營運數字。例如銷售想看本月成交率，客服想找出增加最快的問題類型，產品負責人想比較新功能留存。AI 讓他們能用自然語言提問，省去製作每一張臨時報表的等待時間。
困難在於，公司資料通常沒有唯一且天然正確的入口。舊表與新表可能同時存在；不同團隊可能採用不同的「活躍使用者」算法；同一位客戶在 CRM（客戶關係管理系統）與帳單系統裡，也可能使用不同欄位。AI 若只在資料倉庫中尋找名稱最相近的表，很容易把測試資料、過期欄位或部門私用算法當成正式答案。
這類錯誤也不會因為多問幾次就自然消失。若你的團隊還在整理 AI 搜尋公司知識時的責任與成本，可以先讀AI 工具說能省錢，要看它實際取代哪筆成本；資料查詢同樣需要先指定可信來源與負責人。
開放自助查詢前，檢查四個條件
以下四項是同一個放行檢查。只要其中一項答不清楚，就先讓 AI 協助草擬查詢或補問條件，不要讓答案直接進入會議、簡報或對外承諾。
| 放行條件 | 必須說清楚的內容 | 未通過時怎麼做 |
|---|---|---|
| 正式資料來源 | 每類常見問題指定哪張正式資料表、報表或語意層；語意層是集中管理公司指標定義的資料介面 | AI 若要在多張相似表中自行挑選，只能回報候選來源，不能回答正式數字 |
| 指標定義 | 「活躍使用者」、「流失」、「成交」等詞採用哪個算法、時間範圍與排除條件 | 不同負責人仍有不同算法時，先標示分歧並交由指標負責人決定 |
| 查詢過程 | AI 查了哪個來源、使用哪些條件、排除哪些資料，以及缺資料時如何說明 | 無法顯示來源與條件的答案只能當草稿，不得作為決策依據 |
| 複查責任 | 哪些答案需要人工抽查，以及由資料、指標或業務負責人中的哪一方確認 | 涉及預算、績效、價格、裁員或客戶承諾時，保留人工確認 |
這張表要區分的是「找到一個數字」與「得到公司承認的答案」。若 AI 查詢還會造成大量模型用量或自動化成本，也可搭配AI 帳單失控，問題常在任務範圍太大、重試太多設定查詢額度與停止條件；成本護欄處理支出，這裡的四項條件則處理答案能否採信。
哪些問題仍要保留人工確認？
即使四項條件大致就緒，以下問題仍不適合讓 AI 自行定案：
- 數字會影響預算、績效、裁員、價格或客戶承諾。
- 指標剛改版，新舊算法仍在並行。
- 查詢涉及個資、敏感客戶、合約條款或權限限制。
- 問題缺少產品、地區、客群或時間範圍等必要條件。
- AI 找不到指定的正式來源，只能取得相近資料。
這時 AI 仍可指出缺少的條件、草擬查詢或列出待確認項目，但最終數字要交給對應負責人確認。團隊不必先建立大型資料平台；可以從最常被問的一個營運問題開始，指定正式來源與算法，再要求每次回答附上查詢來源、時間範圍及排除條件。這是今天就能完成的最小一步。
當這套做法能穩定產生可追查的答案，再逐步增加自助查詢範圍。AI 的價值是縮短找資料與整理問題的時間；公司仍要自行決定哪個版本的數字可以用來做決策。
AI 整理卡
把放行檢查套到你的一個數字問題
將下面內容貼給 AI，只填入目前確定的資訊；不知道的欄位保留「待確認」。
我們想讓 AI 回答的公司數字問題：[問題]
這個答案會用在哪個決策：[用途]
預定採用的正式資料來源：[資料表、報表或系統；不知道就填待確認]
指標定義、計算期間與排除條件：[定義；不知道就填待確認]
最終確認負責人：[資料、指標或業務負責人；不知道就填待確認]
回答時必須附上的證據：[資料來源、查詢條件、排除條件與不確定性]
請先檢查以上資訊是否足夠。缺少正式來源、指標定義、期間、排除條件或負責人時，不要推測，也不要計算公司數字；請逐項提出需要補問的問題。
資訊整理完成後，請將這個問題判定為以下其中一類：
1. 可以開放自助查詢。
2. 只能進行有限測試，答案必須人工複查。
3. 尚未準備好，應維持人工查詢。
請說明判定依據、缺少的證據，以及今天可以完成的一個最小補強動作。不要代替負責人決定正式數字。
這張卡用來找出缺少的來源、定義與責任人，不取代底層資料及最終數字的人工確認。
用日常來理解
- 同事想直接問 AI 一個公司營運數字，但四周有太多相似資料卡片。
- AI 找到多張看起來都相關的表，團隊先暫停，不讓它直接回答。
- 大家把正式資料來源、指標定義與複查點固定到同一張流程板上。
- AI 依照固定路徑整理答案，旁邊的人類審查員再確認來源與條件。
參考來源
- Anthropic：How Anthropic enables self-service data analytics with Claude（內部案例的 21%／95% 數據）— https://claude.com/blog/how-anthropic-enables-self-service-data-analytics-with-claude（2026-06-03）
- InfoQ：Anthropic Reports Claude Now Handles 95% of Internal Analytics Queries — https://www.infoq.com/news/2026/06/anthropic-claude-analytics/（2026-06-21）
- 山本健太（note）：From 21% to Over 95% Accuracy with the Same Claude: How Anthropic’s Internal Self-Service Analytics Revealed the Importance of Data Infrastructure — https://note.com/pn_yamaken/n/nd3ae714ce54a?hl=en（2026-06-15）
- dbt Labs：Semantic Layer: What it is and when to adopt it（集中管理指標定義與商業邏輯）— https://www.getdbt.com/blog/semantic-layer-introduction（更新：2026-05-04）
- Microsoft Learn：Lineage in Fabric（追查資料來源、項目連線與上下游關係）— https://learn.microsoft.com/en-us/fabric/governance/lineage（更新：2026-06-04）
