资产规划软件公司 IFS Copperleaf 放弃全量数据建模,让业务团队直接教 AI 定义指标
IFS Copperleaf 企业数据架构师 Misagh Jebeli 和技术与AI总监 Lisa Richter 讲述了他们如何在近 30 个源系统上部署公司级 AI 助手 IONA:不再等待所有数据建模完成,而是让 AI 直接回答原始数据上的问题,由业务团队通过 Genie Ontology 的 Skills 教 AI 理解数据含义。这一策略使 IONA 在 2026 年 7 月上线后达到 70% 激活率,四个月内覆盖了运行成本。
企业数据团队面对一个经典困境:教科书说每张表都必须先清洗、建模,然后才能供人查询。IFS Copperleaf 有近 30 个源系统和数万张表,如果按这个流程排队,建模永远做不完。企业数据架构师 Misagh Jebeli 回忆,他们最初确实照做了,但很快意识到这条路走不通。
他们做了一个反直觉的决定:只对财务和营销到销售漏斗这些高风险领域保持完整建模,其余全部让 AI 直接在原始数据上回答,由业务团队教 AI 理解数据含义。Jebeli 把这概括为一次 180 度转向——让 AI 在原始数据上工作,让业务告诉它数据意味着什么。他说这是一个巨大的赌注,但正是它让项目跑通了。
这个赌注能成立,靠的是 Genie Ontology 提供的共享业务上下文层。Skills 建立在 Ontology 之上,业务团队在对话中直接修正 AI 的理解:排除合作伙伴账户、把金额转换为欧元、设定续约起始日期——不需要找工程师改代码。Lisa Richter 指出,当 AI 给出错误答案时,修正它比放弃它更容易,于是那些从来不想参加数据治理委员会的人开始主动做治理了。
但让业务用户直接写逻辑、改变全公司看到的数字,对技术团队来说是一个文化冲击。Richter 坦言,五年前她会亲自叫停这种做法——没有工单、没有冲刺、没有发布周期,业务用户就在对话里改了定义。她最终接受了这个现实:一个小团队永远不可能知道每个数字在全公司意味着什么,定义的所有者才是。所以他们没有设关卡,而是设护栏:每个定义有具名负责人,AI 委员会审核后才推广到全公司。
治理架构的另一层是 Unity Catalog 的权限控制。Richter 强调,AI 不能改变访问规则——没有任何 Skill、提示词或 AI 工具能让一个人看到他不该看的数据。敏感信息留在受治理的环境中,只有角色需要的人才能访问。
IONA 在 2026 年 7 月全公司上线,此后达到 70% 激活率和 68% 的 30 天重复使用率。上线四个月后,IONA 释放的人力产能覆盖了运行成本。营销团队把需要数周手工整合的管道分析缩短到秒级;财务的货币转换规则定义一次后自动应用于所有收入回答;客服经理在续约电话前一小时就能拿到客户合同条款、未关闭工单和产品版本的完整故事。
需要保留的边界是:以上所有数字均为 IFS Copperleaf 自报,尚未经独立验证。Jebeli 和 Richter 描述的是一条适用于多系统、定义不一致环境的实施路径,但能否迁移取决于组织是否愿意把语义定义权从数据团队交给业务团队,以及是否有足够的治理机制防止错误定义扩散。他们自己的建议是:先对高风险领域建模,其余让业务教 AI——这个顺序本身可能比具体工具选择更关键。