很多團隊想把 AI 接到公司資料後，第一個期待是：「以後大家直接問 AI，就不用排隊等資料團隊拉報表。」
這個期待很合理。業務想知道本月成交率，客服想查哪類問題變多，產品負責人想看新功能留存，這些問題如果每次都要請資料同事寫查詢，速度一定慢。
但 Anthropic 最近分享的內部做法提醒我們：AI 能不能回答公司數字，重點不只是模型會不會寫查詢語法。真正的風險是，它如果不知道哪張表才是正式來源、哪個指標才是公司採用的定義，就可能用很流暢的語氣講出錯的數字。
Anthropic 說，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%。更值得注意的是：在沒有準備好分析流程與背景知識時，同一個 Claude 在內部評估中正確率不超過 21%；把指標定義、資料來源與分析步驟整理成一份 AI 每次查數字前都會先讀的操作說明檔（Anthropic 稱為 skills）之後，才穩定提高到 95% 以上。
這篇不是要你照抄 Anthropic 的資料平台，而是把它轉成一個更通用的問題：讓 AI 查公司數字前，先把「它應該去哪裡查、怎麼查、誰負責確認」固定下來。
自助分析不是「讓每個人隨便問」
所謂自助分析，指的是非資料團隊的人也能自己查營運數字，例如銷售、客服、行銷或產品同事不用每次開工單請資料團隊幫忙。
以前自助分析常靠儀表板或報表工具。AI 加進來後，使用者可以用自然語言問：「上週新客戶從哪個渠道來？」或「哪一類客服問題變多？」聽起來更方便。
問題是，公司資料通常不是一本乾淨的字典。不同團隊可能有不同的「活躍使用者」算法；舊表和新表可能同時存在；同一個客戶在 CRM，也就是客戶關係管理系統，以及帳單系統裡可能有不同欄位。AI 如果只是到公司的資料倉庫（集中存放各種資料表的地方）裡硬搜，很容易找到一個看似相關、其實不是正式答案的來源。
所以，導入 AI 自助分析時，第一步不是問「模型有多強」，而是問：「我們有沒有把正式答案來源整理到 AI 找得到、用得對？」
三種最常見的錯誤
把 AI 接到公司數字時，錯誤通常不是單純算術錯。更常見的是下面三種：
| 錯誤類型 | 看起來像什麼 | 真正要補的不是什麼 |
|---|---|---|
| 找錯資料來源 | AI 用舊表、測試表或某個團隊私下維護的表回答正式問題 | 不是只叫 AI「更小心」，而是要標明哪張表是正式來源。 |
| 用錯指標定義 | 它把試用帳號、付費帳號、取消帳號混在一起算「客戶數」 | 不是只修正單次答案，而是要把指標定義寫成可重複使用的規則。 |
| 少了複查流程 | AI 回答很快，但沒說它查了哪裡、排除了什麼、哪裡不確定 | 不是把答案包裝得更漂亮，而是要要求來源、查詢路徑與人工抽查。 |
這些錯誤有一個共同點：它們不是靠多問幾次就會自然消失。你需要先整理公司內部的「答案地圖」，讓 AI 不必在一堆相似表格裡猜哪個才對。
讓 AI 查數字前的四個放行條件
如果你的團隊想讓 AI 回答營收、用量、客戶或產品數字，可以先用這張表做放行檢查。
| 放行條件 | 你要確認什麼 | 如果答不出來，先不要開放 |
|---|---|---|
| 唯一資料來源 | 每一類常見問題是否有指定正式資料表、報表或語意層？語意層可以先理解成「把公司指標定義集中管理的那一層」。 | 如果 AI 可能在三張相似表裡自己挑一張，先不要讓它回答正式數字。 |
| 指標定義 | 「活躍使用者」、「流失」、「成交」、「使用量」這些詞，是否有明確算法與排除條件？ | 如果不同主管對同一個詞有不同算法，AI 只會把分歧放大。 |
| 查詢步驟 | AI 是否知道先查哪裡、缺資料時怎麼說、什麼情況要要求使用者補充問題？ | 如果流程只寫「請回答問題」，它很可能用最像答案的資料硬答。 |
| 複查責任 | 誰負責抽查高風險答案？哪類答案要附上來源、查詢條件與不確定處？ | 如果沒有人能追查答案怎麼來，錯誤會進入會議、簡報和決策。 |
這張表的重點不是增加文書工作，而是避免團隊把「查資料」誤以為「得到可靠結論」。AI 可以加速查詢，但不能替你決定哪個數字才是公司正式版本。
哪些問題不該直接交給 AI 自助回答？
不是所有問題都適合讓任何同事直接問 AI。遇到下面情況，請先保留人工確認：
- 會影響預算、績效、裁員、價格或客戶承諾的數字。
- 指標剛改版，舊算法和新算法還並存。
- 問題牽涉個資、敏感客戶、合約條款或權限限制。
- 使用者問得太籠統，例如「上週表現怎樣？」但沒有說產品、地區、客群或時間範圍。
- AI 找不到正式來源，卻仍然試著用相近資料回答。
這些情況不是永遠不能用 AI，而是需要把 AI 放在「草擬與提示」的位置。它可以幫忙列出可能要看的指標、指出缺少哪些條件、草擬查詢問題，但最後數字要由資料負責人、指標負責人或業務負責人確認。
小團隊也用得到的做法
你不需要先建立大型資料平台，才開始降低風險。小團隊可以先做三件事：
- 列出十個最常被問的數字問題。 例如本月新客戶、退訂原因、客服量、轉換率、功能使用量。
- 替每一題指定正式來源。 寫清楚表格、報表、系統或負責人，不要讓 AI 自己猜。
- 要求 AI 回答時附上「我查了哪裡」。 如果它不能說明來源、時間範圍與排除條件，就只能當作草稿，不能進入決策。
這三件事做完，你再考慮更進階的自動查詢、語意層或專門的 AI 分析流程，會安全很多。
這堂微課的結論
AI 自助分析最吸引人的地方，是讓更多人不用等資料團隊就能得到答案。但它最危險的地方，也正是讓更多人更快拿到看似可靠的答案。
所以，不要把問題問成：「AI 可不可以幫大家查數字？」
請先改問：「我們有沒有把答案來源、指標定義、查詢步驟和複查責任整理好？」
如果這四件事還沒固定下來，AI 查得越快，錯誤也可能散得越快。先固定答案來源，再開放自助查詢，才是讓 AI 真的減輕資料團隊負擔，而不是替公司製造更多需要事後澄清的數字。
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。
AI 整理卡
依這篇情境，請 AI 幫你整理
複製到你自己的 AI 聊天工具，讓它把這篇微課轉成你的個人版檢查清單。BMC 不會看到你貼給 AI 的內容。
參考來源
- Anthropic：How Anthropic enables self-service data analytics with Claude — https://claude.com/blog/how-anthropic-enables-self-service-data-analytics-with-claude
- InfoQ：Anthropic Reports Claude Now Handles 95% of Internal Analytics Queries — https://www.infoq.com/news/2026/06/anthropic-claude-analytics/
- 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
