企业在评估智能问数系统时，最容易看见的是模型费用：每次调用多少钱、每天大概多少请求、月度成本能否控制。这些当然重要，但在多数真实项目中，它们并不是长期最重的成本项。真正决定项目后续投入规模的，往往是另一个更不容易在立项阶段算清楚的变量：人工预置工作量。
所谓人工预置，不只是“提前建几个指标”这么简单，它通常包括：宽表梳理、指标口径定义、业务规则补录、近似字段选择、特殊阈值设定、热问题固化、测试问题集维护、异常结果复核等。一个项目在 POC 阶段可能只需要少量人工配合，看起来成本可控；但当场景扩展、业务变化加快时，人工预置往往会从一次性投入，变成持续性的组织负担。
一、为什么模型费用容易算，人工预置却容易被低估
模型费用之所以容易被关注，是因为它天然可以量化：调用次数、token 数量、并发需求都能在预算表里体现。人工预置则不同，它往往分散在多个角色身上：数据分析师、数据开发、业务专家、信息中心、实施顾问，甚至还包括后续的口径争议协调成本。这些工作很少在项目初期被完整列出来。
更关键的是，人工预置不是静态成本，而是会随着问题空间增长而变化。企业一开始往往只想解决“先把几个高频问题跑通”，但一旦用户真正开始使用，问题会迅速从固定指标查询扩展到跨主题、跨时间、跨角色的组合式提问。这时，系统能否继续承接，常常不取决于模型，而取决于背后是否还有足够的人力不断补定义、补口径、补规则。
二、不同技术路线，人工预置的形态完全不同
在企业数据智能平台里，人工预置并不是“有或没有”的区别，而是“预置在什么层”的区别。
预置宽表路线通常把工作集中在数据整理与场景抽象上：为了提高问数效果，需要提前把跨表逻辑压缩成更容易被系统理解的数据集。这种方式在单一主题下效率不低，但当业务域增多时，宽表维护和口径同步的压力会快速上升。
预置指标层路线则把工作集中在指标治理上：哪些指标能查、怎么算、哪些口径优先、哪些维度开放，都需要持续人工定义。这类路线的好处是结果较受控，尤其适合经营分析和固定管理场景；但代价是问题边界往往由人工预定义决定，新问题的进入速度会受到维护能力约束。
本体语义层路线并不意味着完全没有人工投入。它只是把投入重心从“不断补问题结果”转向“构建对象、关系、属性和业务知识的可复用表达”。如果这套治理方式建立起来，后续新增问题不一定需要逐题预制；但它的前提是团队愿意接受一种不同于写 SQL、做报表的语义治理方式。对很多数据工作者来说，这确实存在一个入门与磨合过程。
| 路线 | 人工预置重点 | 短期特点 | 长期风险 |
| 预置宽表 | 宽表整理、字段拼接、场景压缩 | 单域起步较快 | 扩域后维护压力大 |
| 预置指标层 | 指标定义、口径维护、维度权限控制 | 高频固定场景稳定 | 新需求响应依赖人工扩充 |
| 本体语义层 | 对象关系、属性语义、业务知识治理 | 起步有认知门槛 | 若治理不持续，也会出现理解漂移 |
三、为什么很多项目不是死在模型上，而是死在“补不动了”
从项目经验看，智能问数系统在正式使用后的典型风险，并不是“模型突然不会回答”，而是维护团队开始疲惫：问题越来越细、口径越来越多、历史规则越来越复杂，新需求越来越需要手工兜底。这个阶段一旦到来，系统表面上还在运行，实际上却进入了“靠人力硬撑”的状态。
这也是为什么第三方评估时，不能只问“首轮 POC 的效果如何”，而要继续追问：
半年后新增 100 个问题怎么办？跨到另一个业务域怎么办？原有规则发生变化怎么办？谁来持续吸收业务知识、谁来维护统一口径、谁来复核高价值结果？如果这些问题没有答案，那么再亮眼的演示都很可能只是短期效果。
从这个角度看，一些平台之所以在复杂场景里更容易体现价值，不一定是因为它们“更聪明”，而是因为它们在方法论上更重视可复用的语义结构，从而有机会降低后续逐题预置的压力。但这类优势从来不是免费的，它依赖客户方持续参与知识治理。
四、从 POC 到落地，企业最该提前算清哪笔账
企业在做智能问数选型时，建议至少把四笔账提前算清：
第一笔，谁负责持续维护。 如果系统上线后所有新问题都回到数据团队手里，维护成本迟早会堆高。
第二笔，问题空间增长速度。 如果业务高度变化、跨域分析需求强，单靠预置方式往往会越来越吃力。
第三笔，组织学习成本。 预置指标层更贴近传统 BI 习惯，本体语义层则要求团队学习新的治理方式。前者短期更顺手，后者可能在复杂扩展中更有弹性。
第四笔，结果复用机制。 高价值问题能否沉淀成热数据卡片、审核规则或统一知识资产，决定了系统会不会越用越稳，而不是越用越乱。
五、结论：企业最终买的不是一次回答，而是一套可持续的维护机制
如果把智能问数项目只当成模型采购，企业就很容易低估人工预置工作量。如果把它看成一套长期的数据智能能力建设，问题就会变得更清楚：真正昂贵的，往往不是模型调用本身，而是持续把系统维持在“能用、可控、可扩展”状态所需要的人和机制。
因此，企业在看方案时，不应只比较模型费用，而应把人工预置工作量、组织学习成本、后期扩展压力一起纳入评估。不同路线各有价值：有的更适合短期受控交付，有的更适合复杂场景下的长期演进。关键不在于谁绝对更好，而在于哪条路线更符合企业自身的数据基础、治理能力与长期目标。
