演示很惊艳，三个月后没人用了
不是企业不想要 AI 分析——是被它错过一次之后，再没人敢在重要场合引用它的数。
「这个 2.3 哪来的？」
AI 报了句「华东区毛利率下滑 2.3 个百分点」，CFO 追问出处，没人答得上来——从这一刻起，这套系统在这家公司就死了。
错数字，藏在你不知道的地方
让 AI 直接对着数据库查询，它会「高高兴兴地给你一个错数字」——而你不知道是哪一个。
各拿一版「正确」的数吵架
数字本身没错，但含税口径、可比范围、能不能加总弄错了——这种错藏得最深，发现时决策已经做完。
该问的是：错的那些去哪了？
让分析 AI，像 coding agent 一样工作
错的数去哪了——被三道关拦在门外。代码世界靠「测试」让 AI 敢交代码；我们为经营分析造了同样的装置：问得合法、数有出身、开口过关，每一步的裁判都独立于 AI。
口径即法律
不能加总的数不会被硬加；语义不对的问题根本不会被执行——裁决发生在算之前，错数没有出生的机会。拒绝分三种、各带处方：口径不对怎么改、权限不够找谁批、数据本来就缺——绝不编一个数来应付。
规则只有一份：AI 问答、报表、接口走同一套裁决。数字凭证制
系统取出的数，那一刻就签发凭证并留档——数值、单位、口径、时点，AI 伪造不出来。AI 在这些数上自己算出来的数，标成另一种颜色，算式和输入一并披露。哪个数从哪来，一眼分清；来源与核验是两条独立的轴。
任何人、任何时候，指着任何一个数，打开审计视图当场回看凭证。出口判决制
AI 只有一个出口。开口之前，正文里的每个数字沿独立于 AI 的通道回到证据台账核对身份：对不上、有矛盾的，发不出来；没核到的，明确标出来，不装作核过。
叙述只裁决能可靠识别的形状；其余明说没核，不硬撑。从治理通道取出的数：带凭证、可回放，指着它就能重查。
AI 在系统数据上算出来的数：算式与输入一并披露，可复算。
没对上任何来源的数：明确标出，不等于错，但不能当结论用。
我们就是这样考它的
三段录屏来自零售大脑的实际运行环境，问题是临场问的，配有字幕。每一段对应一道关：数字从哪来怎么看，问法不对时它怎么办，证据不够时它敢不敢说「还不能定」。
以上录屏均为真实问答、真实业务数据结构；模型为 DeepSeek V4.1 Flash——为大规模用户日常使用选的档位，不是高价 SOTA 模型。可信靠的是三道关，不靠模型贵。
这三段是我们考它。带一个你正在纠结的经营问题来，换你考——预约演示 →
先回答问题、快速取数；再往下做归因下钻、异常检测、动销推演；最后给出一条有逻辑的经营建议，要报表就直接出报表。
一条对话，把数据问成生意。每一个数字，都有出处；每一个结论，都经得起追问。
回答问题 · 快速取数
「上周华东区毛利率是多少？」几秒回数，每个数字带系统签发的凭证，可当场回验。
归因下钻
「为什么低了 1.8 个点？」按品类 × 渠道 × 门店层层拆，锁定主因——分项和总体对得上账。
异常检测
销售、毛利、库存哪里不对劲，先判真假，再查原因；算不出就明说算不出，不装作正常。说一句「立案」，它就转入深度调查。
动销推演
「照这个卖法，这批货多久卖完、会剩多少？」按当前动销折算，算法和假设一起摆出来，不给拍脑袋的数。
经营建议
最后落到动作：调谁的货、补多少、什么时点——每条建议带测算，经得起继续追问。
能力是一条递进链，不是五个功能模块；普通问题直接答，复杂问题说「立案」进入调查，要报表就出报表文件——问到哪一层，它答到哪一层。
它怎么查：一次完整的调查
经营异象 = bug，立假设 = 猜问题在哪，三道关 = 测试——红了就换方向再查，全绿才交付动作。
把问题定准，把风险量出来
渠道报的「完成 92%」是发货口径，终端激活口径只有 68%——三个部门拿的本来不是同一个数；按各区域实际到店周对齐后，缺口从 32 修正为 28 个点，问题成立。
问题藏在哪
按区域 × 渠道类型 × 配置三维交叉：华东拖累最大、商场授权店明显落后、中配 256G 集中——指向 华东 × 商场授权店 × 中配 256G。
三个说法，加一个谁都没说的
铺货晚 ✓ 不够、竞品抢声量 ✓、「终端根本没在卖新款」✗→✓ 翻案——老款返利每台多 50 元导购主推清库，新款主推色断货 17 天、定价高 ✗ 排除。
交付的不是报告，是三刀动作
新老款返利一周内拉平、新款加 30 元；老款 3.1 万台切到以旧换新 + 电商专供，再压一个月多贬约 ¥380 万；主推色先调拨 4000 台再追单 1.8 万台。
证据链不断
「返利改了，压在渠道里的老款怎么办？」——两条清库路径各算一遍：以旧换新通道 6 周清完、贬值 4.2%；电商专供 3 周清完、贬值 7.5%。
它凭什么核得了：口径住在本体里
不是把 AI 接到数据库上，而是先为你的企业建一个业务本体（Ontology）——AI 看到的不再是表和字段，而是生意本身。三道关裁决依据的口径与权限，就是这份本体里的声明：读懂，是核得了的前提。
只读接入
对接现有数仓与业务库，只读接入，一行不动，不建第二套数据真源。
款 · 店 · 仓 · 会员 · 导购
关系不靠画——同购、带动这类关系，从每一笔购物篮事实里按需算出来，带显著性检验。
属性 · 状态 · 指标
每条声明有来源、有 owner；「口径即法律」的法律条文，就住在这一层。
拆解 · 归因 · 推演 · 异常检测
注册在本体上的算子，输出自带证据与阈值出处——不是提示词。
不让 AI 写 SQL，让它走一条受治理的路
只讲对你有用的部分：每个设计，都对应它替你挡住的一种错。
不动你现有的系统
零售大脑是加在现有数据体系上的一层，不要求建第二套数据真源；整套系统部署在你自己的环境里。
接入数据
对接现有数仓与业务库，只读接入，不改动任何现有链路。
建模业务本体
把对象、关系、属性、状态、指标、口径建模一次——重活由我们交付，这一步同时完成全公司口径的统一。
从最痛的场景试点
选一两个高价值场景起步，用你真实的经营问题验收，再逐步铺开。
一个故事，三个切面
公司、产品、技术，本质是同一件事：把企业的业务变成 AI 能理解的语言。
圆周率
以本体论为基座的 AI 公司——让 AI 读懂你的企业。
零售大脑
一支为你工作的分析团队——洞察归你，苦工归它。
π本体
可执行企业本体——让 AI 用企业认可的对象与关系，理解、分析并证明经营结论。