AI 快问快答｜2026/09/14：Data agent 算出的 Revenue 跟 Power BI 不一样，就代表 AI 算错吗？

不一定。

假设你问 ChatGPT Work Data agent：

「这个月 Revenue 是多少？」

它回答：

100。

结果你打开公司每天都看的 Power BI：

上面写：

92。

第一个反应很容易是：

「AI 又算错了。」

但数据分析里：

两个数字不同。

并不一定代表：

其中一个一定算错。

很可能是：

两边其实回答了不同问题。

最常见的第一个差异：数据源不同

假设 Data agent 查的是：

公司 Data Warehouse 里：

实时更新的 Sales Table。

而原本 Power BI：

使用的是：

每天凌晨才更新一次的 Reporting Table。

今天下午：

刚好又进来：

一批新订单。

那么：

两边数字不一样。

完全可能是正常的。

不是：

AI 算错。

也不是：

Power BI 坏掉。

而是：

数据更新时间不同。

甚至两个来源都可能叫 Sales

公司数据环境通常没有想像中整齐。

可能同时有：

Sales。

Sales_Final。

Sales_Report。

Finance_Sales。

Revenue_Daily。

Orders。

Completed_Orders。

名字看起来：

都很合理。

但用途完全不同。

所以看到两个结果不一样：

第一题一定要问：

「你到底用了哪一份数据？」

第二个差异：Time Period 根本不同

例如 Power BI 显示：

9 月完整月份。

但 Data agent 因为今天才 9 月 14 日：

分析的是：

Month-to-date。

两个 Dashboard：

标题看起来都叫：

September Revenue。

但一个是：

完整月。

一个是：

目前为止。

当然不会一样。

更常见的是「相同天数」和「完整月份」混在一起

例如你问：

「这个月和上个月比。」

可能有两种算法。

第一种：

9 月 1～14 日：

vs

8 月 1～14 日。

第二种：

9 月 1～14 日：

vs

8 月 1～31 日。

两个比较：

都不是数学错误。

但商业意义：

完全不同。

所以不能只看：

数字差多少。

要先看：

到底比较了什么。

第三个差异：Filter 不一样

这可能是企业 Dashboard 最常见的情况之一。

原本 Power BI：

可能预设：

只看 Taiwan。

Data agent：

却查：

Global。

或者：

Power BI：

排除 Internal Test Account。

Data agent：

没有排除。

又或者：

正式 Dashboard：

只看 Completed Order。

Data agent：

把 Pending Order 也算进去。

最后：

两边 Revenue 当然不同。

Dashboard 上有些 Filter 甚至不一定很显眼

用户可能已经忘记：

三个月前：

自己把某个 Region Filter：

留在 Dashboard 上。

隔天打开：

画面还是那个条件。

Data agent：

重新从数据查一次。

结果不同。

这时：

不能立刻说：

AI 错。

也可能：

是人一直看的 Dashboard：

根本不是全体数据。

第四个差异，也是最重要的：Metric Definition 不一样

这是企业数据分析：

真正最难的地方。

Revenue：

听起来好像：

就是营收。

但实际可能有：

Gross Sales。

Net Revenue。

Booked Revenue。

Recognized Revenue。

Paid Revenue。

Revenue after Refund。

每一种：

都可能是正式数字。

只是：

用途不同。

例如一张订单 NT$10,000

客户下单：

10,000。

后来退货：

2,000。

那 Revenue：

到底是多少？

如果 Sales Team 看：

Original Order Value。

可能是：

10,000。

如果 Finance 看：

Net Revenue。

可能是：

8,000。

如果会计认列时间：

还没到。

甚至：

本期 Recognition：

可能又不同。

全部都可能：

「算对」。

所以不要问：「哪一个 Revenue 是真的？」

比较好的问题是：

「我们现在要回答的商业问题，应该使用哪一个 Revenue Definition？」

这就是 Semantic Layer：

真正重要的地方。

公司先定义：

什么叫 Revenue。

什么叫 Active Customer。

什么叫 Churn。

什么叫 Qualified Lead。

AI 才有：

共同语言。

Data agent 本身可以使用公司既有 Business Definition

OpenAI 对 Data agent 的设计：

并不是要求 AI：

自己猜 KPI。

它可以利用：

公司既有的：

Metric Definition。

Custom Calculation。

Data Relationship。

Semantic Layer。

以及：

可信 Dashboard。

所以如果公司已经有正式定义：

最好直接告诉 Data agent：

「使用 Finance 正式 Net Revenue Definition。」

不要只写：

Revenue。

如果两边数字不同，第一步不是叫 AI 重算

很多人会立刻说：

「你算错了，Power BI 是 92，再算一次。」

这其实不一定是最好的方法。

因为你已经先告诉 AI：

Power BI 必须是对的。

它可能只是：

试着找到一种方法：

让答案接近 92。

真正更好的问法是：

「你的结果是 100，公司正式 Dashboard 是 92。先不要修改分析，请比较两边可能使用的 Source、Time Period、Filter 和 Metric Definition，找出差异。」

这样才是在：

Debug。

不要把「数字一致」当作唯一验收方法

假设最后 AI 为了跟 Power BI 一样：

也得到：

92。

是不是就代表：

分析正确？

还是不一定。

它可能：

用了错误数据。

刚好：

算出同样的结果。

所以真正要验的是：

数字怎么来的。

而不是：

只要终点一样就算通过。

比较好的验证方式是看四层

第一：

Source

两边到底读哪个 Dataset？

第二：

Period

日期范围完全一样吗？

第三：

Filter

Region、Status、Customer Type、Test Data：

有没有不同？

第四：

Metric Definition

公式是不是同一个？

如果四个都完全一致：

数字还是不同。

这时：

才真正值得往：

Calculation。

Join。

Data Quality。

逻辑错误。

继续追。

Join 也可能让数字突然变大

假设：

一张订单。

对应：

三笔商品。

如果数据 Join 的方式不对：

一笔 Order：

可能被重复三次。

Revenue：

就被放大。

又例如：

一个 Customer：

同时有多个 Contact Record。

Join 后：

同一笔交易重复。

这是典型：

数据分析错误。

但如果你只看：

最后 Dashboard。

很难知道。

所以 Data agent 能显示 Evidence 很重要

OpenAI 对 Data agent 的其中一个设计重点：

就是：

用户可以继续追问：

每个 Finding：

背后用了什么 Evidence。

而不是：

只得到：

「Revenue 是 100。」

你可以问：

使用哪张 Table？

哪个期间？

哪个 Filter？

这个 Metric 怎么定义？

哪些 Query 支持这个结果？

这些东西：

才是数据结果能不能被信任的基础。

OpenAI 自己的内部 Data Agent 也特别强调可验证

OpenAI 先前介绍自家内部 Data Agent 时：

直接说：

这种系统：

会犯错。

所以内部工具：

会把：

Assumption。

Execution Step。

Underlying Result。

暴露出来。

让用户：

能检查。

这个设计观念很重要。

因为：

AI 数据分析真正需要的：

不是：

永远不犯错。

而是：

出现差异时，可以查回去。

「Power BI 是正式 Dashboard」也不代表它永远不会错

这点也很重要。

很多公司会有：

一种心理。

正式 Dashboard：

已经用了两年。

所以：

一定正确。

但 Dashboard：

也是人做的。

也可能有：

旧 Filter。

错误 Join。

过时 Definition。

Refresh Failure。

计算逻辑问题。

OpenAI 公开的 Data agent Alpha 案例中：

micro1 就表示：

团队在重建 Performance Dashboard 时：

发现了：

原本 Dashboard 的错误。

所以：

AI 和旧 BI 不一致：

不一定是坏事。

有时反而是一个：

Data Quality Signal。

最糟的做法是直接选自己比较喜欢的那个数字

例如：

AI：

100。

Dashboard：

92。

100 比较好看。

所以报：

100。

不行。

或者：

Power BI 是公司一直在用的。

所以不管什么原因：

都报 92。

也不够。

真正应该做的是：

让差异：

可以被解释。

一份真正好的分析应该可以回答：

为什么我的结果是：

100？

为什么正式 Dashboard 是：

92？

差的：

8。

到底来自：

哪一笔数据？

哪个 Filter？

哪个 Definition？

哪个 Update Time？

如果回答得出来：

两个数字甚至可能：

都可以保留。

例如 Finance 和 Sales 本来就可能需要不同 Dashboard

Sales：

想知道：

今天新签了多少 Deal。

Finance：

想知道：

这个月正式认列多少 Revenue。

两边数字：

不一样。

才正常。

真正错的是：

大家都叫它：

Revenue。

却没有说：

是哪一种。

所以 Data agent：

反而可能逼公司重新面对：

Metric Naming。

如果公司每次都在吵同一个数字，问题可能不是 AI

例如每个月开会：

Sales：

说 120。

Finance：

说 104。

Marketing：

说 135。

最后：

花半小时争：

哪个才对。

这时：

真正问题可能是：

公司根本没有：

共同 Metric Definition。

AI 加进来：

只是变成：

第四个数字。

如果不先处理：

Semantic Layer。

AI 只会：

让混乱更快出现。

所以 AI Data 导入成熟的标志不是「每个人都会自己问」

而是：

大家问：

同一个 Business Metric 时。

至少知道：

正式定义在哪里。

哪份 Source：

算 Source of Truth。

哪些 Dashboard：

是探索。

哪些：

是正式报告。

哪些数字：

可以拿去：

董事会。

财报。

客户。

这才是：

Data Governance。

权限也可能造成两个人看到不同结果

Data agent：

不会因为是 AI：

突然取得全公司所有数据。

它沿用：

原本连接来源的：

Table。

Row。

Column。

Permission。

所以两个员工：

问一模一样的问题。

如果一个只能看：

Taiwan。

另一个能看：

Global。

结果：

本来就可能不同。

这也不代表：

其中一个 AI Session 出错。

而是：

两人看到的：

Data Universe。

原本就不同。

所以分享 AI 分析时，不能只截一张图

如果只丢：

一张 Revenue Chart。

其他人可能不知道：

你用：

哪个 Source。

哪个 Date。

哪些 Filter。

哪个 Metric。

比较好的做法是：

至少附上：

数据源。

期间。

Filter。

Metric Definition。

这样别人才知道：

自己能不能拿去比较。

最实用的 Debug Prompt 可以直接这样问

假设：

Data agent = 100。

Power BI = 92。

不要要求：

「算到跟 Power BI 一样。」

改成：

「请不要先假设任何一边是错的。比较两个结果的数据源、时间区间、Filter、Metric Definition 与数据更新时间，先找出差异从哪一步开始。」

这个 Prompt：

真正想要的不是：

同一个数字。

而是：

Difference Explanation。

如果找到 Source 不同

先决定：

这个商业问题：

应该用：

哪个 Source of Truth。

如果找到 Period 不同

改成：

完全一致的：

Date Range。

重新比较。

如果找到 Filter 不同

把：

Region。

Status。

Customer Segment。

Test Data。

等条件：

对齐。

如果找到 Metric Definition 不同

不要急着改公式。

先问：

这次是：

Sales Use Case？

Finance Use Case？

Operations Use Case？

用对：

正式 Definition。

如果四样完全一样，数字还不同

这时才真正进入：

技术 Debug。

例如：

Query Logic。

Join。

Duplicate。

Null。

Refresh。

Data Pipeline。

Calculation。

这时：

就非常值得：

Data Team。

或真正懂数据的人：

进来。

因为：

问题已经被缩得很小。

这才是 Data agent 最有价值的地方之一

不是：

Data Team 从此消失。

而是：

原本有人只会说：

「这两个数字怎么不一样？」

现在可以先让 Agent：

把差异缩小成：

「来源相同。」

「期间相同。」

「Filter 相同。」

「Revenue Definition 不同。」

数据专业人员：

直接从真正问题开始。

少掉：

大量来回确认。

Dashboard 数字一致，也不能因此证明分析一定正确

反过来也一样。

Data agent：

100。

Power BI：

100。

能不能说：

一定没问题？

也不能。

两边可能：

刚好都用：

同一份错误 Source。

同一个错误 Formula。

同一个过时 Definition。

所以：

一致性：

是检查信号。

不是：

正确性证明。

这和 7 月我们谈：

「AI 留下完整数据源与步骤，也不代表结果一定正确」

其实是同一个观念。

可追溯。

不等于：

必然正确。

但没有可追溯：

你连错在哪里：

都很难查。

那到底哪一个数字最后可以拿去开会？

应该由：

公司本身的：

正式 Business Definition。

Source of Truth。

Governance。

决定。

不是：

哪个 AI 看起来比较有自信。

也不是：

哪张 Dashboard 颜色比较漂亮。

如果是正式财务数字：

就回：

Finance Approved Definition。

如果只是：

营运探索：

可以使用：

更实时的 Operational Data。

重点是：

先标清楚它是什么。

所以今天答案其实很简单

Data agent：

算 100。

Power BI：

算 92。

不能立刻推出：

「AI 算错。」

先比较：

Source。

Period。

Filter。

Metric Definition。

必要时再看：

Data Freshness。

Join。

Calculation。

Permission。

真正成熟的数据分析：

不是所有工具都必须：

永远显示同一个数字。

而是当数字不同时：

你能精确说出为什么不同。

所以看到两个 Dashboard 打架时：

不要先问：

「谁错了？」

先问：

「它们到底是不是在算同一件事？」

今天，和 AI 一起进步一点。

每天学会一个 AI 技巧。

每天节省一点时间。

每天提升一点能力。

SasaDaily，陪你一起成长。

推荐阅读

AI 一分钟教学｜2026/07/31：请 AI 分析数据时，要求它留下「数据源、处理步骤、重现方式」

AI 快问快答｜2026/07/31：AI 留下完整数据源和分析步骤，就代表结果一定正确吗？

AI 快问快答｜2026/08/26：Ask Gemini 能查 Gmail／Drive／Calendar，就代表每次都把你所有数据完整搜过一次吗？