AI 快問快答｜2026/09/14：Data agent 算出的 Revenue 跟 Power BI 不一樣，就代表 AI 算錯嗎？

不一定。

假設你問 ChatGPT Work Data agent：

「這個月 Revenue 是多少？」

它回答：

100。

結果你打開公司每天都看的 Power BI：

上面寫：

92。

第一個反應很容易是：

「AI 又算錯了。」

但資料分析裡：

兩個數字不同。

並不一定代表：

其中一個一定算錯。

很可能是：

兩邊其實回答了不同問題。

最常見的第一個差異：資料來源不同

假設 Data agent 查的是：

公司 Data Warehouse 裡：

即時更新的 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：

剛好又進來：

一批新訂單。

那麼：

兩邊數字不一樣。

完全可能是正常的。

不是：

AI 算錯。

也不是：

Power BI 壞掉。

而是：

資料更新時間不同。

甚至兩個來源都可能叫 Sales

公司資料環境通常沒有想像中整齊。

可能同時有：

Sales。

Sales_Final。

Sales_Report。

Finance_Sales。

Revenue_Daily。

Orders。

Completed_Orders。

名字看起來：

都很合理。

但用途完全不同。

所以看到兩個結果不一樣：

第一題一定要問：

「你到底用了哪一份資料？」

第二個差異：Time Period 根本不同

例如 Power BI 顯示：

9 月完整月份。

但 Data agent 因為今天才 9 月 14 日：

分析的是：

Month-to-date。

兩個 Dashboard：

標題看起來都叫：

September Revenue。

但一個是：

完整月。

一個是：

目前為止。

當然不會一樣。

更常見的是「相同天數」和「完整月份」混在一起

例如你問：

「這個月和上個月比。」

可能有兩種算法。

第一種：

9 月 1～14 日：

vs

8 月 1～14 日。

第二種：

9 月 1～14 日：

vs

8 月 1～31 日。

兩個比較：

都不是數學錯誤。

但商業意義：

完全不同。

所以不能只看：

數字差多少。

要先看：

到底比較了什麼。

第三個差異：Filter 不一樣

這可能是企業 Dashboard 最常見的情況之一。

原本 Power BI：

可能預設：

只看 Taiwan。

Data agent：

卻查：

Global。

或者：

Power BI：

排除 Internal Test Account。

Data agent：

沒有排除。

又或者：

正式 Dashboard：

只看 Completed Order。

Data agent：

把 Pending Order 也算進去。

最後：

兩邊 Revenue 當然不同。

Dashboard 上有些 Filter 甚至不一定很顯眼

使用者可能已經忘記：

三個月前：

自己把某個 Region Filter：

留在 Dashboard 上。

隔天打開：

畫面還是那個條件。

Data agent：

重新從資料查一次。

結果不同。

這時：

不能立刻說：

AI 錯。

也可能：

是人一直看的 Dashboard：

根本不是全體資料。

第四個差異，也是最重要的：Metric Definition 不一樣

這是企業資料分析：

真正最難的地方。

Revenue：

聽起來好像：

就是營收。

但實際可能有：

Gross Sales。

Net Revenue。

Booked Revenue。

Recognized Revenue。

Paid Revenue。

Revenue after Refund。

每一種：

都可能是正式數字。

只是：

用途不同。

例如一張訂單 NT$10,000

客戶下單：

10,000。

後來退貨：

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。

如果會計認列時間：

還沒到。

甚至：

本期 Recognition：

可能又不同。

全部都可能：

「算對」。

所以不要問：「哪一個 Revenue 是真的？」

比較好的問題是：

「我們現在要回答的商業問題，應該使用哪一個 Revenue Definition？」

這就是 Semantic Layer：

真正重要的地方。

公司先定義：

什麼叫 Revenue。

什麼叫 Active Customer。

什麼叫 Churn。

什麼叫 Qualified Lead。

AI 才有：

共同語言。

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

OpenAI 對 Data agent 的設計：

並不是要求 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。

所以如果公司已經有正式定義：

最好直接告訴 Data agent：

「使用 Finance 正式 Net Revenue Definition。」

不要只寫：

Revenue。

如果兩邊數字不同，第一步不是叫 AI 重算

很多人會立刻說：

「你算錯了，Power BI 是 92，再算一次。」

這其實不一定是最好的方法。

因為你已經先告訴 AI：

Power BI 必須是對的。

它可能只是：

試著找到一種方法：

讓答案接近 92。

真正更好的問法是：

「你的結果是 100，公司正式 Dashboard 是 92。先不要修改分析，請比較兩邊可能使用的 Source、Time Period、Filter 和 Metric Definition，找出差異。」

這樣才是在：

Debug。

不要把「數字一致」當作唯一驗收方法

假設最後 AI 為了跟 Power BI 一樣：

也得到：

92。

是不是就代表：

分析正確？

還是不一定。

它可能：

用了錯誤資料。

剛好：

算出同樣的結果。

所以真正要驗的是：

數字怎麼來的。

而不是：

只要終點一樣就算通過。

比較好的驗證方式是看四層

第一：

Source

兩邊到底讀哪個 Dataset？

第二：

Period

日期範圍完全一樣嗎？

第三：

Filter

Region、Status、Customer Type、Test Data：

有沒有不同？

第四：

Metric Definition

公式是不是同一個？

如果四個都完全一致：

數字還是不同。

這時：

才真正值得往：

Calculation。

Join。

Data Quality。

邏輯錯誤。

繼續追。

Join 也可能讓數字突然變大

假設：

一張訂單。

對應：

三筆商品。

如果資料 Join 的方式不對：

一筆 Order：

可能被重複三次。

Revenue：

就被放大。

又例如：

一個 Customer：

同時有多個 Contact Record。

Join 後：

同一筆交易重複。

這是典型：

資料分析錯誤。

但如果你只看：

最後 Dashboard。

很難知道。

所以 Data agent 能顯示 Evidence 很重要

OpenAI 對 Data agent 的其中一個設計重點：

就是：

使用者可以繼續追問：

每個 Finding：

背後用了什麼 Evidence。

而不是：

只得到：

「Revenue 是 100。」

你可以問：

使用哪張 Table？

哪個期間？

哪個 Filter？

這個 Metric 怎麼定義？

哪些 Query 支持這個結果？

這些東西：

才是資料結果能不能被信任的基礎。

OpenAI 自己的內部 Data Agent 也特別強調可驗證

OpenAI 先前介紹自家內部 Data Agent 時：

直接說：

這種系統：

會犯錯。

所以內部工具：

會把：

Assumption。

Execution Step。

Underlying Result。

暴露出來。

讓使用者：

能檢查。

這個設計觀念很重要。

因為：

AI 資料分析真正需要的：

不是：

永遠不犯錯。

而是：

出現差異時，可以查回去。

「Power BI 是正式 Dashboard」也不代表它永遠不會錯

這點也很重要。

很多公司會有：

一種心理。

正式 Dashboard：

已經用了兩年。

所以：

一定正確。

但 Dashboard：

也是人做的。

也可能有：

舊 Filter。

錯誤 Join。

過時 Definition。

Refresh Failure。

計算邏輯問題。

OpenAI 公開的 Data agent Alpha 案例中：

micro1 就表示：

團隊在重建 Performance Dashboard 時：

發現了：

原本 Dashboard 的錯誤。

所以：

AI 和舊 BI 不一致：

不一定是壞事。

有時反而是一個：

Data Quality Signal。

最糟的做法是直接選自己比較喜歡的那個數字

例如：

AI：

100。

Dashboard：

92。

100 比較好看。

所以報：

100。

不行。

或者：

Power BI 是公司一直在用的。

所以不管什麼原因：

都報 92。

也不夠。

真正應該做的是：

讓差異：

可以被解釋。

一份真正好的分析應該可以回答：

為什麼我的結果是：

100？

為什麼正式 Dashboard 是：

92？

差的：

8。

到底來自：

哪一筆資料？

哪個 Filter？

哪個 Definition？

哪個 Update Time？

如果回答得出來：

兩個數字甚至可能：

都可以保留。

例如 Finance 和 Sales 本來就可能需要不同 Dashboard

Sales：

想知道：

今天新簽了多少 Deal。

Finance：

想知道：

這個月正式認列多少 Revenue。

兩邊數字：

不一樣。

才正常。

真正錯的是：

大家都叫它：

Revenue。

卻沒有說：

是哪一種。

所以 Data agent：

反而可能逼公司重新面對：

Metric Naming。

如果公司每次都在吵同一個數字，問題可能不是 AI

例如每個月開會：

Sales：

說 120。

Finance：

說 104。

Marketing：

說 135。

最後：

花半小時爭：

哪個才對。

這時：

真正問題可能是：

公司根本沒有：

共同 Metric Definition。

AI 加進來：

只是變成：

第四個數字。

如果不先處理：

Semantic Layer。

AI 只會：

讓混亂更快出現。

所以 AI Data 導入成熟的標誌不是「每個人都會自己問」

而是：

大家問：

同一個 Business Metric 時。

至少知道：

正式定義在哪裡。

哪份 Source：

算 Source of Truth。

哪些 Dashboard：

是探索。

哪些：

是正式報告。

哪些數字：

可以拿去：

董事會。

財報。

客戶。

這才是：

Data Governance。

權限也可能造成兩個人看到不同結果

Data agent：

不會因為是 AI：

突然取得全公司所有資料。

它沿用：

原本連接來源的：

Table。

Row。

Column。

Permission。

所以兩個員工：

問一模一樣的問題。

如果一個只能看：

Taiwan。

另一個能看：

Global。

結果：

本來就可能不同。

這也不代表：

其中一個 AI Session 出錯。

而是：

兩人看到的：

Data Universe。

原本就不同。

所以分享 AI 分析時，不能只截一張圖

如果只丟：

一張 Revenue Chart。

其他人可能不知道：

你用：

哪個 Source。

哪個 Date。

哪些 Filter。

哪個 Metric。

比較好的做法是：

至少附上：

資料來源。

期間。

Filter。

Metric Definition。

這樣別人才知道：

自己能不能拿去比較。

最實用的 Debug Prompt 可以直接這樣問

假設：

Data agent = 100。

Power BI = 92。

不要要求：

「算到跟 Power BI 一樣。」

改成：

「請不要先假設任何一邊是錯的。比較兩個結果的資料來源、時間區間、Filter、Metric Definition 與資料更新時間，先找出差異從哪一步開始。」

這個 Prompt：

真正想要的不是：

同一個數字。

而是：

Difference Explanation。

如果找到 Source 不同

先決定：

這個商業問題：

應該用：

哪個 Source of Truth。

如果找到 Period 不同

改成：

完全一致的：

Date Range。

重新比較。

如果找到 Filter 不同

把：

Region。

Status。

Customer Segment。

Test Data。

等條件：

對齊。

如果找到 Metric Definition 不同

不要急著改公式。

先問：

這次是：

Sales Use Case？

Finance Use Case？

Operations Use Case？

用對：

正式 Definition。

如果四樣完全一樣，數字還不同

這時才真正進入：

技術 Debug。

例如：

Query Logic。

Join。

Duplicate。

Null。

Refresh。

Data Pipeline。

Calculation。

這時：

就非常值得：

Data Team。

或真正懂資料的人：

進來。

因為：

問題已經被縮得很小。

這才是 Data agent 最有價值的地方之一

不是：

Data Team 從此消失。

而是：

原本有人只會說：

「這兩個數字怎麼不一樣？」

現在可以先讓 Agent：

把差異縮小成：

「來源相同。」

「期間相同。」

「Filter 相同。」

「Revenue Definition 不同。」

資料專業人員：

直接從真正問題開始。

少掉：

大量來回確認。

Dashboard 數字一致，也不能因此證明分析一定正確

反過來也一樣。

Data agent：

100。

Power BI：

100。

能不能說：

一定沒問題？

也不能。

兩邊可能：

剛好都用：

同一份錯誤 Source。

同一個錯誤 Formula。

同一個過時 Definition。

所以：

一致性：

是檢查訊號。

不是：

正確性證明。

這和 7 月我們談：

「AI 留下完整資料來源與步驟，也不代表結果一定正確」

其實是同一個觀念。

可追溯。

不等於：

必然正確。

但沒有可追溯：

你連錯在哪裡：

都很難查。

那到底哪一個數字最後可以拿去開會？

應該由：

公司本身的：

正式 Business Definition。

Source of Truth。

Governance。

決定。

不是：

哪個 AI 看起來比較有自信。

也不是：

哪張 Dashboard 顏色比較漂亮。

如果是正式財務數字：

就回：

Finance Approved Definition。

如果只是：

營運探索：

可以使用：

更即時的 Operational Data。

重點是：

先標清楚它是什麼。

所以今天答案其實很簡單

Data agent：

算 100。

Power BI：

算 92。

不能立刻推出：

「AI 算錯。」

先比較：

Source。

Period。

Filter。

Metric Definition。

必要時再看：

Data Freshness。

Join。

Calculation。

Permission。

真正成熟的資料分析：

不是所有工具都必須：

永遠顯示同一個數字。

而是當數字不同時：

你能精確說出為什麼不同。

所以看到兩個 Dashboard 打架時：

不要先問：

「誰錯了？」

先問：

「它們到底是不是在算同一件事？」

今天，和 AI 一起進步一點。

每天學會一個 AI 技巧。

每天節省一點時間。

每天提升一點能力。

SasaDaily，陪你一起成長。

推薦閱讀

AI 一分鐘教學｜2026/07/31：請 AI 分析資料時，要求它留下「資料來源、處理步驟、重現方式」

AI 快問快答｜2026/07/31：AI 留下完整資料來源和分析步驟，就代表結果一定正確嗎？

AI 快問快答｜2026/08/26：Ask Gemini 能查 Gmail／Drive／Calendar，就代表每次都把你所有資料完整搜過一次嗎？