让 AI 想得清楚，让工作流跑得准确
大模型擅长理解问题，工作流擅长稳定执行。分析即服务把两者分工明确地组合起来，让分析结果既讲得通，又每次都算得一样。
理解业务意图
用自然语言描述要分析什么，由大模型拆解成具体的分析步骤，不用先想清楚技术方案。
确定性执行
真正的计算由 iModel 工作流引擎完成，同一份数据每次跑出同一个结果，不受模型随机性影响。
过程可查
处理逻辑逐节点摊开，数据从哪来、经过哪些判断、为什么是这个数，都能翻回去看。
什么是分析即服务（AaaS）？
分析即服务（Analytics as a Service）是一种把大模型的理解能力与工作流的执行能力分开使用的分析交付方式：AI 负责理解问题、规划路径，工作流负责确定性地执行并沉淀下来。
它要解决的是一个很具体的矛盾：大模型每次回答都可能不一样，但企业的分析结果必须每次都一样。把「想」和「算」交给不同的东西负责，这个矛盾才有解。
认知层负责想，执行层负责算
这两层的能力边界必须分清楚。混在一起，就会出现「答案看着很合理但复算不出来」的情况。
认知层
由生成式 AI 承担。把模糊的业务问题翻译成具体的分析步骤，并在结果出来后用业务语言解释它。
- 自然语言描述分析目标
- 把复合问题拆成可执行的步骤
- 推荐处理方法与建模思路
- 把分析结论翻译成业务语言
现在能做到哪一步
与其把远期规划写成现在时，不如把边界讲清楚。以下是三个阶段的真实进度。
确定性执行层
可视化工作流建模、逐节点可回溯、权限控制与定时调度，都是 iModel 现有的成熟能力，可在麒麟、统信等国产环境离线部署。
AI 辅助建模
由大模型理解分析意图、推荐处理方法与节点组合，帮助用户更快搭出第一版工作流。欢迎预约演示，看它在你的场景里实际跑一遍。
端到端自动生成
从一句自然语言直接生成完整可运行的工作流，依赖持续扩充的节点知识库，正在建设中。有具体场景可以先联系我们评估。
纯对话式 AI 与分析即服务的差别
| 对比项 | 纯对话式 AI 直接出结果 | 分析即服务（AI + 工作流） |
|---|---|---|
| 结果一致性 | 同一问题多次提问，答案可能不同 | 同一份数据每次跑出同一结果 |
| 过程可见性 | 只看得到结论，中间怎么算的不呈现 | 处理步骤逐节点摊开，可逐步核对 |
| 可复用性 | 一次对话结束即失效，下次要重来 | 沉淀成工作流，可重复执行与交接 |
| 数据规模 | 受上下文长度限制，大表难以整体处理 | 由分析引擎处理，不受对话长度限制 |
| 数据留在哪 | 取决于所用服务的部署方式 | 支持完全离线部署，数据不出内网 |
两者不是替代关系。对话式 AI 适合探索与提问，分析即服务适合需要反复运行、需要交代清楚的正式分析。想了解智能体形态的用法，可以看 AI 智能体。
哪些活最适合做成服务
判断标准很简单：这件事每个月都要重做一遍，而且每次都要跟人解释数是怎么来的。
供应链与库存
安全库存测算、补货建议、呆滞识别，按周期自动跑并输出结果。详见供应链分析。
审计与合规核查
把审计程序固化成工作流，从抽样检查转向全量核查，每条异常都查得到出处。详见审计分析。
AI 数据准备
训练数据的清洗、增强与版本管理，让模型输入的质量可控可查。详见面向 AI 的数据准备。
