Qlik 如何基于 Amazon Bedrock 构建可信的企业级 AI
Qlik 基于 Amazon Bedrock 打造了 Qlik Answers，为全球超过 40,000 家客户提供可溯源、可信赖的企业级 AI 问答能力。面对数据孤岛、跨区域数据主权和模型容量规划三大挑战，Qlik 采用分层多智能体架构、跨区域推理和 Amazon Bedrock Guardrails，在结构化与非结构化数据之上实现了规模化落地。
企业 AI 的“最后一公里”：从数据到可信答案
员工并不缺数据，缺的是快速提问并获得可信答案的方式。分析师常常耗费数小时翻阅文档、仪表盘和机构记忆，只为回答同事一句简单的提问。当企业尝试用生成式 AI 填补这一鸿沟时，往往撞上同一堵墙：答案没有来源、无法验证结果、在受监管环境中难以部署。
Qlik 作为数据集成、数据质量、分析和 AI 领域的全球领导者，为其 40,000 多家客户构建了 Qlik Answers。自 2026 年 2 月正式可用以来，该产品已从早期能力走向日常使用：仅 Discovery Agent（AI 驱动的异常与离群值检测智能体）自发布以来就为客户发现了超过 100,000 个发现项，且大多数启用了智能体工具的 Qlik Cloud 账户都在积极使用。
三大挑战：Qlik 如何破局
Qlik 在将 Qlik Answers 推向生产环境时，需要同时解决三个问题：
1. 编排专业推理而不拖慢速度
企业问题差异巨大：有些需要快速查找，有些则需要从结构化分析、非结构化文档、术语定义或自动化流程中提取信息。单一的通用助手往往随着能力增加而变慢、变不准。
2. 满足跨区域数据主权要求
Qlik 的客户遍布欧洲、亚太和美洲，每个地区都有各自的数据驻留期望。单一的全球部署模型无法满足这些要求，而 11 个独立的区域构建又难以维护和持续改进。
3. 提前数月预测模型容量
Token 消耗和模型可用性需要在重大发布前 3–6 个月进行规划。Qlik 随后根据客户实际使用情况验证这些预测，确保采用率的增长不会变成容量问题。
解决方案：分层多智能体架构与 Amazon Bedrock
Qlik Answers 为员工（而非仅分析师）提供了一个用自然语言提问的统一入口。其核心架构包括：
- 分层多智能体架构：将不同任务分派给专门的智能体，避免单一通用助手的能力瓶颈。
- 跨区域推理：利用 Amazon Bedrock 的跨区域推理能力，在满足数据主权的同时保持全球一致的体验。
- Amazon Bedrock Guardrails：为答案提供安全护栏，确保输出可信、合规。
Qlik 的实践表明，企业级 AI 的落地不仅需要强大的模型，更需要围绕数据主权、容量规划和可信溯源进行系统性设计。通过 Amazon Bedrock，Qlik 在规模化的同时兼顾了信任与合规，为行业提供了一个可复用的参考架构。
