企业里做 AI 应用，最难的从来不是模型，是数据

过去两年，AI 应用成了企业数字化转型的"新风口"。老板们张口闭口"我们要上大模型""我们要做智能体"，技术团队忙着选模型、搭平台、调 Prompt，一片热火朝天。

但我观察到一个被严重低估的事实：企业里做 AI 应用，最难的从来不是模型，是数据。

模型可以买，可以调 API，可以开源部署，可以微调——这些都有成熟路径。但数据不行。你的数据质量、数据口径、数据治理水平，决定了你的 AI 应用是"真智能"还是"高级玩具"。

这篇文章聊聊为什么。

一、模型是别人的，数据才是你的

先想一个问题：大模型的能力，是你的吗？

不是。GPT、Claude、文心、通义，这些模型的训练数据、算法、算力，跟你一毛钱关系都没有。你调 API，用的是别人的能力；你开源部署，用的是别人训好的权重；你微调，也只是在别人的模型上做点小改动。

模型是通用能力，谁都能用。真正属于你的、别人拿不走的，是你的数据。

你的客户数据、交易数据、业务知识、行业 Know-how，这些是 AI 应用能产生差异化价值的根基。同样是做一个"智能客服"，A 公司用通用大模型 + 自己的客服对话历史，B 公司只用通用大模型。谁的效果好？一定是 A——因为 A 的模型"懂"自己的业务，B 的模型只会说套话。

所以，企业做 AI 应用的竞争壁垒，不在模型，在数据。 而数据恰恰是大多数企业最薄弱的环节。

二、数据质量差，AI 应用就是"垃圾进垃圾出"

大模型有一个特点：它不会告诉你"我不知道"，它会一本正经地胡说八道。

你喂给它的数据是错的，它输出的结果就是错的，而且错得理直气壮。

举个真实场景。某企业做了一个"销售数据问答"的 AI 应用，业务方问"上个月华东区的销售额是多少"，AI 答了一个数。业务方拿去汇报，结果被领导发现数字不对——因为底层数据里，"华东区"这个维度在两个系统里定义不一致，一个系统把江苏算进华东，另一个系统把江苏算进华中。AI 只是忠实地把"错的数据"算出了"错的答案"。

这就是数据质量问题在 AI 时代的放大效应。 以前数据错了，最多是报表错一行，业务方自己还能发现。现在数据错了，AI 把它包装成"权威答案"，业务方反而更信了——因为 AI 说得太像那么回事了。

数据质量差的后果，在 AI 应用里被放大了十倍。因为 AI 不仅会用错数据，还会用"自信"掩盖错误。

三、数据口径不统一，AI 应用就是"精神分裂"

比数据质量更隐蔽的问题，是数据口径不统一。

"营收"这个指标，财务部门按确认口径算，销售部门按回款口径算。以前两个部门各看各的报表，虽然数字对不上，但好歹各说各话，井水不犯河水。

现在你做一个 AI 应用，让业务方问"这个月的营收是多少"。AI 去数据里找"营收"，结果发现有两个"营收"——财务口径的和销售口径的。它要么随机选一个，要么两个都给你，然后业务方懵了："到底哪个是对的？"

数据口径不统一，在 AI 应用里会变成"AI 精神分裂"——同一个问题，问两次，答案不一样。

这不是 AI 的错，是数据的错。但用户不会怪数据，只会怪 AI"不靠谱"。最后 AI 应用上线三个月，没人用了，因为"它连个数都说不准"。

四、数据没治理，AI 应用就是"空中楼阁"

很多企业做 AI 应用，跳过了数据治理，直接上模型。结果就是"空中楼阁"——看起来漂亮，一碰就塌。

数据治理解决的是三个问题：数据在哪、数据是什么、数据可信吗。

• 数据在哪：你的数据散落在几十个系统里，AI 应用要取数，得知道去哪取。没有数据资产目录，AI 应用连"去哪找数据"都不知道。
• 数据是什么：一张表叫 t_order_2023，另一张叫 order_detail，它们是什么关系？字段 amount 是含税还是不含税？没有元数据管理，AI 应用"看不懂"你的数据。
• 数据可信吗：这张表的数据质量怎么样？有没有缺失、有没有重复、有没有异常？没有数据质量监控，AI 应用"不敢用"你的数据。

这三个问题不解决，AI 应用就是无源之水。 你模型再强，取不到数、看不懂数、不敢用数，有什么用？

五、一个反直觉的判断：AI 时代，数据治理更重要了

很多人以为，AI 时代数据治理会变得不重要——"反正 AI 能自己理解数据，还要治理干嘛？"

这个判断大错特错。AI 时代，数据治理不仅没有变不重要，反而更重要了。

原因很简单：AI 把数据问题的后果放大了。

以前数据质量差，影响的是"人"——人看报表发现数字不对，会怀疑、会核对、会修正。人的容错能力很强，数据错了，人能用经验兜底。

现在数据质量差，影响的是"AI"——AI 不会怀疑、不会核对、不会修正，它只会"自信地"输出错误答案。AI 的容错能力是零，数据错了，AI 就错给你看，而且错得理直气壮。

数据治理的本质，是让数据"可信、可查、可用"。这三个词，在 AI 时代比任何时候都重要。 因为 AI 对数据的"信任"是无条件的——你给它什么，它信什么。所以你必须保证给它的数据是对的。

六、给企业做 AI 应用的三条建议

第一，先治理数据，再上 AI。

顺序不能反。数据治理是地基，AI 应用是楼。地基没打好，楼盖得越高塌得越快。如果你的数据质量、数据口径、数据资产盘点都还没做好，先把这些补上，再谈 AI。

第二，把数据质量当成 AI 应用的"前置门槛"。

AI 应用上线前，先问三个问题：取数的数据源可靠吗？数据口径统一了吗？数据质量达标了吗？三个问题有一个答不上来，先别上线。

第三，用 AI 倒逼数据治理。

这是个有意思的视角。AI 应用对数据质量的要求，其实是一个"倒逼"数据治理的机会。以前业务方对数据质量的要求是模糊的——"数据最好准一点"。现在 AI 应用把要求变成了刚性的——"数据不准，AI 就胡说八道"。你可以用 AI 应用的需求，去推动业务方重视数据治理。

最后说一句

企业做 AI 应用，大家的目光都盯着模型——选哪个大模型、怎么调 Prompt、怎么微调。但真正决定成败的，是模型背后那个被忽视的东西：数据。

模型是别人的，数据才是你的。模型决定了 AI 应用的"上限"，数据决定了 AI 应用的"下限"。模型再强，数据一塌糊涂，AI 应用就是个"高级玩具"。

别把精力都花在模型上。回头看看你的数据，那才是你真正的护城河——也是你最大的短板。

本文基于作者在企业数据治理和 AI 应用实践中的观察写成。文中观点为个人经验总结，不同企业的数据成熟度差异巨大，请结合自身情况判断。