过去两年,不少企业在数字化转型中已经建起数据中台、打通主数据,自认为底子不错。但当生成式AI真正走进客服、营销、研发等生产环节,问题迅速暴露:同一个“活跃客户”在CRM、交易系统和BI报表里有三种口径;产品参数散落在PDF、图纸和邮件里;模型要用的实时库存数据,要等到第二天凌晨跑完批处理才有。模型本身并不是瓶颈,数据才是。
AI把数据问题放大了一个量级
与传统BI相比,AI应用对数据的要求明显跃升。BI可以靠人来做口径解释和结果校验,而大模型一旦接上数据就要直接给出结论,错误会被放大、被传播。落差集中在三个方面:
- 一致性与语义:指标定义、维度层级、时间口径缺乏统一语义层,模型很难稳定理解“上季度”到底指什么。
- 形态与颗粒度:企业积累的多是非结构化文本、图纸和日志,缺乏可检索、可引用的知识切片。
- 时效与权限:实时数据的采集更新链路不完整,数据分级分类和访问控制也没有落到字段级。
重构的重心:从建平台到做产品
面对这些问题,企业的动作出现了一些共性变化。一是把语义层当成核心资产来建,统一指标定义、维度关系和计算逻辑,让报表、看板和AI问数共用同一套口径。二是把数据当产品运营,每个数据集有明确负责人、服务对象、更新频率和服务等级,并引入数据契约约束上游系统的变更。三是湖仓一体与向量检索结合,把结构化数据和非结构化知识放进同一套治理框架,方便模型调用与引用溯源。四是治理责任下沉到业务侧,数据质量指标被纳入业务部门考核,而不再只是IT的家务事。
值得注意的是,这一轮投入的衡量方式也在变。过去数据项目常用“接入了多少张表”来汇报,现在更多企业改为关注“有多少个AI场景被有效支撑”“人工核对工时下降多少”。指标更贴近业务,也更容易在预算收紧时保住投入。
落地仍需跨过三道坎
第一道是成本。全量数据的清洗、标注和实时化改造代价高昂,更现实的做法是按场景优先级分批推进,先服务少数高价值场景。第二道是组织。数据权责一旦跨部门,就需要明确的决策机制,否则语义层很容易沦为又一个无人维护的文档。第三道是合规。数据分级分类、脱敏、留痕和出境管理必须在AI上线前完成,否则后续返工成本更高。
从更长的周期看,AI并没有创造一门全新的功课,它只是把数字化转型中那些“可以先放一放”的问题,提到了必须解决的位置。数据底座既是数字化的地基,也是智能化的入口。谁能把口径、质量和权限这三件事做扎实,谁就更有可能把模型能力真正转化为业务结果。