过去十余年，企业数据建设的重心大多落在结构化数据上：交易记录、订单明细、财务科目被整齐地装进数据仓库，报表与看板成为数据价值的主要出口。但越来越多企业发现，真正沉淀业务经验的，恰恰是那些散落在文档、邮件、工单、图纸、录音和视频里的非结构化数据。大模型与检索增强生成（RAG）的普及，让这批长期沉默的资产第一次有了被规模化调用的可能，也把非结构化数据治理推到了台前。
从配角到主角
以往非结构化数据多以附件形式存在，躺在文件服务器、网盘或对象存储里，靠目录层级和文件名检索，既没有统一元数据，也很少与业务系统打通。当企业希望用自然语言直接向知识库提问时，问题立刻暴露：一份制度存在多个版本，扫描件无法被检索，同一份合同不同部门的可见范围并不相同。数据团队的工作内容随之变化，从建表建仓，转向搭建可被模型稳定消费的知识供给链。
治理难在何处
业内普遍引用的判断是，企业数据总量中八成以上属于非结构化数据，且增速快于结构化数据。难点集中在四个方面：格式繁杂，既有排版规整的电子文档，也有扫描件、CAD图纸和音视频；质量参差，同一主题的内容重复、过期、相互矛盾；权限细碎，内容级权限往往比表级权限复杂得多；元数据缺失，缺少业务语义的内容很难被精准检索和复用。任何一环缺位，模型给出的答案都可能似是而非。
技术路径的四个关键词
- 解析抽取：通过OCR、版式识别、语音转写，把各类载体转成可处理的文本，并保留页码、章节等定位信息。
- 语义增强：自动打标签、抽取实体与关系、生成摘要，为原本空白的元数据补上业务含义。
- 向量化与索引：多模态嵌入配合关键词与语义混合检索，在召回率和准确率之间取得平衡。
- 权限与血缘：内容级权限继承、引用溯源与版本管理，确保答案答得出、来源说得清、访问管得住。
行业落地已见雏形
金融机构把信贷合同、研究报告接入尽调助手，缩短资料检索时间；制造企业将设备手册与维修工单入库，辅助一线人员定位故障；医疗机构整理病历与诊疗指南，支撑临床知识检索。这些场景有一个共同点：治理工作被嵌入业务流程，而不是事后补课。谁产出内容，谁就负责补齐元数据与权限标签，数据团队提供工具与规范。
合规是绕不开的底线
非结构化数据往往包含个人信息与商业机密，分类分级、敏感信息识别、脱敏与访问审计必须先行。留存与销毁策略同样重要，避免历史文件在不知情的情况下被模型调用。对跨机构协作场景，还需在数据不出域的前提下提供检索能力，这对架构设计提出了更高要求。
总体来看，非结构化数据治理不是一次性项目，而是伴随模型迭代持续演进的基础工程。务实做法是从高价值场景切入，先建一条最小可用的知识供给链，跑通解析、语义增强、检索与权限闭环，再逐步扩展到更多业务域。谁先把沉默的数据变成可被信任的知识，谁就更有可能在大模型应用中拿到实际收益。