企业AI推不动？你对数据的理解太狭隘了
最近碰到一个制造业的IT总监，聊起他们公司的企业AI落地转型。
CEO亲自站台，成立了AI专项组，每个部门都报了AI应用场景。
搞了大半年，知识库搭了，客服机器人上了，会议纪要自动生成也搞了。看起来热热闹闹。
但他跟我说了一句大实话：这些全是点状应用，没有一个真正改变了业务流程。
这个困境太典型了。
麦肯锡的调研数据也印证了这一点：大量企业AI项目停留在试点阶段，真正实现组织级规模化落地的不到一成。
Gartner的结论类似，多数企业的AI项目跑完一个demo就没了下文。
问题出在哪？
企业AI落地全卡在数据层
大部分企业做AI落地的路径差不多：先选一个场景，接一个大模型，灌进去一些数据，看看效果。
效果好的接着用，效果不好的就换模型或者换场景。
这个路径有一个致命的前提假设——你的数据已经准备好了。
但多数企业根本没意识到自己缺什么数据。
一个做ERP集成的朋友跟我讲，他们给企业部署AI知识库，第一步是数据盘点。
结果发现客户说的"数据很全"，指的是ERP里有订单、有库存、有财务报表。
但当你问AI一个具体问题——"这批退货是什么原因产生的？上次类似问题怎么处理的？"——ERP里根本找不到答案。
因为这类信息存在于邮件、微信群、老师傅的脑子里，甚至写在车间的白板上。
你的系统里有结果数据，但没有过程数据。
AI要真正理解业务，需要的是后者。
数据不只是数据库里的字段
企业对"数据"的理解，往往停留在结构化数据层面——ERP、CRM、MES里那些整齐排列的字段和表格。
这不是数据的全部，只是冰山一角。
一家制造企业的真实数据资产，至少包含三层。
第一层是结果数据，就是系统里记录的那些：产量、良率、报工记录、采购明细。
绝大多数企业做数字化的时候，收集的就是这一层。
第二层是过程数据，也就是"这件事是怎么一步步做成的"。
比如一个老质检员看到产品表面有异常，他是怎么判断这是模具问题还是材料问题？他看了哪些特征、按什么顺序排查、最终依据什么做结论？
这些判断过程从来没被记录过，但它恰恰是AI替代人工质检时最需要的知识。
第三层是场景数据，也就是"为什么这么做"。
为什么这家客户要用A方案不用B方案？为什么这批原材料加急采购？为什么上个月临时调了排产计划？
这些"为什么"散落在会议纪要、审批意见、邮件往来和工程师的脑子里。
没人把它们整理成可被检索的结构。
讲真，我做AI落地这些年，发现一个规律：企业越"数据丰富"，往往越"信息贫乏"。
系统里存了海量记录，但AI真正需要理解业务的那部分信息，几乎全部缺失。
企业缺的三类隐形数据
那到底缺什么？我总结了三类最容易被忽视的隐形数据。
隐性经验数据。
老员工脑子里那些"说不清楚但就是知道"的判断。
比如一个采购经理看了供应商报价单，直觉告诉他"这个价格不对"，他脑子里调用了过去十年的比价记忆、行业行情和人际关系判断。
这种经验从来没有被数字化过。
决策过程数据。
一个方案从提出到拍板，中间经历了什么讨论、否决了哪些选项、最终为什么选了这条路。
多数企业只记录最终决策结果，不记录决策过程。
但AI要学的是"怎么做判断"，不是"判断了什么"。
异常处理数据。
日常流程一切正常的时候AI不难做，难的是出了意外怎么办。
去年碰到一家工厂，产线突然出现批量不良品，老师傅花了两小时排查，最终发现是某批次原材料供应商偷偷换了配方。
这个排查过程、判断依据和处理方法，全在老师傅脑子里，系统里只有一个"不良品率异常"的数字记录。
如果把这些经验提前提取出来灌进AI系统，下次再出类似问题，AI可以在几分钟内给出排查建议和处置方案。
这也是为什么图博数智帮企业做落地的时候，第一步从来不是选模型，而是做数据盘点——先把这三类隐形数据找出来，再看怎么结构化、怎么喂给AI。
AI落地数据自测法
有人问我，图老师，那怎么知道我们企业的数据到底够不够做AI？
三个自测标准，很简单：
标准一：你能不能用现有数据回答一个跨部门的业务问题。
比如"上个月利润下降5%的主要原因是什么？"
如果数据只能告诉你"利润降了"但不能解释"为什么降了"，说明数据层缺了过程和场景维度。
标准二：核心业务岗上，如果明天最资深的那个人离职了，他的经验有没有被记录下来。
如果答案是"没有"，你的隐性经验数据就是空的，AI也学不到这些判断。
标准三：你有没有"异常案例库"。
过去三年里所有出过的问题、怎么发现的、怎么解决的，有没有一个集中的地方记录。
如果全靠老师傅口头传承，那你的异常处理数据基本为零。
三个标准满足两个以上，数据基础就算及格。
连一个都不满足的，先别急着上AI，先把数据这件事想清楚。
先做数据体检再上AI
我的建议是，不管你现在的AI落地走到哪一步，先停下来做一次数据体检。
不是查你有多少数据、存在哪个系统里，而是查清楚三件事：核心业务流程中哪些关键判断是靠人的经验在做；这些经验有没有被任何形式记录下来；过去两年里所有重大异常和决策有没有可追溯的文档。
这三件事搞清楚了，你才知道AI能帮你做什么、不能帮你做什么。
有些企业一听"数据准备"就觉得是大工程。
其实不一定。
数据盘点通常只需要一两周，关键不是量大，而是找对方向。
把那20%真正有业务价值的隐性数据提取出来，比灌进去80%的系统记录有用得多。
企业AI落地这件事，模型是工具，数据是地基。
地基不牢，模型再好也盖不出楼。
我们图博数智这几年一直在帮企业和高校做AI落地的活儿，从AI知识库、智能体到私有化大模型部署，踩了不少坑也攒了不少经验。如果你所在的单位正在考虑AI落地，可以来我们官网看看实际案例和产品demo：**www.tubodata.com**，也可以直接加图老师聊聊。
