本文案例由多个项目场景合成，以第一人称叙述。

　　作为公司的数据部门负责人，我用了一整年时间，终于把数据从泥沼里拽了出来。

　　纸质档案数字化了，产品编码统一了，几个主要系统也勉强接起来了。以前一张经营报表要找五个部门、核三天数据，现在至少能按时跑出来。年度总结时我向老板汇报："数据基础已经基本打好了。"

　　后来我才知道，这句话说早了。

　　老板去参加了一次行业峰会。回来那天下午，他在高管群里发了一条足足60秒的语音：

　　"我刚看了一个企业AI助手的演示，太震撼了！别人已经在用AI查制度、写报告、做分析了。我们数据基础不是搞好了吗？赶紧上！老陈牵头，先做一个企业AI助手，三个月让大家用起来。"

　　第一个月，进展异常顺利。

　　我们挑了几十份制度文件导入知识库，接了几个经营指标，选了几个常见场景让AI回答。

　　演示那天，效果出奇地好。老板问差旅标准，AI列出了制度依据；问收入变化，AI生成了一段完整分析；上传会议纪要提取待办，不到一分钟任务清单就出来了。

　　会议室掌声一片。老板很满意：

　　"这不就做成了吗？下一步，全面推广。"

　　真正的灾难，就是从"全面推广"那天开始的。

　　不到一个星期——AI引用了一份废止两年的制度。财务部发现收入数字和正式报表对不上。市场部反馈同样问"新增客户数"，上午和下午结果不一样。

　　系统紧急暂停。

　　但老板的三个月倒计时没有暂停。他让我们不要再搞大而全的助手，先挑几个具体场景证明AI能用。

　　一千个部门，一千个ChatGPT

　　重新征集需求的消息一发出去，各部门的AI需求反而像雪片一样飞来。

　　销售总监老周第一个找上门："听说AI能预测客户需求？能不能做个系统，输入客户名字就告诉我他下个月要下多少单？"

　　我试着解释预测需要大量历史数据和多维变量，结果只能是概率——

　　"ChatGPT不是什么都能回答吗？"老周打断我，"我上周问了它几个行业问题，回答得比我们销售助理还专业。你给我们也整一个。"

　　质量部想让AI"看一眼就知道合不合格"。我问有没有标注好的缺陷图片，质量经理一脸疑惑："什么叫标注？让AI跟着质检员学不就行了？"

　　最让我哭笑不得的是行政部。办公室主任找到我，一脸认真："AI能不能帮我们管会议室？每次去订都被占了。"我说这个用预约规则就能解决——"不行，老板说全面拥抱AI。既然要做，就得做AI会议室。"

　　两周时间收集了38个需求。我给每一个都问了五个问题：

• 　　它到底在解决什么业务问题？

• 　　现在不用AI，业务是怎么处理的？

• 　　需要什么数据？

• 　　这些数据在哪里？

• 　　结果错了，谁来承担后果？

　　问完以后，很多需求就自己消失了。

　　有些只是传统系统没做好，有些连业务规则都没理清，还有些所谓AI需求，本质上只是想把不愿意做的工作交给机器。

　　这并不是哪个部门特别荒唐。只要组织先定了"必须上AI"，所有还没解决的问题，都会被重新包装成AI需求。

　　最后筛出三个勉强可以探索的方向。我把结果汇报给老板，他皱着眉头："38个需求，最后只剩3个？别人都在搞智能工厂了。"

　　我没有接话。AI最容易的时候，是写在规划里的时候。一旦问到数据从哪来、规则谁确认、错了谁负责，宏大的蓝图就会迅速缩小。

　　去年治好的数据，AI说不能用

　　三个方向确定后，我原以为可以直接用去年整理好的数据。

　　但AI对数据的要求，和报表根本不是一回事。

　　第一个方向是设备故障预测。维修记录倒是不少，但全是事后补录的一句话——"3号冲压机异响，更换轴承""注塑机温控异常，重启后恢复"。没有故障发生前的振动频率，没有温度曲线，没有负荷变化。

　　我找到设备部的老赵："赵师傅，你们平时怎么判断设备快出故障了？"

　　老赵拍了拍旁边的冲压机："听声音。正常是'嗡——'，变成'嗡嗡嗡'就是轴承有问题了。"他又把手放到机壳上，"还有这里，平时是温的，突然烫手就该停机。"

　　"这些有数字化记录吗？"

　　"小陈，我们靠的是耳朵和手。我干了二十五年，哪台机器什么脾气闭着眼睛都知道。你说的那些数字，系统里没有。"

　　我们记录了结果，却从来没有记录过过程。报表知道设备哪天坏了，但预测需要知道它在坏掉之前发生了什么。

　　第二个方向是客户技术咨询。我们整理了两年的客户邮件，发现60%是这种画风：

　　张工你好，上次方案我们老板看了觉得可以，价格能不能再商量？另外上次吃饭说的事我回头联系。对了，你们那个型号能做到0.8毫米吗？

　　一封邮件混着商务谈判、私人寒暄和技术咨询，系统里没有任何标签区分。要人工拆分标注，12000封邮件，每封15分钟——一个人不吃不喝要干一年半。

　　去年治理好的数据并没有作废。但那套数据服务的是固定报表：口径预先约定，异常由分析人员处理，遇到问题找人确认。

　　AI面对的是开放问题，它必须自己判断该调用什么数据、采用哪个版本、使用哪套口径。过去藏在人脑和部门惯例里的东西，到了AI这里必须全部显性化。

　　报表能跑，不代表数据跑通了。很多时候，只是还有人在背后替系统补口径、补语义、补判断。

　　三个数字都没算错，AI却必须只报一个

　　数据的问题还在逐个攻克，口径问题又炸了一颗雷。

　　事情发生在月度经营分析会上。老板当着二十多位高管的面，直接在大屏幕上问AI助手：

　　"今年新发展的重点客户有多少？"

　　AI回答："1286户。"

　　市场部总监老郑当场皱眉："不对。正式口径是943户。"

　　老板看了看我。我冷汗就下来了。

　　会后紧急排查：

• 　　1286户——来自CRM，统计的是今年新建档的重点客户。

• 　　943户——来自市场部经营报表，统计的是已产生有效收入的新增重点客户。

• 　　还有一个数字817户——来自财务系统，统计的是已完成开票的新增重点客户。

　　三个数字来自三个正式系统。三个都没有算错。但AI必须报一个。

　　我找老郑："到底哪个是公司正式口径？"

　　老郑说："看场景。汇报发展规模用943，分析客户储备用1286，核算当期贡献看817。"

　　"那AI应该用哪个？"

　　"你问我？你是做数据的啊。"

　　过去这些差异藏在不同报表名称、不同部门、不同汇报场景里。看报表的人知道自己在看什么。

　　AI把这些边界全部抹掉了——所有人在同一个对话框提问，AI被迫替整个企业完成一次口径选择。

　　更要命的是，AI不会主动告诉你：这里其实有三套口径。它更可能从现有数据中挑一个最像答案的数字，再用极其流畅的语言解释得头头是道。

　　语义没有统一之前，数据越多，可供选择的错误答案越多。AI的自信是最危险的东西。

　　类似的问题在知识库里也在爆发。一名业务员问AI合作伙伴考核不合格怎么处理，AI引用了一份已废止的制度，给出了"六个月整改期"的建议。实际上新规定是直接退出。

　　项目组排查后发现，旧制度是Word版，标题清晰、格式规范；新制度是扫描PDF，关键条款印在图片表格里，OCR只识别了一半。

　　模型不是故意选错。在它能读懂的内容里，旧制度反而更像一份"可信文件"。

　　人有权限看，不代表AI有权拿来推理

　　为了提升实用性，我们接入了客户和合同数据。安全部老刘反复强调：AI必须遵守现有权限体系。

　　我们觉得不难——识别身份，按原系统权限过滤就行。

　　很快就出事了。

　　客户经理小赵在CRM里只能查自己的客户。他问AI："帮我梳理最近有流失风险的重点客户。"——要回答这个问题，模型需要先扫描一批客户再做排序。

　　它到底可以读多少数据？只读小赵的，还是先读全公司的再只展示他那部分？中间过程触及了别人的数据，算不算越权？

　　更严重的事情紧接着发生了。一名普通员工问AI："我们部门最大的客户最近有什么风险？"

　　他无权查看客户的具体欠费金额。但AI综合了合同、缴费记录和服务工单，回答说："该客户近期存在较高回款风险，建议关注。"

　　这句话没有显示任何金额，却已经泄露了只有财务部才有权知道的经营判断。

　　这名员工拿着AI的回答去见了客户。会上他随口说了一句"听说贵司最近资金压力比较大"。客户勃然大怒，直接投诉到了老板那里。

　　我们过去的权限体系控制的是"谁能看哪张表、哪个页面、哪条记录"。

　　AI提出的是一个全新的问题：谁可以基于哪些数据，得到什么结论？ 这不是访问权限，是推理权限。我们的系统从来没有为这件事做过任何准备。

　　AI敢回答，但不知道什么时候该闭嘴

　　限定数据范围后，客户技术咨询助手终于开始试运行。

　　上线第一天，前三个问题AI回答得有模有样。客服主管老赵点点头："这东西还行。"

　　第四个客户问："你们的HX-235B能不能用于零下30度？"AI引用通用材料说明做了分析，最后建议客户考虑另一种低温性能更好的材料。

　　老赵脸色变了："这不是把客户往竞争对手那推吗？我们没有它推荐的那个产品。正常做法是先了解工况，再让技术人员判断。"

　　我们调整提示词，要求优先推荐本公司产品。结果第二天，一个客户反映产品出现裂纹，AI热情回复："感谢您对本公司产品的关注！我们产品经过严格质量控制，性能稳定。如需进一步了解，请联系您的专属客户经理。"

　　这是一起客诉。AI把它当成了售前咨询。

　　一周后出了更严重的事。客户发来技术规格书要求确认，AI逐项对照产品手册，全部回答"满足"。技术人员复核发现其中两项关键参数公司产品并不达标——产品手册没有写这两个指标，AI没找到"不满足"的证据，就把它理解成了"满足"。

　　它不知道自己不知道什么。而这种自信的无知，在制造业里带来的不是一句话写错，是一笔订单退货或一次质量索赔。

　　客服部当天暂停系统。老赵说了一句话让我至今记得：

　　"这个AI懂的不少，但它不知道哪些话能说、哪些不能说。我们客服可能没它快，但至少知道什么时候该闭嘴。"

　　系统暂停后，我们同时改了提示词、文档切片和检索策略。第二轮测试的正确率确实提高了。

　　但没人说得清，到底是哪一项改动起了作用。

　　AI团队说是模型优化的效果，知识库团队说是资料重新整理的功劳，业务部门认为只是新测试题更贴近现有资料。每个人都能说明自己做了什么，却没有人能证明答案为什么变好了。

　　我们说不清它为什么答错，更证明不了它为什么答对。

　　我们转向内部场景，让AI帮工程师生成质检报告初稿。AI把初稿生成时间缩短了一半。但演示结束后，资深工程师张工问了一个问题：

　　"报告是AI写的，上面盖的是我的技术章。出了问题，算谁的？"

　　"AI生成初稿，您最终审核确认——"

　　张工笑了一下："那我还是得逐字看。助理写的东西我知道他水平，知道容易错在哪。AI写的，99%可能是对的，就藏着1%特别像真的错误。我反而得查得更仔细。"

　　AI确实降低了生成成本，却把更多核验成本和最终责任推给了业务人员。

　　AI团队得到的是使用率。工程师承担的是签字责任。 只要收益与责任分离，业务人员远离AI就不是保守，是理性选择。

　　试运行几个月后，反馈大量涌入。有人告诉AI"这个参数已经改了"，有人指出"这份制度去年废止了"。一开始我以为反馈能帮系统进步。后来发现，大部分纠正根本没有回到数据源——用户在对话框里纠正的内容只存在于当次会话，点击"不满意"只多了一条差评记录，产品部更新了参数但手册没有重发，知识库还在用旧说明。

　　一两个月后，同类错误卷土重来。客服小刘终于忍不住了：

　　"老陈，这个问题我上个月就反馈过了。为什么它还在答错？"

　　因为这个号称会学习的AI，背后仍然是一次次手工导入、手工修正、手工发布。源系统不改，错就一直在。没有明确责任人，反馈就没人处理。

　　数据被送进模型的那一刻，所有人都以为任务完成了。但那不是工作的结束，恰恰是运营的开始。

　　老板问我：去年到底治理了什么

　　三个月期限到了。我没有拿出一个可以全面推广的系统。

　　汇报会上我如实说明：场景没筛选清楚，数据缺少过程信息，知识版本混乱，权限体系无法支持推理，业务人员也不愿为AI结果承担责任。

　　老板沉默了很久，然后问了一句话：

　　"去年你告诉我数据基础打好了。现在要上AI，你又说数据不行。那去年我们到底治理了什么？"

　　这一次，我没有急着解释AI训练数据和报表数据的技术区别。

　　因为他的质疑不是没有道理。

　　去年我们确实让数据能跑出报表。但那并不意味着数据真正跑通了。很多指标仍然需要报表人员解释口径；很多文件仍然需要老员工判断版本；很多权限仍然靠业务人员自行把关；很多错误仍然通过电话、微信群和线下会议临时纠正。

　　这些人工补丁，过去勉强能支撑固定报表。AI一来，试图把数据直接推到每个员工面前、把答案直接送到业务现场，那些被人遮住的问题就全部暴露了。

　　我对老板说：

　　"去年解决的是人怎么查看数据，还没有解决机器怎么理解、使用和验证数据。数据治理不是白做了，但'数据基础已经打好'这句话，我说得太早了。"

　　老板问："那现在应该怎么做？"

　　"不能再先定一个'全面拥抱AI'的目标，然后让各部门去找场景。每一个场景开始前，至少要先说清楚：使用哪份权威数据，采用什么口径，谁有权获得答案，错误造成什么后果，谁持续评测，用户纠正后怎样回到源头。任何一个问题没人能回答，就不该急着上线。"

　　老板没有再追问三个月能做多少个场景。他只说：

　　"那就先把一个真正能用的场景跑通。"

　　这句话没有峰会上的AI蓝图那么激动人心。但它可能是这个项目真正开始的时刻。

　　AI没有绕过数据治理，只是拿掉了遮挡层

　　回顾这一年，我越来越清楚一件事：

　　AI没有帮企业跨过数据治理这道坎。它只是拿掉了过去由报表人员、业务专家和老员工共同维持的人工遮挡层。

　　过去，数据问题藏在月底报表里。数字对不上，临时核一次；口径说不清，找熟悉的人解释；制度过期了，总有老员工提醒。AI把这一切推到了业务现场——每一次提问都在调用数据，每一次回答都在选择口径，每一次建议都可能影响真实决策。

　　AI驱动的前提，不是模型会不会说话，而是数据能不能做到五件事：

• 　　接得进——以稳定标准的方式进入AI，而不是每次手工导出。

• 　　读得懂——模型理解数据的真实含义，而不只是读出字面上的字。

• 　　管得住——用户有权获得这个答案，推理过程也在权限范围内。

• 　　验得清——出了错能追溯，定位到底是数据、口径还是模型的问题。

• 　　改得动——错误能回到源头，推动数据和制度的修正，而不是永远在知识库里打补丁。

　　这五件事少一件，AI就很难真正进入生产环境。

　　数据驱动是地基，AI驱动是楼房。地基没打好就盖楼，不是勇气，是鲁莽。

　　而我们大多数企业的真实状态是：地基的水泥还没干，老板已经在讨论楼顶花园的设计了。