企业做 AI，为什么应该先治理数据而不是先买模型

从业务任务倒推数据，不从建设大平台开始

企业第一次为 AI 做数据治理，不必先盘点所有系统和字段。应先选择一个高频、价值清楚、责任明确的任务，例如销售准备技术答复、客服查询订单状态、管理者核对经营异常。把任务所需输入、判断、输出和人工确认画出来，再列出每一步依赖的数据和资料。这样可以快速区分真正影响结果的关键字段与暂时无关的数据。

每个关键字段至少要回答六个问题：业务含义是什么，来自哪个系统或文件，谁负责维护，多长时间更新，哪些人可以使用，错误后怎样修正。不同部门对同一指标有不同公式时，不能让模型自行选择；应由业务负责人确认口径并保留变更记录。治理目标不是让所有数据看起来整齐，而是让目标任务使用的事实可解释、可追溯、可维护。

数据质量不能只写成“比较差”或给出一个总分。完整性关注关键字段是否缺失，一致性关注跨系统是否表达同一事实，唯一性关注重复客户、商品或任务，时效性关注状态是否过期，准确性需要用权威原始记录抽样核对。每类问题都要保留样本、影响范围、严重程度、责任人和关闭证据。

治理过程中应区分系统性问题和个案问题。编码映射错误、接口延迟和历史迁移通常需要技术整改；员工填写不规范、口径理解不同和责任缺失则需要流程与培训。AI 可以辅助发现异常、聚类问题和生成待核清单，但不能自行覆盖源数据。涉及删除、合并、财务、人事或客户主数据的动作必须经过授权审批，并保留前后快照。

验收时使用真实或脱敏的历史样本，覆盖正常、缺失、重复、冲突、过期、越权和系统不可用。检查系统能否读取正确来源、识别无效版本、拒绝越权数据，并把无法判断的问题交给具名人员。若输出错误，要能区分是源数据、转换规则、检索、业务规则还是模型造成，而不是统一归为模型不准。

上线后数据治理不能结束。资料版本、组织人员、商品、客户、设备和业务规则都会变化，应持续监测关键字段、失败任务、人工修正和知识失效。每一次人工改正都应进入问题台账和回归样本。只有数据问题有发现、责任、修正、验证和关闭的完整链路，知识库、智能体与经营分析才有稳定基础。

数据不完整能不能先做 AI？

可以做受控验证，但关键字段、正确答案和责任人缺失时，必须明确停止条件，不能承诺生产结果。

是不是先上数据中台才能做 AI？

不一定。先治理目标任务所需的数据，验证价值后再决定是否扩大平台建设。

AI 可以自动修复所有数据吗？

AI 可以发现和建议，涉及源数据覆盖、合并、删除和高风险业务字段时必须由授权人员审批。