企业AI数据怎么准备？从业务场景到数据质量的实施方法

30秒看懂：企业准备AI数据，最可行的起点不是先建数据湖，而是从真实业务场景倒推数据要求。客服政策问答需要权威政策、历史问题和清晰权限，并不需要先打通所有交易系统；而能自动调整客户授信额度的Agent，则需要更严格的数据完整性、审批规则和异常处置。数据是否准备好，没有脱离用途的统一答案。Gartner预测，到2026年缺少AI就绪数据支撑的AI项目中会有60%被放弃，因此企业应先用一页场景数据卡明确权威来源、任务边界、权限、更新和验收标准，把数据治理变成有人负责、可以验收的工作。

AI数据准备不是先建数据湖，而是先回答五个问题

Runwise建议在立项阶段拿出一份只有一页的“场景数据卡”，让业务负责人、数据负责人和IT一起填写，而不是先讨论向量数据库选型。

这五项属于Runwise的实践框架，不是Gartner规定的统一清单。它最大的作用是把“先把数据治理好”变成有人负责、可以验收的工作。对于业务决策影响大的场景，还要增加数据完整性、来源追溯、审批和应急恢复等要求。

数据从哪里来：先划定权威范围，再处理格式

结构化数据先统一指标含义和刷新时点

从CRM、ERP、财务系统提取的数据，不能只看表有没有接通。销售额究竟是下单金额、含税销售额还是确认收入？“客户”是合同主体、集团客户还是联系人？同一指标在不同部门有两个定义时，AI很可能给出看似准确、实则口径不一致的回答。

以销售分析助手为例，先指定订单表、退货表与客户主数据各自的权威系统，写清主键、金额和日期口径，记录数据延迟；分析任务读取系统原有权限允许的数据。若只需每周经营分析，稳定的日级刷新可能足够；若用于库存承诺，就需要核对接近实时的可用库存。更新频率由决策时效决定，不宜全公司一刀切。

非结构化知识先处理版本和可检索性

制度、合同模板、销售手册更容易出现旧版并存。正确做法不是简单“删除所有重复文件”，因为旧版本可能有审计和追溯价值。应当在原始档案里保留必要历史版本，在AI默认检索集合里只开放与任务适配的有效版本；查询历史时期的问题时，才能按对应日期读取历史版本。

文件进入知识库前至少核对标题、来源、版本、生效日期、内容负责人、保密级别、可检索文字和附件关联。扫描件、复杂表格、图表与附注，需要人工抽查解析是否保留原意。拆分段落时保留所在文档、章节、时间和权限信息，否则AI即使检索到一句话，也可能丢失适用条件。

权限不能在文档切块时丢失

这是比“AI答得准不准”更优先的上线问题。OWASP的RAG安全指南特别强调：源文档的访问控制必须延续到被切分、嵌入和检索的每个数据片段，不能只在导入时检查权限。员工今天有权看到的资料，不代表他调岗之后仍有权查询；因此系统还需在查询时按照当前身份校验权限。

例如人事部门的薪酬文件被切分成数百个向量片段，如果系统只记录文件内容、不记录片段对应的可读角色，普通员工可能通过语义搜索取回本不该看到的薪酬信息。此时即便模型回答完全准确，项目也不应该通过上线验收。

企业可以把权限检查设计成三道关：内容入库时标记分类和权属，查询时按用户身份过滤可检索范围，输出前对高敏感字段再做保护。第三道关是补充防线，不能代替前两道。第三方服务商、缓存、日志和导出文件是否继承同样规则，也要进入审查。

权限与数据治理的边界，往往和AI Agent安全怎么做？企业上线智能体必须管住的5类风险与执行权限中的风险框架直接相关，建议在数据准备阶段就同步对齐。

AI答错时，怎么判断是数据、检索还是模型的问题

旧文章中“RAG大多数失败出在数据”这一说法太绝对。企业实际需要的不是先假定责任方，而是沿着证据链逐步定位。

举一个示意场景（非真实客户案例）：员工询问今年差旅住宿标准，AI回答去年的金额。团队先查看引用：如果引用来自去年的正式文件，说明知识库版本策略存在问题；如果正确文件已被检索，却引用了错误条款，则要检查排序和回答环节；如果根本没有取回今年文件，则要检查索引更新与查询匹配。四种不同原因不能一律用“换一个更强的模型”解决。

还应把“引用到了文件”与“答案得到支持”区分开：同一份文档可能包含地区、职级和日期例外，答案必须满足实际适用条件。评测样本要覆盖容易混淆的情形，而不是只测标准问法。

这一定位方法与AI Agent怎么评测？从Demo成功到生产上线的完整验证方法中的分层验证思路一致，可结合使用。

把数据准备变成能运行的业务流程

建议以一个制度问答场景建立以下流程，顺序可按企业条件调整：

1. 业务确定范围。选定高频问题、可回答范围、禁止执行的操作，并确定最终业务责任人。
2. 数据负责人登记依据。找到权威内容和历史版本，写清适用期、维护人、访问范围。
3. 技术团队接入与核对。导入或连接内容，检查解析质量、检索准确性与权限继承。
4. 业务专家验收。使用实际问题、历史错误、越权请求和资料缺失问题，逐项记录结果。
5. 带限制上线。最初只允许查阅和建议，敏感场景保留人工复核；持续观察引用、拒答和错误反馈。
6. 变更后再测。文件更新、权限调整、模型或检索配置变化时，重跑相关评测；无法修复的错误可以让特定资料暂时退出检索。

角色不能写成“IT负责数据质量”。数据内容是否正确应由业务Owner确认，IT负责接入、运行与控制，AI产品负责人协调评测与使用反馈。更新频率也不是一律“到了复核日就删除”：可以标记过期、暂停对外回答、通知负责人，保留必要历史记录以支持审计。

什么条件下可以试点，什么时候必须暂停

可开始受控试点的基本条件是：业务任务清楚，关键数据有权威来源和负责人，原始内容与检索权限可追溯，针对该业务有一组真实验收题，遇到不确定信息会拒答或转人工。具体准确率应由业务风险确定，而不是使用通用的“必须90%”标准。

应暂停上线的情况包括：重要数据存在无法解释的冲突；没有人有权确认政策是否生效；权限继承失效；Agent可能根据过期数据自动执行不可逆操作；质量评测无法发现这些问题。在这些场景中，“先跑起来再优化”可能把数据缺陷扩大为业务风险。

当多部门反复接入相同数据、口径持续冲突或安全控制无法一致执行时，再考虑投资共享数据层、目录与统一检索服务。不是禁止企业级数据治理，而是以重复需求和可核价值决定建设范围。

对于中国企业管理者，首先值得批准的不是一项没有边界的“全域清洗工程”，而是一套可用于一个业务场景的数据责任、版本、权限和验收方法。它跑通后，才知道哪些部分值得平台化复用。

数据来源

• Lack of AI-Ready Data Puts AI Projects at Risk｜Gartner｜2025-02-26
• Gartner Predicts 60% of Organizations That Ignore Data Governance Culture Challenges Will Fail to Govern AI Successfully by 2027｜Gartner｜2026-09-21
• RAG Security Cheat Sheet｜OWASP｜访问于2026-10-10

想把这套打法用到你自己的业务上？

如果你的团队正卡在“数据没治理完，AI不能开始”和“先上线再优化”之间，不妨用AI顾问把本文的五个问题和四层排查表变成你自己场景的诊断清单，先看清最该先补的是哪一块。

💎 核心承诺：先诊断、再合作，思路不对不推进。

专属咨询热线：400 822 8832

扫码加顾问 Ben 评估