很多企业谈 AI，先讨论的是选哪个模型、买哪款工具。但真正动手后才发现，卡住项目的往往是另一件事：客户资料重复、产品编码不统一、关键数据散落在各人的表格里，没人说得清哪个数字是对的。AI 落地的第一道门槛通常不是模型，而是数据：数据不准、不全、找不到，或者没人负责。
那么，企业在推进 AI 之前，究竟要先把哪些数据理好？本文将介绍为什么 AI 项目的瓶颈常常在数据、企业里最常见的五类数据问题、“AI 就绪的数据”应具备的条件，从一个业务场景出发准备数据的七个步骤，以及如何用简单的指标判断数据是否准备到位，最后回答几个常见问题。
为什么 AI 项目的瓶颈常常在数据？
AI 的输出质量取决于它能看到的数据。数据中的错误、缺口和矛盾，不会被 AI 自动纠正，反而会被它以更快的速度、更大的规模放大。
多项调查都指向同一个问题：
- 多数企业的数据管理还没跟上。 Gartner 2025 年 2 月发布的调查显示，在 2024 年 7 月受访的 1,203 名数据管理负责人中，63% 表示所在组织不具备适合 AI 的数据管理实践，或者不确定是否具备。Gartner 同时预测，到 2026 年，缺少“AI 就绪数据”支撑的 AI 项目中，60% 会被企业放弃（来源）。
- 成熟企业同样绕不开数据。 Gartner 2024 年第四季度对美国、英国、法国、德国、印度和日本 432 名受访者的调查发现，无论 AI 成熟度高低，数据的可用性和质量都是 AI 实施的首要挑战之一：低成熟度组织中有 34% 的负责人这样认为，高成熟度组织中也有 29%（来源）。
- 数据问题直接缩小了 AI 的使用范围。 德勤 2024 年 5 月至 6 月对 14 个国家 2,770 名总监至高管级受访者的调查显示，55% 的组织因为数据相关问题而回避了某些生成式 AI 用例；75% 的组织因生成式 AI 增加了数据管理方面的投入（来源）。需要注意，这项调查的受访者都具备 AI 经验、且已在试点或实施生成式 AI，比一般企业走得更远。
为什么数据问题在 AI 项目里格外突出？原因有两点。第一，传统报表出错时，看报表的人往往能凭经验发现“这个数不对”；而 AI 会直接基于错误的数据给出建议，甚至自动执行操作。第二，AI 对数据的要求更“挑剔”。Gartner 指出，AI 就绪的数据必须能代表具体的使用场景，包括其中的各种规律、错误、异常值和意外情况（来源）。
例如，一家分销企业想用 AI 预测各仓库的补货量。如果历史销售里混着大量退货冲销、缺货期间的零销量被当成“没有需求”，模型学到的就是一套错误的规律，预测越“自信”，补货偏差越大。
企业里最常见的数据问题有哪些？
大多数企业的数据问题并不神秘，而是长期积累下来的日常管理问题。这些问题平时只是“麻烦”，到了 AI 项目里就会变成“障碍”。
同一客户有多种写法。 销售录入“华东某某贸易有限公司”，财务录入“某某贸易（上海）”，客服系统里又是一个联系人手机号。例如，AI 在分析客户价值时，可能把一个年采购额很高的大客户拆成三个普通客户，信用额度和优惠政策也随之出错。
主数据不统一。 主数据（Master Data）指客户、供应商、产品、物料、员工等相对稳定、被多个流程共用的基础数据。例如，同一款产品在销售系统、仓库和财务里各有一套编码，AI 想回答“这款产品的真实毛利是多少”，就要先猜哪几个编码是同一件东西。
数据散落在表格和不同系统里。 价格表在采购主管的电脑上，促销规则在邮件附件里，门店的库存调整记录在聊天群中。这些数据 AI 既访问不到，也分不清哪个版本是最新的。
口径不一致。 不同部门对同一个指标的理解不同。例如，销售部的“销售额”含税、不扣退货，财务部的“销售额”不含税、已扣退货；“准时交付”有人按承诺日期算，有人按客户要求日期算。AI 在两套口径之间给出的答案，注定有一方认为是错的。
没有人对数据负责。 发现客户地址错了、产品规格过期了，却不知道该找谁改；每个部门都在用数据，但没有人对它的准确性负责。Gartner 高级总监分析师 Sally Parker 在 2026 年 5 月的伦敦数据与分析峰会上指出，数据治理成熟度低的组织明显更可能无法实现 AI 的价值；同一场分享中还提到，只有 26% 的组织把文化与沟通纳入了数据与分析治理策略（来源）。这说明，数据管理不只是技术问题，更是分工和习惯的问题。
什么样的数据才算“AI 就绪”？
“AI 就绪”不是指企业所有数据都完美无缺，而是指支撑某个具体 AI 场景的那部分数据达到了可用的标准。判断数据是否就绪，要从场景出发，而不是从数据库出发。
下表列出了 AI 就绪数据通常需要满足的六项条件，可作为自查清单：
| 条件 | 含义 | 自查问题 | 常见反例 |
|---|---|---|---|
| 完整 | 场景所需的字段和记录基本齐全 | 关键字段的缺失比例是多少？ | 三成订单没有填写客户行业 |
| 一致 | 同一对象、同一指标在各系统里含义和写法相同 | 同一客户、同一产品是否只有一个标识？ | 一个客户在三个系统里有三个名称 |
| 及时 | 数据更新的频率满足场景要求 | 数据多久更新一次，AI 用的是不是最新版本？ | 库存每晚才同步，白天的 AI 回答总是滞后 |
| 可访问 | 数据存放在可被系统读取的位置和格式中 | 数据是否在系统里，而不是在个人电脑、邮件或纸质单据中？ | 价格政策只存在于某个主管的表格里 |
| 有权限与合规 | 谁能看、能用于什么目的，有清晰规则 | 是否涉及个人信息？使用目的是否合规？ | 把含客户手机号的完整名单直接发给外部 AI 工具 |
| 有负责人 | 每类数据都有明确的业务负责人和维护流程 | 数据出错时，知道找谁、多久能改好吗？ | 产品资料由谁更新“看情况” |
表中的条件需要按场景确定标准。例如，用 AI 起草营销文案时，对数据及时性要求不高；而用 AI 回答客户的库存和交期询问，数据就必须接近实时。
还有两点值得注意。第一，Gartner 强调，数据就绪是一个依靠元数据（描述数据的数据，如字段含义、来源、更新时间）来对齐、校验和管理数据的过程，而不是“一次性完成”的任务，需要持续改进（来源）。第二，合同、邮件、制度文件等非结构化数据同样需要管理：过期的制度文件如果仍在知识库里，AI 客服就可能按旧政策回答客户。
如何为 AI 准备数据？分步指南
为 AI 准备数据，最有效的做法不是先做一个覆盖全公司的“数据大工程”，而是围绕一个具体场景，把相关数据理到可用。先让一个场景的数据达标，再把方法复制到下一个场景。
第 1 步：从一个业务场景反推需要的数据。 先选一个价值明确的场景，再列出它需要哪些数据。例如，用 AI 自动核对供应商发票，需要采购订单、收货记录、发票、供应商资料和合同价格。列清单时，同时写下每类数据要达到什么标准。
第 2 步：盘点数据现状。 针对清单逐项确认：数据存放在哪个系统或文件里、由谁维护、多久更新一次、格式是什么。再抽取一部分样本检查质量，例如抽 200 张发票，看有多少能和订单、收货记录对上。盘点的产出是一份数据清单和问题清单。
第 3 步：清洗并统一主数据。 优先处理场景依赖最大的主数据，通常是客户、产品和供应商。先定规则，例如客户以统一社会信用代码或税号为唯一标识，再合并重复记录、补齐关键字段。更重要的是从源头控制：新增客户或产品时，必须按统一规则录入并经过审核，否则清洗完不久又会变乱。
第 4 步：统一指标口径。 把场景涉及的关键指标写成一份“指标字典”，说明每个指标的定义、计算方法、数据来源和负责人。例如，明确“毛利”是否扣除运费和返利。口径一旦确定，报表、看板和 AI 都使用同一份定义。
第 5 步：建立数据负责人和更新机制。 每类关键数据都应指定一位业务部门的负责人，例如客户资料归销售运营，产品资料归产品或采购部门，由他们对准确性负责。同时约定更新频率、质量检查方式和问题反馈渠道，让发现错误的人知道该找谁。
第 6 步：设定权限，确保合规。 按岗位设定谁能查看和使用哪些数据，涉及个人信息时尤其要谨慎。以欧盟《通用数据保护条例》（GDPR）为例，第 5 条要求个人数据的处理遵循合法公平透明、目的限制、数据最小化、准确性、存储期限限制、完整性与保密性等原则，并由数据控制者对合规负责、能够证明合规；第 25 条要求在设计阶段和默认设置中就落实数据保护，例如采用假名化、默认只处理必要的个人数据（来源）。在中国等其他地区经营的企业，也应对照当地的个人信息保护法规。实际操作中，向外部 AI 工具提供数据前，应先去除或替换不必要的个人信息。
第 7 步：小范围试运行，持续改进。 数据准备好后，先在小范围内运行 AI 场景，记录 AI 出错的案例，追查是数据问题还是模型问题。把发现的数据问题交给对应的负责人修正，并把检查规则固定下来。这样，第二个场景可以复用已经理好的主数据和指标字典，准备时间会明显缩短。
如何判断数据准备是否到位？
判断数据是否准备到位，不能只凭感觉，也不能等 AI 上线后看效果再说。最实用的办法，是为场景涉及的关键数据设几个简单、可定期统计的质量指标。
可以从以下几个方面入手：
- 重复率。 客户、产品、供应商中疑似重复的记录占多少。例如，每月统计一次名称相近、税号相同的客户记录数量，看是否在下降。
- 缺失率。 场景所需的关键字段有多少是空的，例如订单的交货地址、产品的规格和单位。
- 一致率。 同一数据在不同系统之间能否对上，例如 ERP 中的库存与仓库系统的库存差异，或订单金额与发票金额的差异。
- 更新延迟。 业务发生后多久能在系统里看到，例如门店的销售多久同步到总部、价格调整多久生效。
- 问题处理时长。 数据问题从发现到修正需要几天，有没有积压的问题没人处理。
这些指标不需要复杂的工具，起步阶段用一张每月更新的表格就能跟踪。关键是指标要有负责人、有目标值，并在管理例会上定期查看。例如，一家连锁餐饮企业准备用 AI 分析各门店的食材损耗时，先把“门店报损记录的缺失率”和“报损录入延迟”作为两个指标，连续跟踪两个月达标后才开始建模。指标稳定达标，才是启动 AI 场景的信号。
关于 AI 数据准备的常见问题
必须把所有数据都清理干净，才能开始做 AI 吗？ 不必。更务实的做法是围绕一个场景，只把这个场景需要的数据理到可用。全面的数据治理可以随着场景增加逐步推进。
中小企业没有专门的数据团队，怎么办？ 可以先在业务部门指定数据负责人，用简单的清单和规则管理关键数据。很多数据问题靠统一录入规则、定期检查就能明显改善，不一定需要复杂的工具。
已经上了 ERP 或 CRM，数据是不是就 AI 就绪了？ 不一定。系统只是提供了存放数据的地方，数据是否完整、一致、有人维护，取决于日常管理。另外，AI 场景常常需要把多个系统的数据结合起来，口径统一仍然必不可少。
数据准备工作应该由业务部门还是 IT 部门牵头？ 应由业务部门牵头、IT 部门支持。数据的含义和对错只有业务人员最清楚，IT 部门则负责系统、接口和权限等技术实现。两者缺一不可。
把企业数据交给外部 AI 工具安全吗？ 关键在于事先评估。应确认服务商如何存储和使用数据、是否会用于训练模型，并去除不必要的个人信息和敏感商业信息。涉及个人数据时，还要确认使用目的符合 GDPR 等适用法规的要求。
参考资料
- Lack of AI-Ready Data Puts AI Projects at Risk，Gartner，2025 年 2 月
- Gartner Survey Finds 45% of Organizations With High AI Maturity Keep AI Projects Operational for at Least Three Years，Gartner，2025 年 6 月
- Gartner Data & Analytics Summit 2026 London: Day 1 Highlights，Gartner，2026 年 5 月
- Despite increased investment and early enthusiasm, data and risk remain key challenges to scaling Generative AI, reveals new Deloitte Survey，Deloitte，2024 年 8 月
- Regulation (EU) 2016/679 (General Data Protection Regulation)，欧盟官方公报（EUR-Lex），2016 年 4 月
