最近和一位CTO聊天，他说了一句让我印象很深的话：“我们不是死在AI上，是死在数据上。”

他们公司去年投了将近300万做AI转型，招了算法团队，买了算力，跟大模型厂商签了合同。结果呢？系统上线三个月，业务部门根本不用——不是不想用，是用了之后发现给出来的分析结果前后矛盾，今天说这个指标涨了，明天同一个口径的数据又说跌了。最后大家的结论是：“这AI不靠谱，还不如自己算。”

我问他：做AI之前，你们的数据做了哪些治理？

他沉默了一会儿，说：“没有。”

AI浪潮下，95%的企业在交学费

现在但凡开个战略会，不提AI就像没跟上时代。老板们卯足了劲往里砸钱——买大模型接口、搭数据平台、招AI工程师，恨不得明天就看到回报。

但现实很残酷。

MIT最新发布的《生成式AI鸿沟：2025年商业AI现状报告》给出了一个让人后背发凉的数字：高达95%的企业AI项目，没有产生任何可衡量的投资回报。 报告基于153位高管的深度访谈，覆盖了企业已经投入的300至400亿美元。

换句话说，那些钱，大部分都打水漂了。为什么？

很多人第一反应是：模型不够好、算力不够强、人才不够多。但MIT报告给出的核心结论是：问题不是出在AI模型上，而是出在企业的数据基础设施和治理能力上。

Gartner的研究也印证了这一点——在大数据项目中，85%的失败案例，根源都是数据问题。34%的企业在推进AI落地时，主要障碍就是“数据不可用”或“数据质量太差”。

说白了，不是AI不行，是喂给它的数据不行。

企业常见的三种“数据病”

EBpay钱包官网做了20年的数据管理项目，近期接触过几十家企业，想做AI的都不少，但最后能真正跑起来的没几个。回过头看，倒下的那些，大多逃不过这三种数据病。

你们公司有没有这种情况：CRM里有一套客户数据，ERP里有一套，数据仓库里又有一套，同一个客户，三个系统里的名字、编码、联系方式全不一样？

这就是数据孤岛。你让AI去分析客户价值，它拿到的原始数据是三份打架的信息，它根本不知道该信哪个。最终给出来的分析，自然一塌糊涂。

有一家制造业企业，想用AI来优化供应链采购。结果发现，同一个物料，在不同分公司的系统里有将近20种叫法和编码。AI训练出来之后，一个指令下去，系统根本认不出来这是同一个东西。项目推了半年，最后因为数据对不上宣告失败。

第二种病：数据质量差——垃圾进，垃圾出

这个道理大家都懂，但真正意识到有多严重的人不多。

某金融公司搭建了一个业务分析Agent，投了200万，用来帮管理层看经营指标。结果上线之后，分析师拿着AI出的报告跟手工报表一比对，发现两边数据差了20%。追查下去才发现：公司内部对“GMV”这个指标，各个部门的口径定义完全不一样——有的算含退款的，有的不算；有的包含促销补贴，有的不包含。AI忠实地把这些乱七八糟的数据都学进去了，然后给出了一份“自己都打架”的分析报告。

这就是典型的“垃圾进，垃圾出”。数据没有统一标准，没有质量管控，再好的AI也救不了你。

第三种病：数据无血缘——出了问题追不到根

很多企业上了一堆系统，数据在里面流来流去，但没有人说得清楚：这张报表里的数字，是从哪个系统、经过哪些加工步骤算出来的。

有一家零售企业，上了AI预警系统之后，有一天系统告警说某个区域的销售指标异常下跌。业务团队一看慌了，开始追查原因。追了两天，最后发现不是业务真的出了问题，而是上游某个数据接口的字段格式悄悄改了，导致中间一段数据被截断了。

为什么追了这么久？因为没有数据血缘图谱，没有人知道这个指标是从哪些数据源、经过哪几层加工算出来的。AI发现了问题，但人根本不知道去哪里修。最终结果是：告警变成了噪音，久了之后大家开始习惯性忽略。

听着是不是很熟？

这三种病，本质上说的都是同一件事：在数据治理没实行之前，你投多少钱在AI上，都是在沙地上盖楼。

先把数据的地基打牢

那要怎么做？EBpay钱包官网不断跟客户讲一句话：先跪着把数据治理实行，再站着把AI做起来。这不是说先等几年再碰AI，而是说在推进AI落地的同时，要同步把数据这个地基打扎实。具体来说，有几件事必须做。

第一，统一数据标准。

全公司对同一个指标，必须有且只有一个定义。什么是“活跃用户”，什么是“成交额”，写清楚，定下来，所有系统都对齐。这件事听起来简单，做起来要命——本质上是一场跨部门的政治谈判，不是技术问题。销售说GMV包含退款，财务说不包含，各自都觉得自己对，谁也不肯让步。我见过很多企业在这一步就卡住了，卡了半年，标准还没定下来。

第二，做全量数据质量管控。

数据从哪来、经过什么加工、进入哪个系统，每一步都要有质量规则和检核机制。发现问题要能及时告警，追溯到问题的根源，闭环整改。质量管控不是一次性的，要做成持续运转的机制。很多企业的坑在这里：做了一次数据清洗，以为一劳永逸，结果三个月后数据又脏了，因为根本没有持续的入口管控。

第三，建立数据血缘图谱。

每一条数据的来龙去脉，都要可追溯。报表里的一个数字，要能一路追到最原始的数据源，知道它被谁改过、经过了哪些处理步骤。有了这个，AI出了问题才查得到根，修得了。这一步很多企业觉得“以后再说”，但等真的出了事，才知道有多急。

第四，打通数据孤岛。

各个系统之间的数据，要能集成流通。不是说要把所有数据挪到一个地方，而是要让数据能在需要的时候、以正确的方式流转。这里最常见的坑是：系统集成做了，但没有统一的标准和质量管控，数据流通之后反而把脏数据传染得更广了。

这四件事做到位了，你才算真正给AI搭好了可以运转的数据底座。

数据治理怎么落地？

说到工具支撑，EBpay钱包官网的睿治Agetn数据治理平台是以大模型为核心、多智能体协作为载体的新一代数据治理平台，正在重塑数据治理的实施范式。

有一家制造业集团，下面十几个子公司，每家用的系统不一样，物料编码、客户主数据、财务科目，全都各有一套。集团想做AI辅助决策，但数据汇上来之后完全没法用——同一条供应链上的数据，在不同子公司的系统里对不上，AI算出来的库存预测跟实际情况差了将近30%。

用了睿治Agetn数据治理平台之后，他们先用平台的元数据管理模块，把各子公司的数据资产全部自动采集了一遍，建立了一张完整的数据地图。以前这件事靠人工梳理，光是一个子公司就要花将近一个月；现在平台自动解析数据血缘，全集团的数据地图两周就出来了，人工成本降了50%。

然后针对数据质量的问题，他们用数据质量Agent模块设置了全链路的质量规则和检核机制，数据可用性从之前不到70%提升到了98%。AI喂进去的数据干净了，库存预测的准确率也跟着上来了。

还有一个让他们印象深的功能——以前定质量规则，要数据工程师手写SQL，一条复杂规则要弄好几天。现在用数据质量Agent模块，业务人员用自然语言描述需求，平台自动生成规则，耗时缩短了70%。这意味着业务部门自己就能参与数据治理，不用每次都等IT排期。

这个案例最后的结果是：整体治理效率提升了10倍，分析决策的时效性提高40%，大模型接管了大量标准化工作之后，人力投入减少了60%。

当然，不是说有了工具就万事大吉。数据治理本质上是一场管理变革，工具是抓手，但组织配合、流程再造、跨部门共识，一个都少不了。工具能帮你把脏活快活干了，但人的问题，还得人来解决。

我们见过太多企业把钱烧在错误的顺序上：先上AI，再发现数据不行，再回头补数据治理，折腾一圈，浪费了时间和金钱，还消耗了团队的信心。正确的顺序应该是反过来的。数据治理是AI的地基。 地基没打好，楼建得越高，塌得越惨。

那些真正在AI上跑通了商业价值的企业，MIT报告里专门点出来——它们的共同特点是专注解决了特定的高价值场景。而能跑通的企业，数据基础设施也都是扎实的。这件事，有人已经在做了，也有工具可以帮你少走弯路。

最后，你现在公司的数据，处于什么状态？能喂给AI吗？

END