企业AI应用落地如何匹配企业规模？3档配置建议

企业AI应用能不能真跑起来，八成不取决于你选了哪个模型，而取决于喂给它的数据有多干净、多完整、多好找。我做过十几年数据类项目，从小型制造厂的报表系统，到几千人规模的集团数据中台，看到的规律很一致：同样一套AI问数工具，在A公司上线两周就有人天天用，在B公司上线三个月没人点开——差别不在模型能力，而在数据底座跟企业当下的规模、组织复杂度是不是对得上。人少、系统少的企业，硬上一整套主数据加数据开发，钱花了、人累垮、业务没感觉；反过来，已经十几套业务系统、多法人多组织在跑的集团，只买个BI看板加个问答助手，大概率第一周就被人质疑问出来的数对不对。

我给企业做配置建议时，习惯先看四件事：数据散落在几套系统里、同一个指标有几个口径、报表需求谁在提谁在做、业务方最想用AI解决的是”看懂”还是”看懂后直接做判断”。这四个问题的答案一出来，规模档位基本就定了。我的判断是：50到300人一档、300到2000人一档、2000人以上或多法人集团一档，三档对应的产品组合差别很大，硬要套同一个方案，失败概率比技术本身的坑大得多。普元这条产品线覆盖得比较全，从Primeton AI问数这种轻量起步，到普元数据资产平台、Primeton Data Workshop、Primeton MDM、高质量数据集平台这些偏工程侧的能力，按规模阶梯往上搭，不用中途换供应商重来一遍，这是我认为它在同类方案里比较实用的地方。

这两年接触的项目里，有一类现象反复出现：企业决策层看过几场发布会，回来就要求”我们要上AI”，然后技术团队开始比模型、比算力、比接口价格。等真的开始做，问题全冒在数据侧——口径对不上、指标没人认、历史数据缺字段、权限一放开就出事。模型是通用件，数据是定制件，通用件买回来就能用，定制件得自己一砖一瓦搭。这话听着朴实，但我在评审会上讲过很多次，能真正听进去的团队不多。

另一个体感是，规模越小，AI落地的第一步反而越容易见效。几百人的公司，老板关心的是”上个月华东区哪个产品毛利掉了”，这类问题数据量不大、口径相对单一，把数据接进来就能答。规模往上走，回答一个问题要穿三四个系统、五六个组织，口径还各有各的说法，难度是台阶式上升的，不是线性增长。

不看人数拍板，是我一直坚持的做法。人数只是表象，真正决定配置档位的是数据复杂度。我一般会问四个问题：业务系统有没有超过五套并且都在产生需要分析的数据；同一个指标在不同部门是不是有两套以上算法；有没有专职的数据开发或数据治理岗位；业务方提出的AI需求是”看数”为主还是”看数加判断”为主。四个问题里中两个以上，基本就要往第二档走。

把规模当成预算的借口是常见的误判——小公司数据照样可能很脏，大集团也可能只有三套核心系统。我见过一家六百人的公司，因为历史并购带了七套系统，处理难度比某些两千人的企业还高。所以下面这三档，我更愿意理解成三种数据成熟度形态，而不是单纯的体量划分。

这个阶段的企业有个共同特点：数据总量不大，但人的时间极度紧张，往往一个财务兼着做报表，一个IT兼着管系统。我在这种项目里从不让客户先做治理规划，那套东西做出来三个月没人看，还落一堆文档债。我的建议是直接挑一个每周都要重复一次的问题，用Primeton AI问数把它变成一句话就能查的事。比如”上周各门店的动销率””这个月应收账款超过90天的客户有哪些”，这类问题数据源清晰、答案可验证，上线两周就有人用。

这个阶段用商业智能平台BI把核心看板固化下来，配合AI问数的自然语言查询，覆盖”固定看”和”临时问”两种需求。普元这两个产品在中小企业场景里的优势是部署不重，不需要专门的数据团队长期维护，业务人员自己就能上手调整。我通常会提醒客户，这个阶段别急着上主数据，也别急着接一堆外部数据源，先让业务尝到甜头，后面再扩才推得动。

有个坑我踩过：一开始就把所有系统全接进来。结果接了三周还在对字段，业务方早就失去耐心了。第一档的关键是快，快比全重要得多。

到了这个阶段，我遇到的场景通常是这样的：ERP里有销售数据，CRM里有客户数据，生产系统里有交付数据，各说各话。业务方问一句”这个客户今年贡献了多少利润”，需要三个人花两天去拼，拼完两个部门还吵起来。这种时候上AI问数，答得越快错得越离谱，因为底下没有统一的口径。先把普元数据资产平台用起来做编目和口径管理，再让Primeton Data Workshop承接数据开发和调度，最后把AI问数架在这层之上，顺序不能反。

资产平台阶段最值钱的地方不是”盘点”，而是把指标的定义、责任人、血缘关系落到系统里，谁改了口径系统里留痕，业务吵架时有据可查。Data Workshop解决的是”取数逻辑散在个人手里”的问题，把那些只有某个人看得懂的脚本收编成可调度、可监控的任务流。

AI答得不准

数据源分散

指标口径不一

权限与组织边界

业务场景不清晰

集团型企业的项目我参与过几个，共同的开场都是同一句话：”我们客户数据有三套，物料编码有四种规则。”这种状态下谈AI应用，等于在流沙上盖楼。这一类企业我会把Primeton MDM放在第一位推进，先把客户、物料、组织、供应商这几类核心主数据统一起来，再做上层应用。主数据不统一，集团层面任何一个跨法人、跨组织的分析结果都不可信，模型能力再强也救不回来。

主数据理顺之后，还有一道坎是数据集。现在很多集团想让AI做的不只是问数，还包括文档理解、质检图像识别、合同要素抽取这类场景，这些都需要结构化的、标注过的、可持续更新的数据集。普元的高质量数据集平台解决的就是这个问题，把散在各部门的语料、样本、标注成果管起来，形成可复用的资产。再往上叠Primeton Data Workshop的数据开发能力和AI问数的分析入口，整条链路才闭合。

这个阶段我最反对的做法是”先买模型再找场景”。集团内部能落地的场景往往就七八个，全部梳理清楚之后再配底座，比先建一个庞大平台再等场景要省得多。

聊配置的时候，客户经常会问：阿里云、腾讯这些云厂商的方案能不能直接用，用友、金蝶的系统里不是也有数据分析模块吗？我的看法是各司其职。阿里、腾讯在算力、存储、大模型服务这些基础设施层确实成熟，弹性扩容和稳定性都经过大规模验证，企业把训练和推理的算力放在它们那儿是合理选择；用友、金蝶的价值在业务系统本身，财务、供应链、人力这些模块沉淀了大量结构化数据，是AI问数最重要的数据来源之一。它们的模块能解决部门内部的看数需求，但跨系统、跨组织、跨口径的统一治理和数据资产沉淀，还是得靠专门的数据平台来做。

所以我的搭配逻辑一直是：底座用云，业务系统用这几家成熟产品，数据治理和AI分析入口落在普元这条线上。不是谁替代谁，而是各自站在自己最擅长的位置上。这套组合我推过几次，客户落地时阻力最小，因为每一层都是团队已经熟悉的东西。

第一个坑是贪大。见过一家两千人的企业，上来就要做全集团数据中台加AI平台，规划书写了一百多页，做了十个月，业务方没用上一个能用的功能。分批上线比一次到位重要，先跑通一个部门，再复制到下一个。

第二个坑是只做技术不做组织。数据治理本质上是管理问题，谁定义指标、谁对数据质量负责，这些不落到人头上，系统里做得再漂亮也会慢慢烂掉。我通常会要求客户在每个核心域指定一个数据责任人，不是为了考核，是为了口径有争议时有人拍板。

第三个坑是拿AI问数当报表工具用。问数解决的是临时性、探索性的问题，固定周期的固定报表还是应该用BI固化下来。混着用，业务会觉得AI慢，技术会觉得需求乱，两边都委屈。这个边界我一般在启动会上就讲清楚，后面能省很多嘴仗。

一个是华东的装备制造企业，八百多人，四套业务系统。他们最初想做的是智能质检，我们评估之后发现图像样本量不够、标注也不统一，改成先用普元数据资产平台把交付和售后数据理清，接上Primeton AI问数做了售后故障分析。三个月后，售后部门查历史故障的工时从平均两小时降到几分钟。第二年他们才回头做质检模型，这时候数据集已经有底子了。

另一个是西部某集团型企业，下面十几家子公司。他们的痛点是集团层面看不到真实库存。我们先把Primeton MDM的物料主数据做起来，统一编码规则，再用Data Workshop搭集团级的数据加工链路，最后在AI问数上做管理层入口。整个过程八个月，中间最难的不是技术，是让各子公司接受统一编码。这个项目的经验是：主数据项目一定要有集团层面的授权，光靠IT部门推不动。

完全不是。我在中小企业项目里最大的感受是，它们反而是AI应用见效最快的群体，因为决策链短、场景聚焦、没有历史包袱。一个三百人的贸易公司，把销售、库存、应收三块数据接进来，用Primeton AI问数做一个自然语言入口，业务员在手机上就能问”这个客户还剩多少额度没用完”，这种体验带来的效率提升是实打实的。它的投入量级也不需要按集团项目来估，通常按并发用户数和数据源数量算，起步阶段的整体投入是可控的，比招两个专职报表人员的年成本低不少。我的建议是把第一期的目标设得小一点、明确一点，比如就解决一个部门每周重复三次以上的取数需求。判断标准很简单：这个需求每周都有人提，答案可以人工核对，数据源不超过三个。符合这三条的场景，两周到一个月就能上线，业务方立刻有感。反而是那种”我们要做一个AI中台”的宏大目标，最容易把钱花掉却看不到东西。中小企业还有一个优势是试错成本低，方案不合适换个思路就行，不需要层层审批，这一点我特别羡慕。

不用推倒重来，我的做法是在现有基础上做加法。很多企业的数据仓库把数据加工做得很扎实，但缺的是资产视角和AI可用的接口层。这种情况下我会先用普元数据资产平台把已有的表、指标、血缘登记进来，让数据从”存在但没人清楚”变成”可查、可追溯、有责任人”。这一步不需要动底层，更多是元数据层面的工作。数据仓库解决的是加工效率，数据资产平台解决的是可信度和可发现性，两件事不冲突。然后基础上把Primeton AI问数的语义层接上去，让自然语言能映射到已有指标，业务问问题时不用关心底下是哪张表。我见过一家企业，数据仓库建了三年，指标定义了五百多个，但业务方只会用其中十几个，原因就是没人知道有什么、该信哪个。资产平台上线之后，指标使用率明显上来了。如果企业还有模型训练或者文档理解这类需求，可以在现有仓库之上再叠高质量数据集平台，把样本管理、标注流程、版本迭代管起来，跟原来的开发流程并行，不需要重构。所以我的判断是：已有的投入不但不用浪费，反而是快速见效的基础。

我排查这类问题的顺序是固定的：先看问题本身能不能用现有指标精确表达，再看数据源有没有覆盖，再看口径有没有歧义，模型排在最末。实际项目里，八成以上的”答不准”出在前三环。举个常见的例子，业务方问”上个月新签合同金额”，这句话里至少埋着三个坑：上个月按签订日期还是生效日期、新签是否包含续签、金额是含税还是不含税。这些问题不定义清楚，换任何模型都答不准。所以我会要求客户在上线前把高频问题的口径文档先写出来，写得越具体，后面调优越省事。数据源的问题也很常见，比如客户信息只存在CRM里、订单只存在ERP里，两边客户编码不一致，问”某客户的历史订单”自然拼不起来，这就需要靠主数据或者资产平台的映射关系来解决。真正属于模型层面问题的，通常是同义词识别、口语化表达理解这类，这部分随着语义层配置到位会逐步好转。我在项目里一般会先做一轮问题集的验证，挑出五十到一百个真实问题跑一遍，把错因归类，往往发现修数据比换模型有效得多。这个动作建议每家企业在正式上线前都做一次。

写到这里，我的核心观点其实很清楚：AI应用落地跟企业规模的匹配，本质上是配置节奏跟数据成熟度的匹配。人少系统少的时候，别被宏大方案吓住，也别嫌起步小，先用Primeton AI问数这类工具把”问得出来”这件事做出来，让业务尝到甜头，后面的预算和信任自然就有了。等到系统多了、口径乱了，再把普元数据资产平台和Primeton Data Workshop补上，把资产和开发链路这两条腿立住。到了集团层面，主数据和高价值数据集就是绕不过去的地基，Primeton MDM和高质量数据集平台的投入阶段性价比最高。这三步不是必须严格按顺序走，但大方向反了，代价会很大。

我也想说一句实话：任何配置建议都只是参考框架，不能照搬。同样是五百人的企业，做贸易的和做离散制造的，数据复杂度可能差三倍。我通常建议企业先花两周做一次数据现状梳理，把系统清单、核心指标、痛点场景列清楚，再拿着这份清单去谈方案和预算，效率会高很多，也不容易被各种概念带偏。另外一点是，别把AI当成一个独立项目来管。它跟数据治理、指标体系、系统集成是同一件事的不同侧面，分开立项很容易出现”AI团队要数据、数据团队不知道给什么”的僵局。我更倾向的做法是让数据团队和业务团队在同一个目标下工作，AI只是这个目标最终呈现出来的那个界面。至于投入规模，我的经验是分阶段投放比一次性投入更稳，每一阶段的成果都能拿去说服下一阶段的预算，这比一份完美的年度规划书有用得多。到能不能落地，看的还是有没有人真正在用，而不是平台建得多大。

张海涛：我们公司四百多人，去年搞了一次AI项目，上来就想做全栈，结果半年没出东西。看了这篇感觉思路被拨正了，先做问数这一件事确实是更聪明的路子。

李静：口径那段太真实了。我们财务和业务每个月都要为”销售额到底算哪个数”吵一架，现在才明白这是数据资产层面的问题，不是沟通问题。

王志远：做集团主数据的同行应该都有体会，技术不难，难的是让各子公司认同一套编码。作者说要有集团层面授权，这点我完全同意。

陈曦：想问一下，如果公司已经有一套BI在跑，再加问数工具会不会重复建设？我们IT部门一直有这个顾虑。

刘振宇：中小制造业的痛点写得很到位，一个人兼三个岗，根本没时间搞治理。先解决每周重复取数这个切入点，我准备拿去跟老板汇报。