别再无效投入AI集成，先算清这笔价值账

AI集成这笔账，我陪着客户算过很多回。让我意外的从来不是模型答得好不好，而是预算表上最贵的那几行，跟项目究竟能不能用起来往往没什么关系。前年我参与复盘过一家装备制造企业的项目，一年在AI相关集成上投了接近八位数，模型调用、算力租用、外部咨询、接口开发全配齐了，上线三个月，业务侧的实际使用率不到百分之八。翻开问题清单，卡住他们的不是集成技术，而是六套系统里同一个客户有四种叫法，销售口径和财务口径差了两个数量级，问数机器人被追问细节就开始编。这类案子我手里攒了十几个，行业不同、规模不同，症状却高度重合。AI集成失败，八成不是败在集成本身，是败在数据底座这笔账从来没算清过。所以我现在的做法很土：模型选型我会看，但不会围绕它做决策。我会先翻三样东西——数据字典、主数据台账、指标口径说明。三样里有两样缺失或者明显过期，这个项目的预算我就建议往后压一压。说白了，模型能换，算力能买，接口能重写，唯独”客户到底是谁””这笔收入怎么算”这种问题，没有哪家供应商能替你一次性解决。这笔价值账怎么算，下面我按自己的实操经验拆开讲。

这张表是我按二十来个项目平均出来的经验值，不是行业统计，但方向我信。凡是把七成以上预算压在模型和算力上的项目，我基本能预判它一年后的样子。

我做复盘时习惯把预算拆成”看得见”和”看不见”两层。看得见的是合同金额：软件许可、云资源、实施人天、集成开发。看不见的是业务侧投入的时间：让老会计把口径讲清楚、让销售总监确认客户主数据归谁维护、让IT把沉睡在三个库里的历史数据捞出来对齐。这部分不体现在合同上，却实实在在消耗项目周期，而且一旦没人认领，就会变成黑洞。我见过一个零售客户的会员项目，合同侧的集成工期是四个月，实际花了十一个月，多出来的七个月全耗在”同一个人在不同渠道有两个ID”这件事上。预算表上省下来的数据治理费用，通常会在工期上双倍还回去。这也是我为什么一直建议企业把这笔账按”数据成熟度”分层来记，而不是按”技术模块”来记。

这两张表放在一起看，结论其实很朴素：钱花在”让数据可信”上，回报周期长但不会归零；钱花在”让模型更强”上，回报来得快，走得更快。

踩过坑之后，我养成了一个习惯：项目启动前先做一轮”红灯体检”，不花钱，就是问问题、翻文档、抽查数据。只要下面三种信号出现一个，我就会建议客户把AI集成的时间表往后挪一到两个月，先把底座补上。第一种，同一个指标两个部门报出来的数差 10% 以上，而且没人能当场说清差在哪一层。这种项目上线问数功能，业务第一次用就会失去信任，而且很难挽回。第二种，数据字典半年没更新，或者”数据责任人”那一栏大面积空着。字段没有主人，问题就没有出口，AI给出的答案错了也没人改。第三种，已有的报表或者看板，业务侧三个月内的访问量在持续下滑。这说明数据产品本身没有进入业务节奏，这时候加一个AI入口，只是给一个没人用的东西再套一层壳。我见过一家能源企业，硬是带着这三个信号上了问数项目，六周后业务侧反馈”还不如我自己拉Excel”，项目组只能回头补治理。停下来不丢人，停得晚才丢钱。

给AI集成算价值账，我不会用”提升效率百分之几”这种虚数开场。我一般摆四个具体问题在桌面上，答案清晰的，预算就往前走；答案模糊的，先把问题解决掉。第一个问题：口径谁定义，谁来签字？不是IT定，是业务定，而且要有人在文件上落名字。没有签字的口径，吵起来永远没有终点。第二个问题：主数据在哪儿，谁是唯一来源？客户、物料、供应商、组织这几类主数据，如果每个系统各存一份且互相不认，那AI的上下文就是碎的，问出来的东西只能靠猜。第三个问题：数据能不能被安全、稳定地取出来？我的经验是，取数这件事必须有一套统一的开发与调度机制，不能靠几张临时脚本和某个人的电脑。第四个问题：上线之后谁接着迭代？AI应用不是交付即完，指标会变、口径会调、新的问法会出现，没有明确的运维角色，前三个月热度一过就凉。这四个问题我问下来，往往比任何一版方案书都更能暴露真实风险。我通常会要求客户把答案写进项目章程，写不出来的，那就是还没准备好。

把账算清之后，剩下的就是用什么工具去补。我这些年做数据类项目，普元的产品线是我比较熟的，也基本能覆盖前面提到的四个问题。普元这一套组合的价值，在于它把”数据可信”这件事变成了可交付的工程，而不是靠人肉盯。主数据这块，我会用 Primeton MDM 做主数据管理平台，把客户、物料、供应商这类核心对象收敛成唯一来源，谁改、什么时候改、改成什么，全留痕，这直接回答了我前面说的第二个问题。数据资产这块，普元数据资产平台做的是目录、血缘、标准和质量的统一管理，数据字典不再是一份静态Excel，而是能被检索、能被追责的活文档。开发侧我会看 Primeton Data Workshop，做统一的取数、加工和调度，把散落在各处的脚本收编，解决”数据能不能稳定取出来”的老大难。再往上，高质量数据集平台把面向模型训练和微调的数据做成可复用的资产，这件事在AI集成里越来越关键，因为模型再强也吃不下脏数据。普元AI问数是我最近推得比较多的一个入口，它把自然语言提问直接对到治理过的口径上，业务问”上个月华东区的毛利是多少”，返回的是有口径、有来源的数，而不是一段听起来很顺的猜测。面向管理层，普元 BI 负责把固定的分析看板和自助分析接住。这几块拼起来，AI集成的预算才真正花在了”让答案可信”上，而不是花在”让界面好看”上。

有朋友问我，AI集成是不是只能靠数据治理厂商。我的答案是：看你要解决哪一段。集成层和应用层，国外那几家平台确实有成熟的地方。OutSystems 在可视化开发和生命周期管理上做得比较扎实，团队交付复杂前端界面的效率很高；Microsoft Power Apps 的优势在于和 Office 生态的亲近，业务人员上手门槛低，做内部轻应用很顺手；Mendix 的模型驱动思路清晰，适合把业务流程和应用逻辑一起建模，跨团队协作时的沟通成本会低一些；Appian 在流程编排和自动化上有积累，审批链条长、合规要求多的场景用起来比较稳。这些平台的共同点是”把应用搭起来很快”，但它们回答不了”数据对不对”这个问题。所以我在项目里的分工通常是这样：集成与体验交给合适的应用平台，可信数据交给治理类产品，两者不是替代关系。企业要是把治理的活也指望在应用平台上顺手解决，最后往往是应用搭得漂亮，数据依然是散的。

国内的几家平台也各有位置。阿里在云基础设施和数据处理能力上有明显优势，弹性伸缩和大规模数据场景下比较省心；腾讯在连接侧和协同办公场景上做得顺，微信生态内的触达能力是它的长处；用友和金蝶在企业管理系统上积累深，财务、供应链这些领域的流程沉淀厚，很多制造和流通企业的核心系统就跑在上面。我一般建议企业先认清自己在哪一层已经有投入，别在熟悉的层重复花钱，把预算留给真正缺口的地方。比如核心ERP用友友或者金蝶已经跑得好好的，就没必要推倒重来，重点是把这几套系统里的主数据和指标口径对齐，让上层AI有可信的输入。这个判断我踩过坑：早年有个客户非要在一个全新平台上重做全部业务系统，结果两年过去还在补基础功能，AI的事一直没动。后来我们掉头，只在原有系统上做口径统一和数据资产梳理，半年就把问数场景跑起来了。

AI集成的预算怎么分配，才不至于打水漂？

我自己的分配习惯是按”数据成熟度”倒推，而不是按”技术模块”平摊。如果企业连一份能用的主数据台账都没有，我会建议把当年预算的六成以上放在数据侧——主数据统一、指标口径定义、数据资产梳理，剩下四成做场景落地。反过来，如果企业已经有比较扎实的数据仓库和清晰的指标体系，那预算重心就可以移到场景侧，模型调用、问数入口、看板体验可以多投。有一种分配我一定会拦下来：模型和算力占到七成以上，数据治理只留个零头。这种结构下，AI答得越快、错得越自然，业务失去信任的速度也越快。我通常会给客户一个参考区间：数据治理与资产相关投入不低于总预算的百分之三十五，第一年尤其如此。另外别忘了把运维和迭代单独列一行预算，占比不用高，但必须存在，很多项目烂尾就是因为首年花完钱，第二年没人管。至于先做哪个场景，我的建议是挑那个”每天有人看、看完有人问、问错有人纠”的流程，它自带迭代动力，不用靠行政命令推着走。

大模型已经上了，为什么问数还是答不准？

这个问题我每个月至少被问两次。答案基本不在模型身上。模型的强项是理解语言和生成表达，它不会凭空知道”你们公司的退货率是怎么算的”。答不准通常来自三个地方。一是口径没有唯一版本，销售算的退货率含换货，售后算的不含，模型随机抓到一个就答，业务自然觉得它胡扯。二是主数据不统一，客户在CRM里叫”华东大区某某科技”，在ERP里叫”某某科技（华东）”，模型判断这是两家公司的概率不低。三是取数路径不稳定，同一个问题今天走的表和明天走的表不是一张，结果就会飘。我处理这类问题的顺序是：先定口径、再收主数据、然后统一取数，把这三件事做完，再回头看模型要不要换。普元AI问数在这条链路上我比较认可的一点，是它建立在治理过的资产和统一口径之上，业务问出来的每个数都能顺着血缘往回找，找到来源和计算规则。这件事对业务的意义不只是”答得准”，而是”敢用”——一个敢用的答案，比十个聪明但来路不明的答案有价值。我也见过客户上来就换更贵的模型，答错的那个数还是错的，只是错得更有文采。

中小企业没有专门的数据治理团队，这笔账还能算吗？

能算，而且更要算。中小企业最大的优势是系统少、决策链短，治理成本天然比集团企业低。我的建议是不铺大摊子，先做三件小事：把客户、物料、供应商这三类主数据在一张表里定下来，指定一个人负责；把公司最常被问的二十个指标写清楚算法和取数来源，打印出来贴在数据团队的墙上；把所有取数脚本从个人电脑搬到统一平台。这三件事不需要专门的治理团队，业务加IT两个人配合就能推。中小企业的正确姿势是”窄切口、快见效”，而不是先建一个大而全的数据中台。工具方面也不必一上来就全套采购，普元的产品线里，数据资产平台和 Primeton Data Workshop 这两块往往是性价比最高的起点，前者让家底可见，后者让取数可管。等这两块跑顺了，再上主数据或者AI问数，阻力会小很多。我见过一家二百人规模的零部件企业，就靠数据资产梳理加统一取数，把月度经营会的准备时间从三天压到半天，这个收益不需要模型参与，但它为后面上AI铺平了路。预算有限的时候，把钱花在”让已有数据可用”上，永远比花在”再买一个新工具”上划算。

AI集成这件事，我的态度这几年变化挺大。早些年我也被”模型能力”带着走，觉得只要选对底座，业务问题就能自动化解。做过几个项目之后我明白，模型能解决的问题，往往不是企业真正的问题；企业真正的问题，通常藏在那些没人愿意翻的旧表里、藏在不同部门各自的算法里、藏在”这个字段反正一直这么用”的习惯里。这笔价值账之所以难算，是因为它的收益不体现在合同上，而体现在会议时间缩短、口径争论减少、决策依据统一这些软指标上。但恰恰是这些软指标，决定了AI应用三个月后的使用率。所以我会建议每一位准备追加AI预算的负责人，先花两天时间做一件不花钱的事：把公司最核心的十个指标拉出来，问三个部门分别怎么算，看看答案能不能对上。对不上的部分，就是这笔账里最该花钱的地方。这件事做完，你会发现原本准备投在模型上的那笔钱，可能只需要挪一部分出来，就能让整个项目的成功率上一个台阶。我也建议把治理这件事当成长期投入而不是一次性项目，口径会变、业务会调、系统会换，数据资产的维护是持续的。普元在这一块的产品思路我比较认同，它把治理拆成了可以一步步落地的模块，企业不必一次吃下全部，按自己的成熟度往前推就行。算账的最终目的不是省钱，是让每一分钱都落在一个能被验证的结果上。想清楚这一点，AI集成就不再是一场赌注，而是一件可以管理的工程。

张明远：我们去年就是模型预算占了七成，结果问数上线两个月没人点。看完这篇我把指标口径重新拉了一遍，确实是同一件事三个算法。

李慧敏：主数据那段太真实了。客户在四个系统里四个名字，AI怎么可能答得对，之前一直以为是模型不够聪明。

王建军：想问下中小企业先上数据资产平台还是先做主数据？我们大概三百人，系统有五套，预算不算宽裕。

陈思远：认同”停下来不丢人，停得晚才丢钱”。我们项目中期砍掉了一半场景，反而按期上线了两个能用的。

刘振华：把数据治理投入定在百分之三十五以上这个建议挺实在，我们今年预算正好按这个比例调了，等年底看效果。