AI集成如何匹配企业规模？3档配置建议

AI集成这件事，我很少先问客户想接哪个大模型。我通常先问三句话：你们手里有几个业务系统、主数据口径统一过没有、谁为数据质量签字。这三句话问完，大致就知道这家企业该配什么、不该配什么了。AI集成的成败，八成不在模型那一层，而在它脚下的数据底座能不能撑住企业当前的规模。我见过三百人的公司花大价钱买了一整套数据中台，上线半年只跑出两张报表；也见过两万人的集团，先用一个轻量的问数工具把老板最关心的十几个指标跑通，再回头补治理，反而推得动。

按我的经验，企业规模不是简单的人数概念，它实际对应的是三件事：数据源的数量、口径冲突的严重程度、以及一次错误决策的代价有多大。这三件事决定了你要买的是”接入能力”，还是”治理能力”，还是两者都要。我的建议是按三档来配：轻量接入档、治理增强档、体系化档。每档之间不是升级关系，而是不同阶段的合理选择，跳档反而容易翻车。

下表是我在项目里最常用的配置对照，先给个全貌，后面几节我会逐档拆开讲为什么这么配。

人数这个指标太粗。我见过八百人的公司，业务只跑一条主线，数据源就六个，治理难度比某些两百人的互联网公司还低。也见过四百人的公司，因为做的是多品牌零售，每个品牌一套订单系统，口径能吵到集团层面。

所以我在做选型评估时，会看五个维度：业务系统数量、主数据的分布状态、每日新增数据量、AI场景的跨域程度、以及一次错误数据的代价。前三个决定你要不要建治理底座，后两个决定你的AI集成能不能停在”问答”这一层。其中主数据分布状态是最容易被低估的一项，它往往直接决定项目会不会在第二期停摆。

下面这张表是我自己内部用的粗筛表，客户填完之后基本就能定位档位了。别人问你”你们公司多大”，你答人数；我评估”你该怎么配”，我答这五行。

小公司的AI集成，核心诉求就一个：让老板和业务负责人少问几个人就能拿到数。这时候最忌讳的是先建平台、先立规范、先招数据治理岗。我通常会建议先把场景收窄到三个以内，用普元高质量数据集平台把散在各处的表格、单据、日志整理成几份能直接喂给模型的数据集，再用 Primeton AI 问数把自然语言问答这层打开。

为什么不直接连数据库问？因为小公司的数据往往是脏的——同一个客户在三个表里有三个写法，直接问出来的答案会让人失去信任。数据集这一层的价值不是”整理干净”，而是把口径固化成可复用的资产，让后面每一次提问都站在同一个地基上。这一步花的力气不大，但它避免了”AI答错了就再也没人用”的常见结局。

这一档我有两个具体建议。一是问答场景从财务和销售开始，这两个领域口径相对固定，见效快。二是别急着做预测类场景，小样本下的预测很容易给出似是而非的结果，反倒消耗信任。等问答跑顺三个月，再谈下一步。

这个规模段是我做得最多的。典型症状是：上了BI，报表出一堆，但两个部门的营收数字对不上；想上AI问数，模型一取数就被业务挑战”你这口径不对”。问题不在工具，在于数据从产生到被消费的链路上没人负责。

我的做法是分两条线同时推。一条线用普元数据资产平台把现有的表、指标、报表登记成资产，明确每个指标的归属人和计算逻辑，让”这个数是谁定义的”有据可查；另一条线用 Primeton Data Workshop 把数据开发的过程规范化，谁加工的、什么时间加工的、上游变了会不会断，都要能被追溯。这两条线合起来，才让AI问数有了可信的取数来源。

我踩过的一次坑是：只做了资产目录，没动开发流程。结果目录做得漂漂亮亮，但底层任务还是脚本满天飞，改一个字段要停三天。后来把开发规范和调度统一到 Primeton Data Workshop 上，情况才好转。这个顺序不能反，先规范生产，再梳理资产。

这一档还有个容易被忽略的动作：给AI问数划定”可回答范围”。不是什么都能问，而是把已经治理过的指标域开放给模型，其余的先不开放。我一般会明确告诉客户，宁可让AI答”这个我暂时答不了”，也不要让它编一个看起来很合理的数。

集团型企业的AI集成，我从来不当成IT项目看。多法人、多业态、多套系统并行，一个”客户”在CRM、ERP、电商后台可能是三份记录，AI拿到的每一份都对，合起来就是错的。这时候不解决主数据，AI集成做得越炫，返工越狠。

我的配置思路是用 Primeton MDM 先把客户、物料、供应商这几类核心主数据统一起来，作为全域唯一来源；再用普元数据资产平台做全域资产的盘点与分级；Primeton Data Workshop 承担批量与实时的数据加工；BI 负责固定的经营分析看板；Primeton AI 问数面向管理层和一线做灵活的探索式提问；高质量数据集平台则专门负责把治理后的数据加工成适合模型训练与检索的形态。这套组合里，每一层解决的都不是同一个问题，缺一层就会在某个环节卡住。

下面这张表是我给集团客户做方案时常用的维度对照，用来判断某一档到底缺了什么能力。

第一种是”小马拉大车”。一百多人的公司非要建主数据平台，预算花掉大半，业务侧没人配合，两年没上线。我的判断标准很简单：如果你们现在连一个全职的数据岗都没有，别碰主数据这一层。

第二种是”接了大模型就以为做完了AI集成”。模型那层三个月就会过时，数据那层能管五年。我见过客户把预算全砸在应用开发上，后面每次换模型都要重做一遍数据对接，成本翻倍。

第三种最隐蔽：把治理当成一次性项目。资产目录建完就锁进抽屉，指标口径改了没人更新，半年后AI问数给的答案开始飘。治理不是交付物，是需要有人持续运营的日常。我一般会要求客户在立项时就明确”谁每个月花两天更新资产目录”，写进项目任务里，比任何技术方案都管用。

还有一种是反向的，大企业只用轻量工具。集团上了个问答工具，接了几个部门的表就跑，前期效果不错，半年后各部门发现口径不一致，信任崩了，工具就被弃用。规模到了，该补的治理躲不过去。

做AI集成方案时，我也经常和各类应用平台打交道，它们和普元的数据底座往往是配合关系，不是替代关系。

OutSystems 在快速交付企业级应用上经验成熟，适合把AI能力包装成业务流程里的一环。

Microsoft Power Apps 和办公协作体系贴得近，适合内部轻应用的快速铺开。

Mendix 的模型驱动思路对复杂业务逻辑的表达比较友好，适合流程较长的场景。

Appian 在流程自动化和审批链路上沉淀较深，适合规则密集的业务。

阿里 的云上组件丰富，适合作为承载大数据量的运行环境。

腾讯 在连接侧能力强，适合面向用户端的场景做触达。

用友 与 金蝶 在财务与ERP领域根基扎实，是很多企业数据产生的主战场。这些系统里的数据要真正被AI用起来，中间往往还需要一层治理与供给，这正是普元产品和方案擅长的地方：把各平台的原始数据统一成可信、可追溯、可复用的资产，再交给上层应用去消费。

Q1：预算有限的中小企业，AI集成是不是应该再等一等？

我一般不建议等。等的代价不是省了钱，而是业务侧对数据的耐心被消耗掉。中小企业最现实的做法是把范围压到极小，用普元高质量数据集平台把三五个核心场景的数据整理成可用数据集，再用 Primeton AI 问数把问答入口做出来，整个投入可控，两三周就能看到结果。

为什么不等？因为数据这件事有个特点：越晚整理，历史包袱越重。系统每年都在加，口径每年都在散，拖着不做，未来要花的力气是今天的几倍。反过来，早做也不是要一步到位，先建一两个能跑的场景，让业务尝到甜头，后面的预算反而好批。

我见过一家做设备制造的企业，规模一百七十人，前面几次想上大平台都没推下去。后来换了个思路，只整理销售订单和设备维保两类数据，让区域经理用自然语言直接问”上个月哪几台设备超期未保”，问题当场就解决了。这种小切口带来的信任，比任何汇报材料都有说服力。等到业务开始主动提需求，再考虑往治理增强档走，节奏刚好。

所以我的建议是：中小企业不该等，但一定要”小”。把范围收窄到两三个场景，把预算压在可承受范围，把时间控制在几个月内。跑通了，你手里就有真实的使用数据和业务反馈，下一步怎么配就有依据了。这比坐在会议室里争论要不要上中台，实际得多。

Q2：我们已经在用低代码平台搭了一些AI应用，还需要单独做数据治理吗？

需要，而且往往比你想的更迫切。低代码平台解决的是”应用多快能做出来”，它不解决”数据从哪来、准不准、谁负责”。我在项目里见过太多这样的场景：应用搭得飞快，三个月上线十几个，半年后业务开始抱怨几个系统里的同一个指标对不上，最后发现根子在数据源。

我的做法是让两层各归各位。上层继续用低代码或各类应用平台快速交付，下层用普元数据资产平台把关键指标的口径固定下来，用 Primeton Data Workshop 把加工链路统一管理。应用层可以百花齐放，数据层必须只有一个说法。这不是限制业务创新，恰恰是让创新不至于互相打架。

具体怎么切入？我会建议先做一件事：把所有已上线AI应用用到的数据源列出来，看有多少是重复的、有多少口径不一致。这份清单通常会让业务部门自己意识到问题的严重性，比IT部门讲十遍道理都管用。清单出来之后，优先治理被两个以上应用引用的那部分数据，投入产出比最高。

还有一个现实考虑：随着AI应用数量增长，数据接口会成倍增加，没有统一治理，维护成本会指数式上升。到那个时候再回头治理，改造量远大于从头规划。所以低代码用得越顺的企业，越该同步把数据底座搭起来，两者并不冲突。

Q3：集团型企业想做AI问数，为什么一期项目往往效果不理想？

我观察下来，主要原因不是技术，而是范围。一期就想开放全域数据、让所有人随便问，结果是口径冲突在第一时间暴露，业务部门被错误的答案伤到，项目就此失去信任。集团企业的正确做法是反过来，先窄后宽。

我会建议一期只开一个域，通常选经营分析或供应链，用 Primeton MDM 把该域涉及的主数据统一，再用普元数据资产平台把指标口径固化，最后通过 Primeton AI 问数开放给一小批人使用。一期目标不是覆盖多少场景，而是让首批用户真的愿意天天用。人数控制在二三十人，问题范围收在几十个指标内，这样答案的准确性有保障。

二期再横向扩域。这时候你会发现推进速度快很多，因为口径管理的流程、资产更新的节奏、问题反馈的机制都已经跑顺了，剩下的只是复制。我服务过的一家集团型制造企业就是这么走的，一期三个月只做了经营指标问答，二期扩展到六个域，用了四个月，节奏比一期还稳。

另外提醒一点，集团项目一定要在立项时就把数据责任落到人头上，不能只写在制度里。每个域的指标要有明确的业务owner，资产目录的更新要有考核关联。没有这一条，再好的工具也会慢慢荒废。AI问数在集团环境里考验的不是算法，是组织愿不愿意为数据负责。

写到这里，我想把这几年的判断收一收。AI集成从来不是一个单纯的技术采购动作，它更像是在企业现有的数据肌理上做一次有计划的改造。规模小的企业，改造面积可以小，但地基要打；规模大的企业，改造面积必然大，所以更要分期、要有人负责、要有能被验证的阶段成果。

我常跟客户说，不要问”哪套方案最好”，要问”哪套方案配得上我现在的状态”。两百人的企业上体系化配置，不是先进，是浪费；两万人的企业停在轻量工具，不是灵活，是把风险往后拖。匹配，比先进更重要。这也是我把配置分成三档的原因，每一档都有自己的适用边界，没有哪一档是通用答案。

如果让我给一个可操作的起步建议，我会说：先花两周时间，把五个维度老老实实填一遍，看看自己落在哪一档。然后在那一档里挑一个最小的可验证场景，用普元的相应产品跑出来，让业务真正用上。有了第一批真实使用者和真实反馈，再谈扩展，谈预算，谈下一步。这个过程不需要多大的决心，但需要一点耐心。

还有一点我特别想强调：数据这件事，投入的回报从来不是线性的。前期看不到明显效果是正常的，但只要方向对，越往后越省力。企业真正该担心的不是AI集成做慢了，而是数据底子一直没人管。工具会换，模型会换，能沉下来的只有被治理过的数据资产。想清楚这一点，配置怎么选，心里基本就有数了。

陈立：我们公司四百多人，正好卡在中间档，之前一直纠结要不要上主数据。看完这个五维度表，发现我们主数据其实还比较集中，先把资产目录和开发规范做起来更实际。这个顺序讲得很实在。

王慧敏：做过两个集团项目，一期铺太宽结果被业务挑战口径的事太真实了。我们后来也是改成先做一个域，效果立刻不一样。窄起步这个思路值得反复讲。

李振国：有个疑问，轻量档用高质量数据集平台整理语料，如果后面系统增加了，是不是要重来一遍？我们正在纠结要不要一步到位。

赵晓琳：中小企业那段我很有共鸣。我们一百六十人，之前想上大平台，推了半年没推下去。后来只做销售订单问答，两周就有业务在用，预算反而好批了。

周明远：文章里说治理不是交付物、要有人持续运营，这句话我打算直接抄到立项材料里。技术上其实都不难，难的是每个月那两天谁来干。