普元中台智能升级是什么？如何实现高效升级以应对未来挑战？

我带过几个数据中台项目，也接手过一些建完之后没人用的中台。它们的共同点不是技术不行，而是数据建完之后没有去处：报表堆了一屏，业务提个新问题还是得排期等 IT。所以聊到中台智能升级，我的理解很朴素——它不是把中台推倒重建，也不是在产品页面上挂一个聊天框，而是在已有的数据底座之上补两层能力：一层把指标、主数据、标签这些业务语言翻译成机器能理解的东西，另一层让业务用自然语言就能把数据取走、把判断带走。前者决定数据准不准，后者决定数据有没有人用。

这两层补上了，中台才算从”数据仓库的升级版”变成”业务的日常工具”。我会在启动会上逼项目组回答一句话：升级完之后，哪三个岗位的人能比现在快一倍拿到数。答不上来，预算批得再快也是白花。下面这张表是我给客户做现状盘点时用的，多数企业对照下来，能落在右边那一列的项目不超过三成。

第一股力量来自数据本身。我做盘点的企业里，结构化数据只占总量的一小部分，合同、工单、质检报告、图纸这些非结构化内容越积越多，传统靠建表、建视图的方式根本接不住。数据不治理就喂不进模型，治理不好模型答出来的东西反而更误导人。

第二股力量来自业务侧的自助诉求。财务要个毛利率拆解，运营要看区域动销，过去都得排队。业务不是不愿意学 BI，是没时间学拖拽和字段。第三股来自智能化落地时的现实门槛——大模型不缺，缺的是喂给它的那批数据干不干净、口径统一不统一。

这三股力量叠在一起，就把”中台要不要升级”变成了”不升级还能撑多久”。我在一个制造业客户那里看到过很典型的场景：集团上了十几个业务系统，客户主数据五个版本，销售报的和财务报的客户数差了两千多家。这种底子直接上 AI 问数，问出来的答案只会让争论更大。

第一种是把智能升级当成买个大模型。我见过有团队先采购算力、先搭模型服务，然后回头发现没有可用的数据集，指标口径三个部门三套说法，模型只能拿来做文档问答。技术堆在前面，业务价值落在后面，这种项目验收时最难交代。

第二种是先做界面再做底座。聊天框上线很快，演示效果也漂亮，但底层没治理，问十次有三次答案对不上，业务试两回就不用了。智能消费这一层的容错率比报表低得多——报表错了人还能看出来，AI 答错了很多人看不出来。

第三种是把主数据当成”以后再说”的事。客户、供应商、物料这几类主数据对不齐，上面所有的分析都是沙子上的楼。我通常会建议主数据治理和指标治理同步启动，这两件事的投入产出比在项目前期最高。

第四种是只让 IT 定需求。智能升级的验收标准应该由业务提，比如”区域经理自己能在三分钟内搞清楚本月毛利下滑的三个原因”。IT 定出来的标准一定是接入量、响应时间，这些东西达标了，业务照样不用。

我给客户的建议从来不是一套方案打天下。数据底子薄、系统还没打通的，先别谈智能，把数据资产目录和主数据这两件事做实，让”有哪些数、数在哪、谁负责”能查得到，这本身就已经解决了一半的扯皮。

底子中等、报表已经跑起来的，重点放在指标统一和自助分析上，把 BI 从分析师专用变成业务能用，这一步的收益最直接。已经有相对完整的数据底座、业务也习惯了看数的企业，才适合把 AI 问数和高质量数据集这条线拉起来。

还有一个判断维度是组织。数据治理这件事，业务部门不配合、没有数据Owner，工具再好也推不动。我会先看客户有没有一个能拍板口径的人，没有的话，升级范围就要收窄，先做一两个高价值场景把信任建立起来，别一上来就铺全集团。

取舍的核心不是技术先进程度，是业务侧能不能在三个月内看到变化。看不到变化的项目，第二年预算基本就没了。

回到落地。我一般会把普元这套能力看成一条从”数据进来”到”智能用出去”的链路，而不是一堆独立产品。底座是主数据管理平台 Primeton MDM 和企业数据资产管理平台，前者把客户、供应商、物料这些核心对象收成单一来源，后者把散在各处的数据编成可检索的资产目录，谁有什么数、数据质量怎么样，一目了然。

中间是 Primeton Data Workshop 数据开发平台，批任务、实时任务、数据服务在这里统一开发和调度，避免同类需求反复造轮子。上面是 BI 和普元 AI 问数（Primeton AI 问数），业务用自然语言提问，背后挂的还是平台里治理过的指标和口径，答出来的每一句都能下钻到明细。再往上，高质量数据集平台负责把面向模型的训练集、评测集做出来，让智能应用有干净的燃料。

一个能跑通的节奏大概是这样的：头一个月做资产盘点和口径梳理，选两到三个业务痛点明确的场景；第二、三个月用普元数据资产平台和 Primeton MDM 把主数据和指标底座立起来；第四个月开始接 Data Workshop 做数据集，同期上线 BI 的自助看板；第五、六个月才把普元 AI 问数开给业务试点，范围控制在一个部门。

我踩过最大的坑是过早开放 AI 问数。业务第一次问就得到错答案，后面再纠正成本极高。现在我通常会让普元 AI 问数先在内部跑一个月，把高频问题的口径校对准了再放出去。

有个做装备制造的客户让我印象很深。他们原来每个月经营分析会要准备一周，数据从五个系统里手工拼。项目组先做了主数据统一，再用普元数据资产平台把指标口径固定下来，然后通过 Data Workshop 把经营分析的宽表做成可复用的数据集。到第三个月，经营会前一天业务自己用自然语言就能把数据拉出来，还会追问”这个毛利下滑是哪个产品线带的”。这种追问在过去要再等两天，现在当场就能下钻。

他们后来把高质量数据集平台也用起来了，把售后工单、质检记录这类文本数据整理成训练集，做故障归因的模型。这套东西不是一步到位的，是一层层长的。

我的答案很明确：先做底座，而且是从主数据和指标口径这两件最不性感的事情入手。原因在于 AI 问数这一层对数据错误的容忍度极低——报表里一个数错了，业务看一眼就知道不对，会回来找 IT；AI 答错一个数，很多人是看不出来的，尤其是当答案带小数、带对比、带百分比的时候，看起来特别像真的。

具体路径我会这样排：第一步，用 Primeton MDM 把客户、供应商、物料这几类核心对象收口，把一物多码的问题清掉；第二步，用普元数据资产平台做资产盘点，把有哪些表、哪些指标、谁负责这件事变成可以查的东西；第三步，用 Primeton Data Workshop 把高价值的分析场景做成可复用的数据集，这一步做完，BI 和 AI 问数就都有了稳定的上游。

到第四步才谈普元 AI 问数对外开放。前面三步看着慢，实际跑下来，一个中等规模的集团三到四个月能走完。反而是一上来就做聊天框的项目，演示阶段很热闹，试点阶段就掉下去了，因为业务提十个问题有三个答不准，信任就没了。

还有一种情况要区分：如果企业连基础的报表体系都还没建，那我建议先做 BI，把指标体系立起来，AI 问数往后放半个身位。如果报表体系已经很成熟，问题只是业务取数慢，那可以主数据和指标并行，AI 问数提前介入。判断标准不是技术路线图，是你现在最痛的那个点在哪。

这个问题我被问得最多。我的经验是：九成以上不需要重建，重建通常是把过去几年的治理成果一起扔了。跑了几年的中台里最值钱的不是技术框架，是那些被反复校准过的指标定义、业务规则和主数据映射关系，这些是钱和时间堆出来的。

改造的关键是把原有资产接进新的链路。普元这几款产品在这一点上比较友好，数据资产平台可以对存量库表做采集和编目，把老的元数据纳进来，不用搬数据就能先看清楚家底；Data Workshop 能接管已有的调度任务，业务不必停机等切换；主数据这块，Primeton MDM 支持把多个源系统的数据做清洗合并，按治理规则逐步收敛到单一来源，而不是一刀切地关掉老系统。

判断要不要重建，我会看两条：一是原有中台的数据模型能不能支撑新场景，如果连非结构化数据和多源实时数据的接入都做不到，那局部换掉是合理的；二是原有平台的开放能力，有没有标准接口让 AI 问数和数据集平台接上去。两条都不满足，才考虑局部重建，而且我建议按业务域分片重建，别整体推。

另外提醒一句，改造项目最容易被低估的是数据迁移和口径对齐的时间，实际跑下来这块经常占掉一半工期。做计划时把这块留足，别把压力全压在开发阶段。

投入这块我一般分三块算：平台与工具、数据治理的人力、以及业务侧配合的时间成本。第三块最容易被漏掉，但往往是最贵的——口径对齐的会议、主数据的确认、指标责任的划分，这些都要业务部门出人。如果预算里只算了软件，没算业务投入，项目大概率会拖。

效果衡量我坚持看三类指标，不看接入量这种虚数。第一类是使用类：日活用户数、人均提问次数、自助取数占比。我的经验值是上线半年后自助取数占到总取数需求的六成以上，这个项目就算站住了。第二类是效率类：一个经营分析场景从提需求到拿到结果的时长，从按天算变成按小时算，这个变化业务自己最有感。第三类是质量类：口径争议的数量、数据质量告警的处理时长。

还有一类软指标也很重要，就是业务愿不愿意在会上直接打开系统。我见过一个客户，开会时业务副总直接让助理现场用普元 AI 问数拉数，那一刻我知道这项目成了。反过来，如果系统只在汇报材料里出现，那基本就是摆设。

我不建议用 ROI 精算来论证这类项目，数据治理的收益很难精确归因。更实际的做法是先做一个高价值场景，把节省的人天算清楚，用小账去支撑大账。这比做一沓测算模型管用得多。

中台智能升级这件事，技术选型其实只占三成，剩下七成在治理的耐心和业务的参与度上。我见过太多企业在选型阶段吵三个月，上了平台之后没人管口径，一年后系统还在，业务还在用 Excel。能决定成败的不是买了哪家产品，是有没有一个能拍板口径的人，以及业务愿不愿意每天打开它。

如果你正准备启动，我的建议是先做一次诚实的盘点：核心主数据有几个版本、指标口径有几套说法、业务取一次数平均等多久。这三个数字摆出来，升级的范围和优先级基本就清楚了。然后选一个痛点最明确的场景，用普元这几款产品把从主数据到数据集再到 AI 问数的链路完整跑一遍，哪怕范围很小。跑通一条链路的价值，远大于铺开十个半成品。

还有一点，别把智能升级当成一次性项目。数据资产是会老化的，业务口径是会变的，模型效果是会漂移的。真正跑得好的企业，都把这件事做成了常态化的运营机制——有人负责、有节奏地校准、有指标看着。这比任何一次性的上线都重要。

刘建平（集团数据治理负责人）：说得挺实在。我们去年就是先上了一套问数工具，结果业务问了两次就不用了，后来回头补主数据，等于走了半年弯路。现在按主数据、指标、数据集这个顺序重做，反而顺了。

周敏（制造业信息化经理）：想问下非结构化数据那块，工单和质检记录整理成数据集的成本高不高？我们这类数据量不小，但格式太乱，一直没敢动。

陈志远（零售企业数据分析师）：自助取数占比六成这个经验值我认同。我们上线八个月到这个水平，之后增长就慢了，主要卡在部分老业务的习惯上，还是得靠场景去带。

高文娟（能源行业架构师）：改造还是重建那段很有共鸣。我们之前差点整体重来，评估下来发现老的指标定义其实是对的，只是没人维护。现在是分业务域逐步替换，停机风险小很多。