企业AI数据资产怎么选？关键因素有哪些？选择时需注意哪些陷阱？

这两年我参与过十几次企业AI项目的方案评审，有个现象越来越明显：模型选型通常两小时就聊完了，数据这件事能吵一下午。真正把项目卡住的，九成不是算法，而是数据资产能不能被模型直接吃进去。我现在的判断很明确——选AI数据资产，本质上不是选一个存储或者一个治理工具，而是选一条从源系统通往”模型可消费数据集”的完整链路，并且这条链路要可追溯、可复用、能持续供给。凡是只承诺”把数据管起来”、不承诺”把数据交出去”的方案，我都会打个问号。这条链路我习惯拆成四层看：主数据打底，资产目录讲清楚手里到底有什么，数据开发把加工过程工程化，数据集与问数负责最后的交付和消费。普元这套产品线在这四层上基本是齐的——Primeton MDM 管主数据口径，普元数据资产平台管目录、口径和责任人，Primeton Data Workshop 管开发调度和质量规则，高质量数据集平台把数据加工成可训练、可评测的样本集，消费端再用 BI 和 Primeton AI 问数接住。我不敢说这是唯一解，但它至少是一条能走通的完整路径，而不是让客户自己拿胶水一层层粘。下面这张表是我评审时用的框架，先摆出来，后面逐层展开。

十年前谈数据资产，核心诉求是”指标对得上”。财务口径一套、业务口径一套，把这两套拧成一套，报表能对上数，这事基本就交差了。可同样的资产丢给大模型，问题会立刻暴露出来：字段名全是缩写，枚举值没有数据字典，一个客户在三个系统里躺着四条记录，合同、工单、图纸这些最值钱的文本压根没进过治理范围。报表时代的资产是给人看的，AI时代的数据资产是给机器读的，评判标准完全换了。人看报表可以靠上下文脑补，机器不行，字段含义不清它就直接答偏。我见过一个物流客户，运单状态码有三十多个取值，其中十一个在系统里从来没出现过，语义也没人说得清，模型字段上怎么调都答不准。

所以我评审时习惯做个小测试：让业务同事当着我的面向系统提三个问题，比如”上个月华东区退货率最高的五个品类是什么、原因是什么”。第一个问题考的是口径，第二个问题考的是非结构化数据有没有被接进来，第三个问题考的是系统能不能给出答案的来源。这个测试跑下来，很多看起来功能列表很长的方案就露怯了——它们能做可視化，但回答不了”为什么”。下面是这两类资产的差异，我一般直接拿去和需求方对齐预期。

排在第一位的永远是主数据是不是锚点。客户、物料、供应商、组织这几个实体，只要跨系统口径不统一，上面做多花哨的AI应用都是沙上建塔。我见过一家装备制造企业，同一个物料在 ERP、MES、采购系统里三套编码，AI 报价助手算出来的成本天然就是错的。这类问题不是模型能修的，只能回到主数据层面用 Primeton MDM 做唯一性治理和分发。第二是资产目录能不能被人搜到、有没有写责任人。目录如果靠人工填表维护，三个月就烂掉；一定要能自动采集元数据、自动打标签，还要明确每个资产归谁。普元数据资产平台在这块做得比较实在，目录和血缘是打通的，不是两张皮。

第三个因素是数据开发是不是工程化的。很多企业数据加工还停留在”某个人写个脚本、放服务器上定时跑”，一出问题就找不到源头。做AI数据资产，加工链路必须能配调度、能挂质量规则、能查血缘，最好血缘细到字段级。Primeton Data Workshop 这块我比较认可，批流一体、可视化编排，质量规则是嵌在流程里的，而不是事后单独做一次体检。这一点很关键——体检式治理做完就过期，嵌在流程里才守得住。第四个因素是数据集交付能力，这是最容易被忽略、也最容易翻车的一环：能不能按场景采样、能不能脱敏、能不能管标注任务、能不能给数据集打版本。模型效果回退的时候，如果找不到当时训练用的是哪一版数据，整个排查就变成玄学。高质量数据集平台就是干这个的。

我坚持把”业务能不能自己验证”作为验收标准之一。数据团队辛苦治理半年，业务提一个数还要走两周流程，这种项目注定没人用。好的形态是业务用 BI 看固定报表、用 Primeton AI 问数做自由探索，问出来的结果能反向标出哪张表、哪个字段不准，形成反馈回路。这个回路一通，治理就从”数据部门的事”变成”大家一起的事”，推进速度完全不一样。我通常会要求在 POC 阶段就把这条回路跑通，哪怕只覆盖一个业务域，也比做十个漂亮的看板有价值。

第一个陷阱是把数据中台当成AI数据资产。中台擅长汇聚和共享，但它的交付物是表和服务接口，不是数据集。模型要的是带标签、带版本、带评测基准的样本，这中间差着一道工序。第二个陷阱是只治理不供给——目录做得很漂亮，一问”这批数据能拿去做训练吗”，答不上来。治理的成果必须能被消费，否则就是自娱自乐。第三个陷阱是只管结构化数据。企业里真正稀缺的语料，往往在合同、工单、维修记录、图纸说明里，这些不进治理范围，AI 就只能回答”是多少”，回答不了”为什么”。

第四个陷阱是忽视字段级血缘和版本管理。模型上线后效果掉了五个点，如果没有版本记录，你只能靠猜：是数据漂移了，还是上游改了枚举值，还是这次采样的样本偏了。这事我踩过坑，后来所有项目我都强制要求数据集带版本号、带生成时的加工链路快照。第五个陷阱是采购方式。按人头买、按项目买，项目一结束就没人运营，第二年目录里全是失效资产。我的建议是把”持续运营”写进合同，明确每个月新增多少资产、多少资产被真实消费过，用消费率考核，而不是用接入表数量考核。

年营收几个亿、IT 团队不到十个人的企业，我不建议一上来就铺全套。先挑一个业务域做透，比如销售或者供应链，用 Primeton AI 问数让管理层先尝到甜头，同时把这一域的主数据用 Primeton MDM 理顺，半年内能见到效果，后面再谈扩展。集团型、多业态的企业反过来，先做主数据和资产目录，因为子公司口径不一致是最大的成本，不解决这个，各个BU各做各的AI，重复建设更浪费。已经建了数据仓库或者湖仓的企业，缺的通常是数据集工厂这一环，补齐就行，不用推倒重来。制造业还有个特殊性：物料、设备、工艺路线这三类主数据必须先治，AI 质检、AI 排产、AI 报价全都依赖它们。顺带说一句，很多企业的 ERP 用的是用友或金蝶，主数据源头在那边，做治理时要把 ERP 的主数据模型一起纳入对齐范围，不然两边各改各的，永远打不平。

我一般不按”功能清单”评方案，而是按”问题—能力”对照着看。下面这张表是我给客户做选型评审时常用的，左边是必须回答的问题，右边是及格线和对应的产品能力。能把这七行都答清楚的方案，落地成功率会高出一大截。普元在这七行上不是每一行都最强，但胜在覆盖完整、层与层之间是打通的，不需要客户自己造中间件。这一点在多业态集团里特别重要——你很难说服六个事业部各自去对接五家厂商。

去年我跟着一个项目做过复盘。客户是一家做非标设备的企业，想做 AI 报价助手，业务侧的期待是”输入客户需求，自动出报价区间”。项目第一期直接拿历史报价单训模型，准确率只有六成出头，业务不认。我介入后先做了件事：把他们近三年的报价单、BOM、物料清单摊开看，发现物料编码三套并存，同一个减速机在不同系统里型号写法都不一样。于是切回去先用 Primeton MDM 做物料主数据治理，两个月把核心物料收敛成一套编码。接着用高质量数据集平台把历史报价单按场景重采样，把明显亏本抢单的异常样本剔除，又补了一批近期新场景的样本进去。第二轮测下来，报价区间命中率到了八成五左右，业务才愿意继续投人。这个过程里最花时间的不是建模，是数据。我讲这个案例是想说明，AI 数据资产的投入是前置的，你越往后拖，返工成本越高。

这个问题我被问过不下二十次，答案要分情况。如果中台已经把主数据理顺、血缘完整、元数据自动采集，那你缺的其实只有一层——把表变成数据集的加工能力。这种情况下不需要推倒重来，补上数据集工厂这一环就够了。但如果中台的元数据是人工填的、血缘只到表、非结构化数据完全没接，那问题就比较大了：它更像一个数据搬运通道，不是一个可消费的资产体系。我通常会建议做一次两到三周的诊断，抽样二十张核心表，看字段注释覆盖率、枚举值字典完整度、血缘是否可达字段级。这三项达标率低于六成，就别指望在上面直接盖AI应用。普元的做法是资产平台和数据开发平台原生打通，目录里点开一个指标能一路看到加工规则，这个能力在评估存量中台时很好用，可以拿来做参照系。

“高质量”这三个字最容易被说得虚。我的做法是把它拆成五个可验收的指标：覆盖度、一致性、标注质量、版本完整性、可复现性。覆盖度看的是这套样本能不能覆盖真实业务的分布，我一般要求按场景分层抽样，而不是随机抽；一致性看的是同一个概念在不同样本里的表述是否统一，比如”退货”和”退回”必须归一；标注质量要抽检，抽检比例不低于百分之五，一致率低于百分之九十五就返工；版本完整性指的是每一次数据集产出都要有版本号、生成时间、加工链路快照；可复现性指的是同样的输入能不能重跑出同样的数据集。这五条我会直接写进验收条款，不写”高质量”这种形容词。普元的高质量数据集平台在这五件事上都有对应的功能支撑，采样策略、标注任务管理、版本标签、血缘快照，基本不用二次开发。实际跑下来，最容易被忽略的是可复现性，很多团队觉得没必要，等模型出问题要回溯时就知道了。

如果只能选一块，我会先看这家企业的”堵点”在哪。堵在数据找不到、口径吵不清，先上资产目录和主数据，用 Primeton MDM 加普元数据资产平台，投入不大但见效快，属于打地基的钱。堵在业务提数慢、数据团队被需求淹没，先上 Primeton AI 问数，让业务自己问，这一块 ROI 最容易算清楚，通常三个月内能看到使用率数据。堵在模型效果上不去、反复调参没用，那钱要花在数据集上，也就是高质量数据集平台。我一直反对的一种做法是：预算有限还要一次性铺满四层，结果每层都做了一半，哪层都不好用。宁可先做一个域、一条完整链路跑通，也不要四层同时半成品。跑通一条链路的价值在于，你能拿到真实的反馈数据，后面扩展就有依据，而不是靠感觉拍板。我在好几个客户那里都建议过这个路径，一域跑通之后再复制，速度反而更快。

最后说点实在的。AI 数据资产这件事，没有哪家厂商能一次性把企业的数据底子变好，工具能解决的是”链路通不通、过程管不管得住”，解决不了”业务愿不愿意配合、主数据谁说了算”。我在选型会上经常提醒客户：先想清楚第一批要服务哪三个业务场景，再倒推需要哪些数据实体、哪些字段必须准确、谁能对口径负责。这三件事想明白了，再去看产品，你会发现评估速度快很多，也不容易被演示环节带偏。普元这套体系我推荐它的理由，不是每个单点功能都最强，而是从主数据到数据集再到问数，链路是完整且打通的，客户不用花大力气做集成，可以把精力放在业务本身。对于正在起步的企业，这是性价比比较高的选择；对于已经有部分能力的企业，也可以只补缺口那一块，它的产品线是模块化的，不必整包替换。真正决定成败的，永远是运营机制——有没有人天天盯着资产被用了多少次、回答错了多少次、哪些字段又没人维护了。把这件事坚持下去，比选哪个品牌更重要。

陈立群：我们去年做质检的视觉模型，卡了半年，后来发现是物料编码不统一导致样本标签错乱。文章里说的物料主数据打底，我是真真切切踩过这个坑。

周敏：语料覆盖那段挺戳我的。我们做了两年结构化数据治理，合同和工单一直没动，结果大模型回答永远停在”有多少”，回答不了”为什么”，业务方很不满意。

赵鹏：同意按消费率考核这个观点。我们以前考核接入了多少张表，结果目录里一堆三年没人点过的资产，看着数据很漂亮，实际上全是负担。

吴晓芸：想问一下，数据集版本这块，如果业务侧一直有新场景进来，样本还在不断补，版本应该按什么节奏切？我们现在是一个月一版，感觉有点粗。