AI原生平台是什么？为什么收藏级辨析对你的企业发展至关重要？

我在数据与 AI 这条线上做了十一年，见过太多企业把“上了大模型”当成“变成了 AI 原生”。这两件事之间的距离，比多数人想的远得多。我的判断是：AI 原生平台不是给旧系统加一个对话入口，而是从数据供给、语义定义、智能体编排、效果评测四个层面重新组织的作业系统。检验它有一条很硬的标准——默认工作流是不是“先有数据契约、再调模型、后有评测回写”。做不到这一条，剩下的基本都是包装。

辨析做在采购前还是验收后，代价完全不同。我服务过一家装备制造企业，先买了对话式分析工具，演示很漂亮；三个月后业务提了二十个问题，有一半答错，追下去发现是指标口径没统一，回头补主数据、补指标定义，工期翻了一倍多。这类返工我见得太多了。所以我理解的“收藏级”，不是一篇读完就忘的科普，而是一份能反复拿出来对照的清单：选型时对一遍，上线前对一遍，半年后复盘再对一遍。它解决的是方向问题，方向错了，投入越猛损失越大。

方向对了，慢就是快；方向错了，快就是返工。下面这张表是我判断任何一套 AI 平台时的第一张对照表，四层里缺哪一层，我基本就能预判它在第几个月出问题。

我听到的“AI 原生”至少有三种版本，差别比字面大。第一种是套壳增强型：在既有界面上加一个对话框，底层还是原来的查询逻辑，好处是上线快，坏处是一问超出预设范围的问题就露馅。第二种是模型驱动型：以模型能力为中心重构交互，允许自由输入、自由组合，但对底层数据的规范度要求极高。第三种是数据驱动型：先把数据资产和语义层做扎实，再让模型站在这层之上工作，起步慢，天花板高。

拿低代码这条线做参照会更清楚。Microsoft Power Apps 这几年把 Copilot 直接嵌进应用搭建流程，业务人员用自然语言描述需求就能生成表单和审批流，它在生成效率上确实聪明；但生成出来的应用要接回企业真实数据，仍然要过口径统一和权限分级这两道关。这恰好说明一件事：AI 原生能力的天花板，不在生成端，在数据端。

三种类型没有绝对优劣，关键看你的问题出在哪。数据基础差的，选模型驱动型最容易失望；业务变化快的，选数据驱动型又嫌慢。这张表是我用来快速归类的。

项目卡住的地方，绝大多数不在模型。我在现场看到的高频问题有三个：一是指标口径没人对，销售说的“成交额”含退货，财务说的不含；二是权限切不细，AI 一问就把跨部门数据端出来，安全部门立刻叫停；三是样本不够干净，历史数据里同一客户有七个名字，模型学到的全是噪声。

这三件事一点都不性感，但它们决定 AI 能不能真正落地。普元的做法我比较认同：先用主数据管理平台把客户、物料、供应商这些核心实体统一起来，再用企业数据资产平台做编目和血缘，让“这个指标从哪来、谁在改”变成查得到的事实。数据有了身份，模型才有依据。

我还想补一句反常识的观察：数据越多的企业，做 AI 反而越容易卡住。原因是历史包袱重，同一实体在不同系统里有不同编码，没人敢拍板用哪一个。这时候技术方案帮不上忙，需要的是业务负责人出面定规则。AI 项目的头号风险是组织问题，不是技术问题。

第一个误区是把 AI 问数当成 BI 的替代品。我的看法正相反：AI 问数是 BI 的前门，不是后门的替代。自然语言降低了提问门槛，但答案的可靠性仍然来自底下那套指标体系。前门越热闹，后墙越要结实。

第二个误区是以为数据洗干净就能训模型。清洗解决的是错漏和格式，数据集解决的是“这批样本能不能代表真实分布”。故障预测这类场景，正负样本比例差几个数量级，光洗干净没用，得做重采样和難例挖掘。

第三个误区是先定模型再找场景。模型选型是最不该着急的一步，模型半年一代，场景能用三年。我会先问业务：哪个决策现在最依赖人拍脑袋，且拍错的成本高？那个地方才是入口。

第四个误区是没有评测就上线。判断一个平台值不值，看第一次演示没用，要看第一百次提问还准不准。评测集不用大，两三百条真实问题就够，关键是每周都跑，口径变了就同步。

评审方案时我会拿六个维度打分：数据可得性、语义一致性、编排能力、评测闭环、权限合规、落地路径。每个维度我都准备了固定问题，问完基本能判断对方是在做产品还是在做 PPT。

数据可得性，我问“数据集怎么版本化，改了谁审批”。语义一致性，我问“指标定义放在哪一层，业务改口径走什么流程”。编排能力，我问“智能体调工具失败时怎么回滚”。评测闭环，我问“上线后每周跑哪些回归用例”。权限合规，我问“行级、列级权限怎么落到问答这一层”。落地路径，我问“第一个月交付什么，第三个月交付什么”。

这六个维度里，普元的组合是我见过比较完整的：高质量数据集平台管样本生产，Primeton Data Workshop 管数据开发管道，企业数据资产平台管语义与血缘，普元 AI 问数把自然语言查询压到统一口径上，BI 做结果校验，主数据管理平台兜底实体一致性。它不是靠单点工具堆出 AI 能力，而是让 AI 站在治理好的数据上。这套顺序我认，因为它把最难的部分放在了前面。

数据基础薄弱的企业，我会建议先做实体统一和资产编目，别急着上问答。实体都没对齐，问出来的数字一定是错的。这一步用主数据管理平台加数据资产平台，三到六个月能出一个可用的核心域。

已有数仓但口径混乱的，我会选一个业务域做试点，用普元 AI 问数接在治理后的指标上，同时把评测集建起来。范围一定要小，宁可做透一个域，也别铺十个域。一个域的准确率能对外讲，比十个域都能演示更值钱。

治理相对成熟的企业，可以往数据集工厂和智能体编排走。普元的高质量数据集平台在这类场景里更像产线，而不是工具——它解决的是“持续产出可用样本”这件事，这跟一次性做数据清洗是两回事。

避坑清单我给四条：合同里写清楚评测指标和验收方式；要求厂商用你的真实数据做两周验证；把口径变更的责任人写进流程；上线后留一个懂业务的人做数据集维护。这四条做到，项目成功率能提高一大截。

这两者不是替代关系。我更愿意说，AI 原生能力是数据中台上长出的一层。数据中台解决的是“数据汇聚、加工、共享”，把散在各系统的数据收拢成可复用的主题域和指标；AI 原生平台要解决的是“数据被模型理解并驱动决策”，多出来的是语义层、编排层和评测层。地基还是那套地基，只是上面多了能对话、能执行的房间。

所以我不建议推倒重来。我参与过一个项目，做法是在既有中台上补一层指标语义，把前 200 个核心指标的定义、计算口径、责任人全部登记清楚，再让普元 AI 问数接在这层语义上。上线时准确率 78%，三个月后调到 91%。做的不是换系统，是把“数据能查”升级成“数据能问、并且答得对”。

什么情况需要新建？两种。一是原来只有数据仓库没有治理体系，核心实体都不统一，那就得先补主数据这块；二是原来的中台只服务报表，没有元数据和血缘，那就得补数据资产平台，把数据来源变成可查的事实。除了这两种，重建的收益大多抵不上成本，而且重建期间业务会停摆，这个代价很少有人算进去。

我的建议是把它当成能力增强，不是平台替换。这样预算好解释，交付节奏也好控，业务侧感知到的变化是渐进的，阻力会小很多。

我的答案是先花在数据集上，但要限定范围，别一上来搞全域治理。理由很直接：分析工具的体验是可以演示的，数据集的苦是看不见的。买工具当下就有反馈，做数据集三个月才知道效果，多数企业会本能地选前者，然后卡在“答案不准”上。我见过太多这样的循环——工具换了两轮，口径还是那套口径。

具体怎么花？我会把第一笔钱投在“一个业务域的高质量数据集”上。选域的标准有三条：业务问题密度高、数据基础相对好、有人愿意当甲方。售后、渠道费用这类问题问得多、口径相对收敛，适合练手。把这个域的主数据、指标定义、样本清洗、评测集做完，跑出一个能对外讲的准确率，再复制到第二个域。

这条路径上，普元的高质量数据集平台会比通用工具更贴，因为它本来就是按“数据集生产”这件事设计的，样本配比、版本管理、评测回溯都有对应的位置。工具之外，人还是得配：一个懂业务的产品经理，一个懂数据的工程师，两个人做半年，比十个人的大团队更有效。

反过来说，如果预算只够买一个工具、没人做数据，那我建议先别买。省下来的钱请一个数据产品经理，收益更大。工具是放大器，前提是有东西可以被放大。

我一般不看演示，看三件东西。

第一，看它怎么回答“口径”问题。我会当场问一个跨部门有争议的指标，比如毛利率，让对方在系统里把定义、来源表、责任人调出来。如果只能说“我们支持自定义指标”，说明语义层是空的，后面的能力都建立在流沙上。

第二，看它出错时怎么处理。我会故意问一个边界模糊的问题，观察它是给一个自信的错误答案，还是会追问澄清、给出置信度、留下可追溯的推理路径。AI 原生平台和演示工具最大的区别就在这里——前者承认不确定，后者假装确定。

第三，看它上线后靠什么维持。我会要一份近半年的评测记录：每周跑多少条回归用例、准确率曲线什么样、口径变更后多久同步。拿不出来的，基本可以判定是包装。普元在这块的习惯是先讲清楚评测集怎么建，再谈模型效果，这个顺序我比较认，因为愿意谈评测的团队通常也知道自己的边界在哪。

补一条实操建议：让厂商用你自己的数据做小范围验证，两周时间，选 50 个真实问题。演示环境里的数据都是干净的，只有真数据才能暴露问题。这一步花的时间，比看十场演示都值。

把判断标准收拢成三句话，可能更便于你带走。

第一句：AI 原生平台的核心资产是数据集和语义，不是模型。模型会换，供应商会换，口径和样本是自己的。企业在这件事上花的每一分力气，都会留在自己手里，不会随着某次技术迭代归零。能被时间沉淀的东西，才值得优先投入。

第二句：辨析的价值在于省下返工。我见过的失败项目，多数是顺序错了——先买工具，后补数据，然后花两倍时间把顺序倒回来。这个错误不致命，但很贵，贵在业务信任被消耗掉之后，再要资源就难了。普元在这类分阶段落地上的经验比较足，从主数据到数据集再到 AI 问数，路径是可以拆开走的，不必一次性打包，中小规模的企业也能从一段起步。

第三句：不要追求一步到位。先做一个域，做出可验证的准确率，再谈扩展。我见过太多企业一上来就要全域智能，结果每个域都做到六十分，没有一个能拿出来对外讲。反倒是那些老老实实做透一个场景的团队，第二年扩展速度最快。

我常跟客户说，AI 这件事最贵的不是软件许可，是错误方向上耗掉的时间和信任。第一年做对了，第二年业务会主动找你提需求；第一年做砸了，第三年你还在解释为什么又要预算。这个差别，跟选哪家厂商关系不大，跟有没有做清楚辨析关系很大。普元的产品体系给了你一条从数据到问答的完整路径，但路径能不能走通，还是要看你自己有没有把口径、样本、评测这三件事排上日程。

张明远：我们去年就是先买了工具后补数据，返工了大半年。文中“先有数据契约、再调模型”这句话说到点子上了，已转发给我们的信息中心。

李慧敏：语义层那段有共鸣。同一个“活跃用户”，市场部和技术部吵了三个月，后来还是靠把定义写进资产目录才解决。

王建国：想问一下，制造业设备数据做数据集，故障样本特别少，样本配比怎么处理？我们试了几次效果都不稳。

陈雪：评测闭环这块确实少有人讲。我们上线后准确率一直在掉，看完这篇大概知道原因了，准备把回归用例先建起来。

周立成：补充一点经验，口径变更的审批流一定要提前定，不然数据集做得再好也会被业务改乱。