模型买得到资料买不到

卡住 AI 的，已经不是模型了

今年这场讨论的主语变了。前两年大家比参数、比跑分、比谁家的卡多，今年的调研口径几乎一致地指向了另一个地方。

邓白氏覆盖三十二个国家、一万家企业的调查显示，97% 的企业正在推进 AI 项目，但只有 5% 认为自己的数据做好了充分准备。这两个数字中间，隔着的是整整一代管理问题。

九月外滩大会上，IDC 给出的判断更直接：在越来越多的企业级应用里，大模型本身的能力已不再是唯一瓶颈，真正卡住 AI 从试点走向规模化的，正在变成数据能力。同一份调研里，46% 的企业把 AI 数据准备列为 2026 年的首要任务，而企业新生成的数据资产大约九成是非结构化形态，文档、图片、音视频、向量，传统那套主要服务交易和报表的数据架构根本吃不下。

失败的位置也很清楚。Forrester 年初的研究把大部分 RAG 实施失败归因到数据质量，而不是检索算法或语言模型本身；VentureBeat 汇总的口径是，企业 RAG 项目在生产中失败的比例约八成，其中 73% 的失败发生在检索环节，也就是它找错了内容、漏了关键文档、或者翻出了一份过期版本。另一组数字更扎心：只有 39% 的企业说自己的非结构化数据已经为 AI 做好了准备，相比之下，对结构化数据有信心的有 65%。

还有一层更值得经营者警觉。仅有 27% 的业务负责人认为自己的数据、流程和应用连通度足以支撑智能体，尽管 94% 的人都认同连通的数据是智能体发挥作用的前提。也就是说，多数公司是在明知地基没打好的情况下，继续往上盖楼。

认知坑，把 AI 当成了采购题

多数企业做 AI 的路径是这样的：立项，选型，比价，采购，培训，然后等效果。这条路径里没有一步是问"我们有什么值得让 AI 读的东西"。

这就是采购题和资产题的区别。采购题的答案在供应商那里，比一比就知道；资产题的答案在自己家里，而且不能买。同一款模型，装在一间资料混乱的公司里，和装在一间把经验沉淀清楚的公司里，出来的东西是两种水平。

还有个更隐蔽的浪费。不少经营者抱怨 AI 项目大半时间花在找数据、洗数据、对口径上，觉得是被杂事拖住了。其实那不是杂事，那是在补过去十年欠下的资产建设费。真正该警惕的是另一头：这笔钱花完，资产还是散在各人电脑里，下次做新项目又从头洗一遍。

所以换个模型、换个供应商，大概率还是同样的结果。因为你换的是发动机，堵的是油路。

把 Know-how 变成资产，三步就够

一，先盘 AI 能读到什么，不是先问 AI 能干什么。

做一张很笨的表：哪些资料是 AI 现在就能调用的，哪些在某个人的电脑里，哪些只有老员工脑子里有。每个条目旁边只写三件事，权威版本是哪一份，谁负责更新，多久更新一次。这三栏填不出来的，就别指望 AI 答对。IDC 有个估算说企业内部约九成的非结构化数据从未被分析过，这九成不是数据，是库存。

二，给知识定责任人和新鲜度，别把它当仓库管。

仓库的逻辑是存得越多越好，知识的逻辑是过期的比没有更危险。一份三年前的价格政策，AI 会一字不差地讲给客户听，还讲得很自信。VentureBeat 那份 101 家企业的调研里，57% 的公司曾经把 AI 的错误答案直接追溯到上下文质量差，31% 说半年内不止一次。有治理的数据能把 RAG 准确率从四五成拉到八成以上，这不是技术升级，是管理动作。我的做法很简单，每类资料挂一个名字，过期没人负责就自动下线，宁可少，不能脏。

三，从一件高频的小事开始，把结果沉淀成可复用的东西。

不要一上来做全公司的知识中台。挑一个每周都发生、每次都要重新解释一遍的事，做透，然后把它固化下来，让下一次自动带着前面的经验跑。上海高金和蚂蚁集团研究院九月发布的趋势报告里有句话我认同：企业数据的定位正在从静态的训练语料，转向运行时的实时业务上下文；竞争的关键正从算力转向工作流嵌入与数字资产沉淀。翻译过来就是，沉淀下来的那部分，才是你自己的。

三个判断

第一，护城河是业务 Know-how 加 AI，不是模型本身。模型大家都能买到，价格差不了太多，能力也在趋同。真正拉开差距的是你喂给它的那部分东西：你怎么定价、怎么判断客户、怎么处理异常、踩过哪些坑。这些东西不会自动变成资产，要有人整理、有人负责、有人更新。

第二，沉淀必须绑定业务结果，不然只是数字仓储。判断一个知识库有没有价值，只看一件事：有没有哪个岗位因为它少做了重复的活、少等了两天、少犯了一次错。没有，就先别扩。Gartner 的口径是有 63% 的组织没有、或者不确定自己有没有适合 AI 的数据管理实践，这类公司最该做的不是再上一套系统，是先把一个场景做对。

第三，AI 强在对内提效，弱在对外建立信任。这条我用真金白银试过。我们改造的十来个岗位里，AI 做平面设计，设计师效率提升几十倍；写文案、剪视频，提升上百倍；业务财务一体化系统打通之后，数据只录一次，我每天打开驾驶舱就知道哪个业务员赚了多少、哪个在亏。但 AI 外呼和 AI 获客两个方向一直不明显。因为对内是提效问题，资料齐了机器就能干；对外是信任问题，信任是人和人在时间里建立的东西，资料再多也替不了。

我自己的账

我这些年做的一件主要的事，是把几十年的履历、经验、讲过的课、写过的东西，一点点整理成可复用的模块，让 AI 能直接调用。这个东西我现在叫它个人 AI 操作系统。它不是软件，是一套被整理过的判断力。

效果是很具体的。今年我用业余时间做完三件事：写完一本自传，开发六十多门课件，把网站搭起来上线，加起来两个月左右。我儿子在里面花的时间不到百分之五，但没有这百分之五，我三年也干不出来。这句话我常讲，因为它说明 AI 应用确实有门槛，门槛不在工具，在你能不能把问题定义清楚，能不能判断它给的东西对不对。

还有一件事。原来我要一份季度数据，流程是科室主任报给部门长，部门长汇总给企划部，再加办公室和合规部审，最后到我这儿，不同意就打回，没有一个月定不了稿。现在我自己几小时出完。变的不是我学会了什么工具，是口径、资料和历史数据已经被沉淀成能直接调用的东西，不用每次重新对一遍。

换模型解决不了喂不饱的问题，先把自己有的东西整理好。