个推执行副总裁深度复盘｜企业AI的落地瓶颈在数据治理，不在模型调优

做数据服务十几年我们最深的感受是AI 落地最后一公里卡的不是模型是数据。一家客户公司的运营总监发现上月核心转化率下降了 12%。她打开 AI 助手问了一句——上月转化率为什么降了AI 很快给出了回答列举数据变化点引用行业归因框架建议进一步排查渠道流量和用户留存。听起来很专业但仔细看回答完全偏离了实际。因为 AI 不知道这家公司的转化率是支付口径不含取消的 GMV不是行业通用的下单口径不知道上个月刚上了新促销活动短期波动是已知可解释的更不知道三个月前同样波动发生过一次当时结论是竞品补贴导致流量分流。三个不知道让 AI 的回答看起来对但用不上。它概括了发生了什么但答不了为什么发生和接下来怎么做。如果 AI 拥有这些业务数据它给出的回答会是转化率下降 12%主要因新促销活动的流量结构变化导致支付口径 GMV 波动与三个月前竞品补贴事件特征相似度 82%建议参考当时的应对策略。同一个问题差的不只是准确度是 AI 能不能真正进入业务决策。这个场景在我们服务的零售、金融、互联网等多个行业中反复出现。业务负责人问的问题其实只有一个模型很聪明但它的回答跟我的业务没关系。问题不在模型2025 年以来头部模型的推理能力、上下文长度、多模态理解都在快速提升。对绝大多数企业应用场景而言模型已经不是首要瓶颈。但一个现实是模型越强企业对落地效果的预期越高数据与业务基础不足带来的落差也就越明显。多家行业机构的调研显示超过半数的企业 AI 项目延期或未达预期主要原因并非模型能力不足而是数据质量与数据治理不到位。制约因素正在从模型选型转向企业数据准备度。原因在于大模型训练的数据来自互联网公开信息。但企业大量具有决策价值的核心数据并不公开存在于互联网上——交易流水、用户行为轨迹、合同条款、审批流程、运营策略这些只在企业内部。模型从未见过。除了拿不到更常见的是用不上。第一层业务语义对不上。每个行业都有自己独特的口径和规则。我们跟一家连锁零售客户梳理会员体系时就遇到过模型知道 GMV 是成交金额但不知道这家企业的 GMV 含不含税、是下单还是支付口径。这一个差异就可能让后续分析结论明显偏离实际。第二层数据散在各处。一位运营负责人说我问 AI 今天的 DAU 趋势它给我分析了去年同期的行业均值。但我想知道的是今天为什么跟昨天不一样。模型的训练数据有截止点如果没有接入企业实时数据源无法掌握当天的运营情况。数据散在 CDP、CRM、BI 系统里没法统一供给。第三层上下文缺失。为什么做这个活动这个口径是什么上次类似问题怎么解决——这些信息散落在文档、邮件、会议、审批中很少被结构化治理。在我们接触的企业里上下文数据是当前 AI 落地最突出的短板。我们做第一个版本的时候也以为把数据接进来就行。结果客户一问这个指标怎么算的我们答不上来——因为连我们自己都没把口径理清楚。这个教训让我们意识到数据接进来只是起点让 AI 理解数据才是难点。RAG 不够用行业的第一反应是 RAG——把企业文档变成模型可检索的知识库。但 RAG 主要解决的是信息检索问题。运营负责人问上月转化率为什么降了 12%AI 需要走完五步先理解问题意图再找到相关数据然后准确查询计算接着结合业务规则归因最后给出行动建议。RAG 能覆盖前两步后面三步需要更深的能力。让 AI 用好企业数据不是会写 SQL这么简单。我们在智能运营产品的研发和客户服务实践中把这件事拆成三层。让 AI 认识你的数据。不只是怎么查——NL2SQL 技术已经可以较好解决自然语言转查询。更难的是用什么查和查到的能不能用。数据散在各个系统里业务人员不知道有什么数据可用、不知道不同系统口径对不对得上。AI 告诉运营30% 是高消费潜力人群但运营需要知道的是这个标签怎么定义和我 App 里定义的高价值用户是同一群人吗这层要做的是把口径定义、计算逻辑、历史归因都变成模型可调用的结构化知识。不是做数据字典是让模型真正认识你的数据。让 AI 按你的逻辑想。不是单一模型调用而是大模型理解意图和推理、小模型生成 SQL 执行查询、规则引擎校验口径保障确定性的组合调度。让 AI 拿到实时业务信号而不是只能基于训练时的静态快照做判断。让 AI 记住你的经验。一次经过验证的分析路径沉淀下来供后续相似任务复用一套验证过的运营策略转化为可复用的知识在相似场景中推荐常用的数据处理流程AI 沉淀为技能下次自动完成。经验不随人走组织能力不再依赖个人。人做思考决策干活干重复、有经验可借鉴的活交给 AI。从实践到产品把这些能力落到产品上是每日互动做 AIBI 的出发点。AIBI 的定位是懂数据·会运营·能沉淀面向运营场景。它不是又一个对话机器人而是把多源数据接入与语义对齐做在前面让业务人员用自然语言就能对话式取数、做人群洞察、拿策略建议、完成人群圈选和用户触达——一个闭环。同时它支持企业将数据口径、规则和过往分析经验沉淀下来让回答更贴近企业的业务语境在一次次使用中持续进化越用越懂你的业务。这些底层能力依整套AI体系- 知识库、检索、记忆、工作流编排、技能市场不是独立产品而是整个体系的底层支撑。AIBI 在上层体系在底层共同解决卡住企业 AI 落地的最根源问题数据。回到文章开篇的场景如果这家企业的数据被 AI 理解了、经验被沉淀了、口径被定义了同一个问题的回答会是转化率下降 12%主要因新促销活动的流量结构变化导致支付口径 GMV 波动与三个月前竞品补贴事件特征相似度 82%建议参考当时的应对策略。这才是业务需要的回答。模型会越来越强但这不是企业能控制的事。能控制的是你手里的数据能不能被 AI 用。AI 落地效果 模型能力 × 企业数据准备度。模型是公共基础设施数据准备度才是差异化壁垒。数据价值释放的上限取决于组织的数据治理能力。治理的目标已经从存和管转向让数据被 AI 理解和调用。但这只是第一步。更大的问题是企业的数据该怎么从管起来变成用起来下一篇谈这个。每日互动个推是国内领先的数据智能服务商。公司以开发者服务为起点逐步构建起覆盖数据积累Data、数据治理Machine与数据应用People的“D-M-P”三层业务体系于2019年在深交所创业板上市。面对新一轮人工智能浪潮每日互动积极推动从数据智能DI向人工智能AI的战略升级一方面推出“个知”系列AI产品另一方面加快既有产品与服务的AI化重塑持续将数据要素、行业知识与大模型能力深度融合为企业构建涵盖数据治理、智能运营、智能营销及AI基础设施的完整能力链路助力客户实现数据价值释放与业务智能化发展。