客户的仪表盘能跑,数据却未必能用于 AI
承诺上线日期之前,先针对一个具体用例给客户的真实数据打分,别等开发到一半才发现缺口。
要点速览
- 仪表盘能正常运行,不能证明数据已经为 AI 就绪。
- 就绪与否取决于用例:同一份数据,对一个问题够用,对另一个问题可能就不够。
- 逐项打分:只要有一项核心标准不达标,就足以在开发前叫停。
驻场第二周,一场顺利的演示结束后,运营负责人问:“那我们三个月内能上生产环境吗?”演示里的智能体几乎每个问题都答对了。但它跑的是一个 CSV 文件,是上周五一位分析师替你清洗好的。
此刻你回答“可以”还是“还不行”,将决定整个项目接下来的走向。Varsity 博客的一篇文章认为,前线部署工程师(FDE)的工作从真实的生产数据开始,伴随着安全审查和访问控制。而生产数据往往杂乱、被权限锁住,握在一群并没有特别理由帮你的人手里。
如果开发到一半才发现这一点,之前的每个承诺都会变成负债。所以 FDE 的任务,是在签下承诺之前先回答数据问题。这件事可以拆成清晰、有序的几步。
为什么客户的仪表盘会误导你?
第一个障碍是客户自己的信心。Easy.bi 观察到,大多数中型企业仅仅因为仪表盘还在运行,就认为自己的数据质量不错,并直言这并不意味着数据已为 AI 就绪。Veeam 把这两个概念区分开:使用情况描述的是活动,就绪度描述的是能力。
原因不难理解。仪表盘把成千上万行汇总成一个数字,几百行缺失值就此消失不见。而一个需要逐个回答具体问题的智能体,恰恰会在这些行上栽跟头。
仪表盘还掩盖了另一件事:就绪度总是和具体用例绑定。同一份数据,对一个问题够用,对另一个问题可能就不够。所以不要笼统地给“客户的数据”打分,而要给“客户用于 X 任务的数据”打分。
Phos AI Labs 列出了 AI 就绪数据的五项属性:可访问、一致、完整、准确、及时。Easy.bi 则用另一套 4 项标准,每项按 1–5 级成熟度打分,评估周期为 5 天。
Phos 的五项属性足以检查数据本身,却不能告诉你是否被允许使用这些数据。这个问题单独成节,放在下面的示例之后。
一个完整示例
设想一家零部件分销商,希望用智能体回答经销商的两个问题:“这个零件有货吗?”和“什么时候发货?”它的库存仪表盘多年来运行良好。你把用例写成一句话:经销商提问的那一刻,智能体必须给出每笔订单正确的库存水平和预计发货日期。
接着,你申请对订单系统的直接读取权限,而不是导出文件,然后随机抽取 200 笔订单。假设结果是:只有 124 笔订单有预计发货日期。两个仓库使用两套不同的产品编码规则,而且数据每晚由一个人手动导出。
Phos 对检查清单的每一项按“是/部分/否”打分(2/1/0 分),按标准汇总得分,任何低于 70% 的标准都视为开发前必须补上的缺口。另一家供应商 RaftLabs 也用 70 作为分界线,但满分是 100。因此,这个数字应视为供应商的经验值,并没有哪项行业标准规定它。
以“完整”这项标准为例,假设它的检查清单有三项。每笔订单都有零件编码:是,2 分。库存按仓库记录:只有一个仓库完整记录,所以是部分,1 分。订单有预计发货日期:200 笔中有 124 笔,即 62%,所以是部分,1 分。
合计 6 分中得 4 分,约 67%,低于 70% 的阈值。注意,62% 不是得分,它只是让你选“部分”而不选“是”的证据。两者是不同的度量,混为一谈是评分表在客户面前失去可信度最快的方式。
五项属性的示例评分表如下:
| 属性 | 如何检查 | 示例结果 | 得分 |
|---|---|---|---|
| 可访问 | 能直接读取,还是需要有人导出? | 每晚手动导出 | 否(0),缺口 |
| 一致 | 同一零件编码在两个仓库是否一致? | 两套不同规则 | 否(0),缺口 |
| 完整 | 三项:零件编码、分仓库存、发货日期 | 124/200 笔订单有发货日期 | 4/6,低于 70%,缺口 |
| 准确 | 抽样与实物盘点对比 | 需客户确认 | 尚未打分 |
| 及时 | 相对经销商提问时刻的滞后 | 最多滞后一晚 | 对此用例为否(0) |
“及时”这一行说明了为什么打分必须跟着用例走。如果客户要的是月度需求预测,数据滞后一晚无关紧要。但对实时回答的智能体来说,这点滞后就足以让它报错库存。
一项标准不达标,就该叫停吗?
是的,这正是关键所在。Phos 对每项标准分别套用阈值,所以四行好成绩弥补不了一行差成绩。Veeam 换了个说法表达同一个意思:AI 就绪度的天花板,永远由数据就绪度的地板决定。
Revenue Experts 通讯把这一逻辑用在预算审批上:每个 AI 项目都必须通过四项核心数据检查,任何一项不通过,无论其他方面得分多高,都会被标记为未就绪。四项检查之一是:数据质量必须在过去 90 天内测试过。
对这家零部件分销商,你能发出的最简单的问题是:上一次有人检查发货日期字段是什么时候?如果没人答得上来,每晚的手动导出和 62% 这个数字已经替他们回答了。
第一周就问清数据治理
Varsity 博客的文章指出,生产数据藏在权限后面,而且有主人。在上面的例子里,要问:每个经销商的合同价格能否出现在智能体的回答里?由谁签字批准?
如果答案是法务部门,而法务从没听说过这个项目,你就找到了最大的风险。同一篇文章强调,需求调研要和实际负责运营的人一起做,所以不要只问签合同的那个人。
在第一次需求调研中加入三个问题:数据归谁所有,谁批准模型读取数据,哪些字段属于个人数据或敏感数据。第一周问,只需要一封邮件;第十周才发现,可能赔上整个项目。
自己动手做,以及常见错误
整个流程一周内就能完成。把用例写成一句话,申请生产环境的读取权限而不是导出文件,抽样数据并给五项属性打分,然后提出数据治理问题。最后写一页上线与否的备忘录,列出每个缺口、补上它需要什么、由谁负责修复。
最常见的错误是相信客户的仪表盘。RaftLabs 估计,大多数组织对自身数据成熟度的评估比实际高 2-3 级,并建议先解决最弱的那项标准。第二个错误是脱离用例、笼统地给数据打分。
相反的错误也真实存在:等待完美的数据。Easy.bi 发现,大多数中型企业只处于 2-3 级,并警告说,要等到 5 级才开始的人永远交付不了。
最糟糕的错误,是在承诺签下之后才做评估。到那时,你发现的每个缺口听起来都像借口,而不是有价值的发现。
本周练习
拿一份你已有权限访问的数据集,给它设想两个节奏不同的 AI 用例:一个需要即时回答,一个只需要月度报告。针对每个用例按 2/1/0 分给五项属性打分,然后圈出结论发生变化的那几行。
把结果写成一句带数字的话,比如“为智能体用例评估数据,发现仅 62% 的订单有发货日期字段,建议开发前先补上缺口”。这句话值得写进简历;当 FDE 岗位描述提到需求界定、需求调研或数据评估时,这就是你要讲的故事。
下次有人问“我们三个月内能上生产环境吗?”,你会先问一句“用来做什么?”,再作回答。
这篇文章对你有帮助吗?
感谢你的反馈!
6 个信源
- How to Check Data Readiness for AI Projects · 2026-05-07
- AI Data Readiness: The Assessment Your Team Skips (And Pays For Later) · 2026-04-17
- Gate every AI budget on four data checks · 2026-08-06
- Why Companies Need Forward Deployed Engineers, Not More AI Advice · 2026-10-01
- Is your business actually ready for AI? (The honest assessment) · 2025-12-06
- Is Your Data Actually Ready for AI? A Readiness Check by Maturity Level · 2026-10-16