数据可信：“AI+Data”时代企业落地的生死线与破局之道
在 AI 技术迅猛发展但企业智能化转型落地效果欠佳的背景下，Yolanda 科技见闻与矩阵起源联合直播聚焦 “数据可信” 主题，多位专家指出当前企业 AI 落地核心瓶颈已转向数据与知识的质量与供给，“数据焦虑” 成为关键生死线；明确了可信数据的多维度标准，提出企业应结合行业标准与核心场景、按数字化成熟度分阶段推进数据基座建设，同时需突破组织协同壁垒与认知误区；并强调可信数据基座不仅能为企业带来降本增效、员工赋能等价值，更将支撑 Agentic AI、具身智能等发展推动企业智能进化，是 AI 时代企业实现自主智能的核心基建。
在 AI 技术迅猛发展的今天，企业对智能化转型的需求日益迫切，但落地效果却普遍不理想。据 MIT 报告显示，企业垂直场景 AI 应用真正上生产的比例仅 5%。2026 年 1 月，由【Yolanda科技见闻】与【矩阵起源】联合推出的年度重磅专栏 “AI +数据时代的技术战略与组织进化” 第二期直播，围绕 “数据可信——如何构建支撑可信 AI 与决策的数据基座” 主题，墨创数迹 CEO 汪丹Yolanda 担任主持人，邀请了中国信通院云计算与大数据研究所主任姜春宇、软通动力 AI 研究中心总经理吴基术、矩阵起源产品副总裁邓楠三位专家，深入探讨了企业 AI 落地的数据挑战、可信数据标准、建设路径及业务价值。本文将结合直播核心观点，为企业提供数据基座建设的实战指南。
查看详细对话内容，需移步视频号【Yolanda科技见闻】查看直播回放。
一、AI 落地瓶颈：从 “模型焦虑” 到 “数据焦虑” 的生死线
随着大模型能力的快速迭代，“算法与算力”已不再是企业 AI 应用的主要障碍。三位专家一致认为，当前企业 AI 落地的核心瓶颈已转向“数据与知识的质量与供给” 。
- 数据焦虑成 “最后一公里” 生死线
软通动力吴基术指出，企业 AI 落地正面临 “三重焦虑”—— 模型焦虑、智能体焦虑和数据焦虑，其中“数据焦虑”最为突出 。数据已成为 AI 项目验收的 “生死线”：“AI 项目以效果和准确率验收，而非功能。2023 年我们为医疗企业处理 2 万多份文档时，因部分文档质量问题，准确率调优耗时远超开发周期，直接影响项目验收。”
- 行业普遍困局：数据质量决定场景落地效果
信通院姜春宇观察到，2025 年作为 “智能体元年”，企业普遍规划了数十个 AI 场景，但落地效果好的仅 1-2 个，核心原因是这些场景的数据质量更高 。“领先企业已开始建立数据集和知识管理体系，意识到 AI 时代的知识管理与传统体系截然不同。”
- 模型适配难题：缺乏企业 context 导致效果打折
矩阵起源邓楠补充道，大模型在企业落地效果不佳的关键在于缺乏内部知识和数据的 Context 。“一些企业用大模型解决合同审核等场景时，仅依赖 DeepSeek 一体机而未构建内部 Context，效果大打折扣。MIT 报告显示，仅 5% 的垂直场景真正上生产，知识建设是破局关键。”
二、“可信数据”的四维标准：从静态认证到动态工程
何为 “可信数据”？三位专家从技术、工程与业务视角给出了多维度定义，形成了一套可落地的标准体系。
- 信通院云大所姜春宇：高质量、观点正、安全性、专业够格
信通院云大所姜春宇从研究角度提出四维定义 ：
- 高质量 ：结构化数据需满足完整性、一致性，非结构化数据需评估丰富度、均衡性，且不同场景需定制化评价维度
- 观点正 ：数据集需符合正确价值取向；
- 安全性 ：覆盖数据全生命周期安全；
- 专业够格 ：知识内容需具备权威性与含金量
- 软通动力 AI 研究中心总经理吴基术：动态工程化闭环管理
软通动力从工程实践出发，强调“数据可信”是动态过程而非静态认证 ：“企业需通过工具和流程，将业务数据实时转化为高质量 AI 数据集，实现从采集、清洗、加工到训练 / 测评 / RAG 的全链路闭环。例如，我们为大型客户构建的数据可信体系，需保证每一环节可追溯，为决策提供可靠依据。”
- 矩阵起源产品副总裁邓楠：准确性与权限管控双核心
矩阵起源产品副总裁邓楠补充了企业视角的痛点：
- 准确性 ：AI 的生成式特性导致结果不可预测，传统 IT 思维对 “确定性” 的追求加剧了信任危机；
- 数据安全 ：公有云模型可能导致数据泄露，企业内部需实现行列级细粒度权限管控 （如工资单、财务数据隔离）
- 解决方案包括： “AI 全链路可追溯” 和 “非结构化数据权限管理机制”
三、数据基座建设路径：标准先行还是场景驱动？
企业如何切入“可信数据基座”建设？专家建议结合行业标准与核心场景 ，分阶段推进。
- 标准与场景的协同统一
软通动力 AI 研究中心总经理吴基术提出：“企业可引入国家 / 行业标准（如信通院方法论），但执行时需优先选择高价值核心场景打造端对端闭环。例如，某客户总裁对审批单数据依据存疑，我们通过数据过程追溯与可信校验，打通了业务与 IT 部门的协同壁垒。”
- 分阶段策略：数字化基础决定路径
矩阵起源产品副总裁邓楠建议根据企业数字化成熟度选择方案：
- 基础较强企业 ：先推行全公司数据基建与标准，加速 AI 闭环项目落地；
- 基础薄弱企业 （占比 70%-80%）：以应用驱动，先通过小场景证明 AI 价值（如降本增效），再基于场景需求反推数据基建，逐步横向扩展
四、建设挑战：协同壁垒与认知突围
“数据基座”建设是 “一把手工程”，核心挑战在于“组织协同与长期认知”。
- 协同壁垒：从 “数据烟囱” 到跨部门融合
软通动力 AI 研究中心总经理吴基术强调：“最大挑战不是技术，而是业务与 IT 部门的协同 。当数据治理成果不显时，管理层易陷入迷茫。企业需引入标准规范、明确组织架构、建立工作机制 —— 数据治理项目往往需要董事长担任委员会主任推动。”
- 认知突围：数据作为核心资产的觉醒
矩阵起源产品副总裁邓楠指出两大认知误区：
- AI 价值怀疑 ：部分企业因试用通用大模型未解决问题，对 AI 产生质疑；
- 数据资产忽视 ：未意识到内部数据与知识是 AI 时代的核心竞争力。“模型能力趋同后， 数据与知识将成为企业差异化的关键 。”
五、业务价值：从降本增效到智能进化
“可信数据基座”能为企业带来哪些具体价值？专家们描绘了三大应用前景：
- 自动化工作流与员工赋能
矩阵起源产品副总裁邓楠以美国 SaaS 公司 Glean 为例：“其通过整合企业内部 SaaS 数据（GitHub、Slack 等），实现跨公司精准搜索与协作 agent 构建，形成自动化工作流。员工可将 70% 重复性工作交给 AI，专注高价值任务。”
- 三类智能驱动企业进化
软通动力 AI 研究中心总经理吴基术展望，“可信数据基座”将支撑企业发展三类智能：
- Agentic AI ：自动完成合同审核、文档生成等任务；
- 具身智能（Physical AI） ：驱动制造业、医疗、物流等领域的机器人精准操作；
- 科学智能（Science AI） ：优化全局决策，加速企业自主进化
- 工业场景的大小模型协同
信通院云大所姜春宇预测，AI 应用将呈现 “微笑曲线” 与 “大小模型协同” 格局：“设计、研发、销售管理等场景大模型表现突出，而工业生产需依赖小模型实现精准预测与识别，大模型则通过智能体机制实现全流程互动。”
结语：数据基座 ——AI 时代的 “数字地基”
三位专家一致认为，“可信数据基座”是企业 AI 战略的核心基建。从医疗、金融到制造业，数据质量与知识管理正成为决定企业智能化成败的关键。正如吴基术所言：“未来，AI 可能比企业自身更懂业务与管理，“数据可信”将是企业实现自主智能的‘数字地基’。”
