上 AI 问数之前，要不要先把数据治理好

“我们数据很脏，等治理好了再上 AI”——这是企业上 AI 问数前最常见的想法，也是我们最不同意的一个想法。我们的判断相反：**数据完善是一个过程，不是一个能提前完成的状态。**正确的顺序是先把 AI 接进来用起来，让真实的问题暴露出来，治理才有方向——边用边治，是向量空间 JBoltAI本体语义平台主张的落地路径。

"先治理、后应用"为什么听着有理，却走不通

这个想法的逻辑很顺：数据不准，AI 答的数就不准，所以先治数。但它有个隐藏的坑——治理没有天然的完成标准。

• 字段要清洗到什么程度算干净？没有业务问题做参照，没人说得清；
• 全量治理意味着把所有系统、所有历史数据都过一遍，投入以年计；
• 治理期间业务照跑、数据照变，治完的那天就已经过时了。

这正是过去二十年大量数据中台项目的命运：前置投入太大、见效太慢，业务等不到那一天。不是治理不重要，是"先全治完再开始用"这个顺序走不通。

边用边治是怎么运转的

换个顺序，事情就不一样了：

1. 从最痛的问数场景起步，接 2-3 个核心系统，不搞全量；
2. 让真实问题牵出治理清单——老板问"库龄"，才发现两个系统对库龄的定义不一样，那就先统一这一个口径；
3. AI 的使用会反向推动治理：以前数据埋在系统里没人看，错了也没人知道；现在天天有人问、AI 天天答，每个口径争议、每处脏数据都会被问题照亮。

一句话：以前必须把菜备好才能下锅，现在 AI 接进来之后，用菜的过程会反过来推动理菜。

治理的优先级也由问题决定：老板要问的指标先治，没人问的先放着。资源花在刀刃上，而不是撒在全量数据上。

那脏数据怎么办：给数据分层，而不是等数据变干净

边用边治不等于放任不准的数流向老板。JBoltAI本体语义平台的做法是可信度分层：

• 对账类、资金类的数，治理达标后标记为"准"，可以直接用于决策；
• 计划类、预估类的数，标记为"参考"，AI 回答时会告诉您这个数能信到什么程度；
• 每个数带出处，点开能对账——发现不对，治理就有了精确的靶子。

这样老板看到的不是一个真假莫辨的总数，而是一张标了可信度的账。

两条路径对比

常见问题（FAQ）

企业数据很乱，可以直接上 AI 问数吗？ 可以，但起点要选好：挑数据相对最全、老板最常问的场景切入，其余的边用边治。数据乱不是不开始的理由，是别一口吃全部的理由——等"治理完"再开始，恰恰是传统数据中台烂尾的老路。

数据边用边治，AI 报的数准不准？ 靠可信度分层兜底：对账类、资金类数据治理达标后标"准"，可直接用于决策；计划类、预估类标"参考"，AI 回答时明示可信度。宁可诚实标注，不冒充实证。

数据治理要达到什么程度才能支撑 AI 应用？ 没有统一终点，判断标准是"高频要数的指标是否达标"：老板常问的指标先治到对账级，没人问的数据可以缓治。治理是由业务问题牵引的常态动作，不是一次性工程。

一句话总结：数据完善是过程，不是前提——先把 AI 用起来，让真实的问题牵出治理清单，边用边治，走一步成一步。

• 了解产品：向量空间 JBoltAI本体语义平台