> For the complete documentation index, see [llms.txt](https://doc.duaer.com/zh/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://doc.duaer.com/zh/guides/data-readiness-generative-ai.md).

# 2027 年生成式 AI 的数据就绪度：为什么试点会过早停滞

本文整理自 Duaer 文档站，探讨 2027 年企业尝试生成式 AI 时，试点项目为何常在早期停滞，并给出评估就绪度与确定优先级的实用方法。

## 概述

2027 年，大多数尝试生成式 AI 的团队会在几周内发现同一件事。模型在演示中表现出色，回答流畅，管理层批准了试点。随后，回答开始偏离事实：它们引用过时的政策，遗漏最新的产品规格，还在不同部门之间相互矛盾。团队于是怪罪模型、更换供应商、再次尝试，结果又撞上同样的墙。多数情况下，真正的原因并不在模型本身，而是企业的数据从未为一个需要阅读、总结并基于其进行推理的系统做好准备。

生成式 AI 的数据就绪度，指的是你的内容、数据和访问规则是否足够好，能让语言模型可靠地使用它们。这个概念很容易与拥有数据仓库或数据治理项目混为一谈。这些固然有帮助，但生成式系统有自己的要求：内容必须是最新的、结构良好的、能追溯到负责人的，并且要允许提问的用户访问。本文将解释这种差距为何如此普遍，如何评估自身所处的位置，以及首先应该做什么。

## 为什么这个问题比看起来更难

传统分析可以容忍混乱的数据。仪表盘可以汇总标签不一致的字段，分析师也可以手动修正。生成式模型则不同。它会阅读所给的一切，并据此生成一句听起来十分确定的话。如果三份文档对同一退款政策的描述各不相同，模型可能会把它们融合成第四个版本，而这个版本没有人批准过。

第二个难点在于范围。企业知识散落在维基、工单系统、共享网盘、聊天记录、多年前扫描的 PDF，以及资深员工的脑海里。这些内容大多是为已经了解背景的人编写的。一个人阅读旧流程时，会注意到它提到了去年已经退役的系统；而检索流程除非有人专门设计了检测机制，否则不会察觉任何问题。

第三个难点在于访问权限。生成式 AI 往往会成为多个来源的统一入口，这意味着它可能展示某位用户本不应看到的内容。在试点阶段跳过权限梳理的团队，往往会在更大范围的受众面前才发现问题，而那时修复的代价要高得多。

## 常见误区

第一个误区是认为数据越多越好。有些团队在第一天就把能接入的所有知识库都接进来。结果是，系统检索出的既有权威版本，也有看似合理但已过时的材料。缺乏筛选的大量数据只会增加混乱。相比庞大却未经审核的语料库，较小且经过验证的语料库通常能带来更好的早期效果。

第二个误区是认为数据湖或中央平台本身就能解决就绪问题。统一存储并不能消除矛盾、填补负责人缺位或更新陈旧内容，它只是把问题搬到了新的位置。就绪度取决于内容质量和清晰的责任划分，技术可以支持这些工作，却无法替代它们。

第三个误区是认为就绪度是一次性项目。文档会变，产品会变，政策也会变。一个春天时准确的语料库，到了秋天可能已经误导用户。就绪度更像是一种持续运营的纪律：必须有人为每个来源负责，按计划复核，并及时淘汰已不再正确的内容。

## 如何评估你的起点

在动手建设之前，先选定一个重要的使用场景，例如内部人事政策助手或客户支持知识工具。然后梳理这样一个系统要回答其十个最常见问题所需的来源。对每个来源，记录四件事：它存放在哪里、由谁负责、上次复核是什么时候、谁有权限查看。

这个练习很简单，却通常能揭示真实情况。团队常常会发现，某个高频问题的答案依赖于一份两年没人更新的文档，或者依赖于一位即将转岗的员工维护的电子表格。这些发现才是你就绪工作的实际范围。如果你想要一个更有结构的检查版本，[数据与 AI 就绪度评估](https://doc.duaer.com/zh/guides/data-ai-readiness-assessment/)指南会更详细地介绍这份清单。

绘制好这张地图之后，你可以在 Duaer 中运行同样的工作流，用你真正核实过的来源，而不是演示数据集，来测试生成式助手如何回答你的实际问题。这样，你就能获得一个具体的基线，用于决定先修复什么。

## 如何衡量就绪程度

就绪度应当被衡量，而不是凭感觉猜测。在实践中，以下四项指标很有用。

覆盖度：回答优先问题所需的来源是否以可用的形式存在。如果某个问题没有权威来源，无论模型多好，都无法给出可靠的回答。

时效性：来源的年龄与其所依据的事实变化频率相比如何。每月变动的价格表，需要与稳定的安全操作流程采用不同的复核节奏。

一致性：不同来源之间是否相互吻合。矛盾是生成式回答看似可信、实则出错的最常见原因。可以在五十个问题的样本中统计你发现的矛盾数量，并将其视为一个风险信号。

访问控制：权限能否在内容层面得到执行。如果答案是否定的，试点就应当局限于对所有能够访问它的人都安全的内容。

持续跟踪这四项指标的团队，能够看出就绪度是否在改善。同样的逻辑也适用于评估整体项目。如果想深入了解为什么许多试点在进入生产环境之前就停了下来，可以参考[企业 AI 数据就绪度为何会让试点停滞](https://doc.duaer.com/zh/guides/data-readiness-ai/)这篇分析。

## 优先级排序与本周行动

没有哪个组织能让所有知识同时就绪。务实的做法是根据两个因素对来源排序：它们被高价值问题调用的频率，以及修复的难度。一套常用但略显混乱的政策库，通常比一套很少被查阅、却维护得非常完善的报告档案更适合作为首个目标。

对每个候选来源，问自己三个问题：它能否回答人们每周都在问的问题？是否有一位有权批准变更的指定负责人？内容能否在几周而不是几个季度内完成清理？三项都表现良好的来源应纳入第一批。那些很重要、却因负责人尚未明确而受阻的来源，应当作为治理工作并行处理，而不是当作技术工作。

这种排序也能防止试点范围蔓延。当有干系人要求再接入另一个知识库时，你可以说明它将带来多少复核时间和风险成本，并决定它是否应当进入下一批。

开始行动并不需要很多。选择一个高频使用场景，列出人们关于它最常问的五十个问题，并为每个问题找到对应的来源。把来源缺失、无人负责、超过复核周期或被另一份文档反驳的问题都标记出来。将清单分享给该流程的业务负责人，请他们为每个缺口指定一位负责人。这次会议结束时，你就会拥有一份切实可行的就绪度待办清单，以及清晰的第一批工作。

如果你希望把这份清单变成可以运行的测试，而不只是一张表格，可以在 [Duaer](https://www.duaer.com) 上搭建这套工作流，检验助手如何基于你已核实的来源作答。平台无法替你明确内容责任，但能迅速显示哪些缺口真正影响了回答。

如果你的团队正在为 2027 年的生成式 AI 试点做准备，可以访问 [https://www.duaer.com](https://www.duaer.com) 注册试用，并在一个真实的使用场景上进行第一次就绪度检查。从你的员工最常问的问题开始，让答案告诉你数据究竟哪里需要改进。

数据就绪度并不是开始之前需要完成的前置清单，而是决定生成式 AI 能否给出企业可以负责任地采用的答案的持续纪律。那些从一个使用场景、一个负责人做起、将其视为长期实践的企业，往往比那些寄希望于模型弥补杂乱知识的企业，更可靠地从试点走向生产。

## 常见问题

### 什么是生成式 AI 的数据就绪度？

数据就绪度指企业的内容、数据和访问规则是否足够好，能让语言模型可靠地使用。它关注内容是否最新、结构是否清晰、是否有明确负责人，以及提问用户是否有权访问相应内容，而不仅仅是是否拥有数据仓库或数据治理项目。

### 企业的生成式 AI 试点为什么容易停滞？

常见原因并不是模型本身，而是底层数据未做好准备。例如知识来源相互矛盾、文档已经过时、缺少明确的负责人，或者权限没有在内容层面得到控制。模型会把这些问题原样呈现为看似可信的回答，因此试点在扩大范围时容易暴露问题。

### 企业应该先准备哪些数据来源？

建议优先选择被高价值问题频繁使用、有明确负责人可以批准变更，并且能在几周内完成清理的来源。可以先选定一个高频使用场景，列出最常见的问题，再逐一梳理回答这些问题所需的来源，从中确定第一批工作。