自從生成式AI出現(xiàn)以來，企業(yè)在AI方面的應用已不再是一種“可做可不做”的選擇，而變成了“不這么做就無法生存”的必然要求。許多企業(yè)都正致力于利用AI來提升生產(chǎn)力、創(chuàng)造新的業(yè)務價值。
【關西電力公司（Kansai Electric Power）】
導言：在人工智能時代，競爭力的源泉究竟是什么？
自從生成式AI出現(xiàn)以來，企業(yè)在AI方面的應用已不再是一種“可做可不做”的選擇，而變成了“不這么做就無法生存”的必要條件。許多企業(yè)都致力于利用AI來提升生產(chǎn)力、創(chuàng)造價值。
在這里，我想要再次向大家提出一個問題。那就是：“究竟是什么決定了人工智能的本質性能？”
決定AI性能的因素，是AI的模型嗎？是AI使用的工具嗎？還是AI智能體（Agent）呢？ 當然，我認為這些都很重要。不過從長遠來看，多家公司圍繞AI模型性能展開的競爭最終會在某個節(jié)點趨于收斂。到那時，很可能會出現(xiàn)“不管用哪家的AI模型都一樣厲害”的局面。
在這種背景下，我認為能夠真正影響AI性能、也是最重要的一環(huán)，就是企業(yè)所積累的、能夠轉化為自身優(yōu)勢的“數(shù)據(jù)”。
例如，如果有人問“花草需要吸收什么才能茁壯成長？”，答案自然是“優(yōu)質的水分和陽光”。 另外，如果被問到“人類需要接受什么才能獲得良好成長？”，我認為是“美好的言語”。 最后，“AI是通過什么來獲得成長的呢？”答案就是“優(yōu)質的數(shù)據(jù)”。
對于這一極其簡單的原理，企業(yè)能在多大程度上深刻理解并堅定不移地執(zhí)行，將決定其能否確立競爭優(yōu)勢并實現(xiàn)持續(xù)增長。
AI是“數(shù)據(jù)的鏡子”
想必大家都已經(jīng)認識到，AI絕不是什么“魔法棒”。它只是根據(jù)被喂給的數(shù)據(jù)進行學習，并在那個范圍內進行推理的存在。也就是說，AI的輸出結果在極大程度上依賴于輸入數(shù)據(jù)的質量。可以說，“AI就是數(shù)據(jù)的鏡子”。
如果輸入不準確的數(shù)據(jù)，就會返回不準確的結果（=垃圾進，垃圾出 / Garbage in, garbage out）。
如果輸入帶有偏差（偏見）的數(shù)據(jù)，AI就會做出帶有偏差的判斷。
基于不充分的數(shù)據(jù)，只能得到膚淺的見解或提示。
由此可見，AI本身并不“聰明”，它只是“忠實于數(shù)據(jù)”?；谶@一前提，我們可以看清：應用AI的本質不在于“使用哪種工具”，而在于“如何整理出優(yōu)質數(shù)據(jù)，并妥善加以利用”。
什么是“優(yōu)質數(shù)據(jù)”？
那么，什么是“優(yōu)質數(shù)據(jù)”呢？顯然，僅僅是數(shù)據(jù)的“量”大，如果質量不行也是毫無用處的。但另一方面，所謂“質量”好，具體指的又是什么呢？
從一般的數(shù)據(jù)管理視角來看，“優(yōu)質數(shù)據(jù)”至少應具備以下幾個維度：
正確性（Accuracy）：包含大量錯誤和噪音的數(shù)據(jù)，無論進行多么高級的分析，得出的結論都會被扭曲。因此，盡量減少傳感器誤差、輸入錯誤和數(shù)據(jù)重復是至關重要的。
完整性（Completeness）：所需字段是否缺失？缺失值是否過多？例如，如果一份客戶數(shù)據(jù)中，年齡、地區(qū)、性別等信息出現(xiàn)大面積空白，就很難進行有效的分析。
一致性（Consistency）：相同含義的數(shù)據(jù)是否存在不同格式混用的情況（例如：日期格式、單位、名稱縮寫不統(tǒng)一）？這在系統(tǒng)集成和處理長期數(shù)據(jù)時尤為重要。
最新性（Timeliness）：數(shù)據(jù)再準確，如果過于陳舊，也可能對當前的決策毫無幫助。是需要實時數(shù)據(jù)，還是過去的歷史數(shù)據(jù)就足夠？這取決于具體的用途，但關鍵是要保證“符合目標的適當新鮮度”。
目的適切性（Relevance）：如果包含了太多與分析目的無關的數(shù)據(jù)，就會變成噪音并導致誤判。必須明確“為了什么目的使用數(shù)據(jù)”，并準備與之高度相關的數(shù)據(jù)。
可靠性（Reliability）：數(shù)據(jù)的來源是哪里？是如何收集的？這些信息必須明確以確保可靠性，同時還要具備可復現(xiàn)性。來源不明的“黑盒”數(shù)據(jù)在后期是無法進行驗證的。
總而言之，所謂的“優(yōu)質數(shù)據(jù)”，指的是“準確無誤、缺失少、含義和格式統(tǒng)一、時效性恰當、符合使用目的且來源可靠”的數(shù)據(jù)。
只有確保了作為“優(yōu)質數(shù)據(jù)”的質量底線，AI才能產(chǎn)出有價值的結果。反過來說，如果在數(shù)據(jù)尚未整理好的狀態(tài)下盲目引入AI，是絕對無法獲得預期成果的。目前許多企業(yè)抱怨“引入了AI卻沒法用”、“AI的準確率提不上去”，其根源大多出在數(shù)據(jù)問題上。
數(shù)據(jù)并非“自然而然就能整理好”
這里非常關鍵的一點是：優(yōu)質數(shù)據(jù)絕不是自然而然就能產(chǎn)生的。相反，如果置之不理，數(shù)據(jù)必然會發(fā)生劣化。
根據(jù)輸入人員和時機的不同，輸入規(guī)則變得五花八門。
存在多個含義相同但命名不同的數(shù)據(jù)。
從未被更新過的陳舊數(shù)據(jù)散落各處，無人問津。
各個部門的數(shù)據(jù)形成“孤島（Silo）”，互不相通。
上述這些情況，在許多企業(yè)中應該都屢見不鮮吧。
以下展示了本公司在數(shù)據(jù)管理方面的整體架構。?
【數(shù)據(jù)管理整體架構圖】
宏觀上，它主要由兩大板塊構成：一是涉及角色與體制、風險管理、評估的“數(shù)據(jù)治理”；二是包含數(shù)據(jù)應用生命周期管理與支持服務的“數(shù)據(jù)管理”。其中，在數(shù)據(jù)應用的生命周期管理方面，包含以下流程：
需求管理：明確目的和需求，即“為什么要使用這些數(shù)據(jù)？”、“這些數(shù)據(jù)能為誰帶來什么價值？”。
收集：根據(jù)目標收集必要的數(shù)據(jù)。設計需要哪些內部/外部數(shù)據(jù)、以何種粒度和頻率收集，以及如何確保其質量。
加工：提升數(shù)據(jù)質量，將其整理成可用的形態(tài)。包括數(shù)據(jù)清洗（糾正錯誤與填補缺失）、格式統(tǒng)一、數(shù)據(jù)合并與查重、針對結構化/非結構化數(shù)據(jù)的專項處理，以及賦予業(yè)務層面的具體含義等。
蓄積：確保數(shù)據(jù)處于“需要的人在需要時即可使用”的狀態(tài)。包括存入數(shù)據(jù)庫/數(shù)據(jù)湖、實施安全與訪問控制、元數(shù)據(jù)管理（讓人知道這是什么數(shù)據(jù)）等。
利活用（應用）：這是最重要的一步。使用數(shù)據(jù)的目的不是為了“分析”，而是為了“促成行動”。通過數(shù)據(jù)可視化（儀表盤）、高級分析（統(tǒng)計處理、BI、AutoML、AI），以及嵌入業(yè)務流程（自動化、決策支持）等方式，從數(shù)據(jù)中創(chuàng)造出真正的業(yè)務價值。
廢棄：妥善處理不再需要的數(shù)據(jù)。包括保管期限的管理、應對法律法規(guī)與合規(guī)審查、降低安全風險等。事實上，僅僅是“持有數(shù)據(jù)”本身就可能構成一種風險。因此，“不保留不需要的數(shù)據(jù)”這一理念同樣重要。
數(shù)據(jù)管理絕不是一次性建好就結束的工作，而是一項需要持續(xù)維護和改進的長期工程。CIO必須將數(shù)據(jù)管理作為一種機制嵌入到組織中，并持之以恒地執(zhí)行，直到它徹底扎根。
數(shù)據(jù)管理并非“只有IT部門才該負責的工作”
另一個核心要點是：數(shù)據(jù)管理絕不僅僅是IT部門單打獨斗的工作。
數(shù)據(jù)基本上都是在一線業(yè)務的運轉過程中產(chǎn)生的。因此：
數(shù)據(jù)的含義和定義到底由誰來拍板？
如何統(tǒng)一數(shù)據(jù)的輸入規(guī)則？
如何從源頭確保數(shù)據(jù)的質量？ 這些問題，本質上都是業(yè)務層面的問題、事業(yè)發(fā)展的問題，更是企業(yè)經(jīng)營層面的問題。
在日本經(jīng)濟產(chǎn)業(yè)省于2026年4月發(fā)布的最新版《數(shù)字技能標準 ver.2.0》中，針對數(shù)據(jù)管理領域，劃定了以下三種關鍵角色：
數(shù)據(jù)管家（Data Steward）：基于對業(yè)務領域的深厚了解，負責確保數(shù)據(jù)質量、可靠性與安全性相關的運營工作。同時，還要推動數(shù)據(jù)管理在業(yè)務部門和一線組織中的滲透與扎根，促進數(shù)據(jù)的有效利用?？梢哉f是“數(shù)據(jù)質量的把關人與數(shù)據(jù)應用的推廣者”。
數(shù)據(jù)工程師（Data Engineer）：把握數(shù)據(jù)的現(xiàn)狀，在數(shù)據(jù)收集、整合、加工、提供等各個流程中實施數(shù)據(jù)整理與預處理，并通過設計與搭建數(shù)據(jù)管道，來支撐整個組織的持續(xù)性數(shù)據(jù)利用?？梢哉f是“讓數(shù)據(jù)流動起來的落地與運維執(zhí)行者”。
數(shù)據(jù)架構師（Data Architect）：俯瞰整個組織和業(yè)務的數(shù)據(jù)結構、流向及應用方式。緊扣業(yè)務戰(zhàn)略，設計著眼于數(shù)據(jù)全生命周期的整體架構，并進行持續(xù)優(yōu)化，從而實現(xiàn)跨部門的數(shù)據(jù)利用與數(shù)據(jù)治理的完美平衡。可以說是“數(shù)據(jù)的全局總設計師”。
對于CIO而言，不能僅僅停留在搭建數(shù)據(jù)存儲和分析的IT基礎設施上。更迫切的任務是：在公司內部合理配置具備這三種角色的專業(yè)人才，搭建跨部門的全公司統(tǒng)一工具與規(guī)則，從而發(fā)揮將“企業(yè)經(jīng)營、事業(yè)發(fā)展、日常業(yè)務與數(shù)據(jù)”緊密縫合的紐帶作用。
數(shù)據(jù)應用的成敗，最終取決于“組織風氣（企業(yè)文化）”
然而，不管人才配置得多么齊備，基礎設施、工具和規(guī)則搭建得多么完善，如果組織內部沒有形成“基于數(shù)據(jù)來驅動經(jīng)營和業(yè)務”的文化風氣，數(shù)據(jù)依然無法被真正用起來。
一線員工根本不理解錄入這些數(shù)據(jù)的意義是什么。
數(shù)據(jù)和指標僅僅為了應對本部門的考核而進行了局部優(yōu)化。
基于客觀數(shù)據(jù)做出的高質量決策，在公司內部得不到認可和獎勵。
在這樣的狀態(tài)下，無論機制設計得多么精妙，最終都會流于形式。
反觀那些數(shù)據(jù)應用開展得非常順利的組織，以下行為往往是自然而然發(fā)生的：
所有討論和會議，都以客觀數(shù)據(jù)為前提。
先提出假設，然后用真實的數(shù)據(jù)去驗證它。
全員都有意識地持續(xù)改善數(shù)據(jù)的質量。
也就是說，數(shù)據(jù)管理的終極本質，其實是為了營造一種“以利活用數(shù)據(jù)為前提的組織文化”。
這種文化的形成不可能一蹴而就。正因如此，最有效的方法是“從小處著手，積小勝為大勝”：
在某個特定的核心業(yè)務中先行整理數(shù)據(jù)，并通過引入AI取得立竿見影的成果。
將這個成功案例在公司內部橫向推廣。
逐步擴大數(shù)據(jù)治理和AI應用的目標領域。
通過不斷運轉這個正向循環(huán)，數(shù)據(jù)的重要性就會潛移默化地滲透到整個組織的血液中。
AI時代CIO應扮演的新角色
在AI時代，外界對CIO的角色期望已經(jīng)發(fā)生了天翻地覆的改變。
在過去，CIO的核心職責主要是：
確保IT系統(tǒng)的穩(wěn)定運行。
最大化地優(yōu)化IT成本。
但從今往后，CIO需要承擔更多直接關乎企業(yè)經(jīng)營命脈的職責：
將數(shù)據(jù)視為企業(yè)的核心資產(chǎn)，并實現(xiàn)其價值的最大化。
為AI的應用鋪好路：搭建數(shù)據(jù)基座、工具和規(guī)則，同時推進相關人才的配置與培養(yǎng)。
在全公司范圍內，主導釀造“以數(shù)據(jù)為驅動”的組織文化。
換句話說，CIO必須完成自我進化，成為企業(yè)“數(shù)據(jù)價值創(chuàng)造的總負責人”。
結語：數(shù)據(jù)，才是競爭優(yōu)勢的真正源泉
在未來的時代，全面利活用AI將成為所有企業(yè)生存的基準線。在這場競爭中，拉開差距的關鍵已經(jīng)不再是“你是否使用了AI”，而是“你手里到底掌握著什么樣的數(shù)據(jù)”。
數(shù)據(jù)，是對企業(yè)過去各項經(jīng)營優(yōu)勢的沉淀，更是創(chuàng)造未來商業(yè)價值的源泉。而數(shù)據(jù)的質量，則是由每天的日常業(yè)務和組織的運作方式所決定的。
AI，需要在優(yōu)質數(shù)據(jù)的滋養(yǎng)下才能茁壯成長。
而企業(yè)，則將通過這些強大的AI實現(xiàn)飛躍式成長。
把這個最簡單的原理作為一切的出發(fā)點，將數(shù)據(jù)管理徹底推向企業(yè)經(jīng)營的核心位置。這難道不是在AI時代實現(xiàn)企業(yè)持續(xù)增長的最短路徑嗎？
而身為CIO，正是那個需要挺身而出、牽引著企業(yè)走完這條路徑的關鍵領航人。
下期預告：徹底思考并實現(xiàn)“人與AI的協(xié)作究竟是什么？”——CIO應當設計的新型工作方式與企業(yè)變革
應用AI的本質不在于“替代”，而在于“協(xié)作”。
AI究竟擅長什么？人類又該擔負起哪些核心職責？
要實現(xiàn)人機協(xié)作，對現(xiàn)有業(yè)務流程進行重新設計是必不可少的。
CIO悄悄話：老板天天催AI落地，業(yè)務天天罵AI太蠢？作為CIO我終于看透了真相……
最近，生成式AI可謂是火遍了大江南北。老板在外面聽了幾場峰會，回來就下了死命令：“現(xiàn)在不用AI，以后就沒飯吃！趕緊在全公司推行！”
于是，我們IT部門加班加點，采購工具、部署模型、開放接口?？墒菦]過幾天，業(yè)務部門的吐槽就如潮水般涌來：“這AI怎么總是胡說八道？”“預測的結果根本不準啊！”“這簡直是人工智障，還不如我自己用Excel算得快！”
面對這些指責，很多同行可能會抱怨現(xiàn)在的AI大模型還不夠成熟。但作為CIO，在仔細排查了系統(tǒng)后，我終于看透了背后的真相——這根本不是AI的鍋，而是我們自己數(shù)據(jù)的鍋！
【痛點直擊：你喂給AI的是垃圾，它憑什么給你吐出黃金？】
很多企業(yè)在搞AI的時候都有一個誤區(qū)，以為買個最貴的模型、上個最酷的工具，就能立刻產(chǎn)生價值。但事實是，AI并不是魔法棒，它只是一面“數(shù)據(jù)的鏡子”。
回想一下我們公司內部的數(shù)據(jù)現(xiàn)狀吧：各部門各自為政，數(shù)據(jù)形成了無數(shù)個“孤島”；同一種數(shù)據(jù)有三種不同的命名規(guī)則；客戶信息缺斤少兩，好幾年都沒人更新…… 如果我們把這些充滿噪音、偏差和錯漏的“垃圾數(shù)據(jù)”喂給AI，AI怎么可能得出準確的結論？“Garbage in, garbage out（垃圾進，垃圾出）”，這就是我們在AI落地時遭遇的最大攔路虎。不解決數(shù)據(jù)源頭的問題，任何高大上的AI項目最后都會淪為形式主義的擺設。
【方案落地：跳出技術自嗨，重塑數(shù)據(jù)生命周期】
長遠來看，市面上的AI模型能力最終會趨于同質化。大家都用差不多的模型時，真正的護城河是什么？是你自家獨有的、高質量的“企業(yè)數(shù)據(jù)”。為了讓AI能夠吸收“優(yōu)質的養(yǎng)分”茁壯成長，我們必須轉變思維，把數(shù)據(jù)管理當成一把手工程來抓。
第一，明確數(shù)據(jù)管理不僅是IT部門的事，更是業(yè)務的事。數(shù)據(jù)是在業(yè)務中產(chǎn)生的，它的含義和質量必須由業(yè)務來把控。我們需要在組織內建立起“鐵三角”：
數(shù)據(jù)管家（Data Steward）：懂業(yè)務，負責盯緊數(shù)據(jù)質量，推動部門內的數(shù)據(jù)應用。
數(shù)據(jù)工程師（Data Engineer）：懂技術，負責清洗、整合數(shù)據(jù)，搭建數(shù)據(jù)流通的管道。
數(shù)據(jù)架構師（Data Architect）：懂全局，根據(jù)公司戰(zhàn)略設計整體的數(shù)據(jù)架構和生命周期。
第二，打通數(shù)據(jù)管理的完整閉環(huán)。不要再任由數(shù)據(jù)在系統(tǒng)里發(fā)霉了！從明確“為什么用這些數(shù)據(jù)”的需求管理開始，到按需收集、清洗加工（去重補缺）、安全蓄積，再到最終融入業(yè)務流程創(chuàng)造價值，甚至包括過期廢棄。每一個環(huán)節(jié)都要有規(guī)可循。 我的建議是：不要想著一口吃成胖子。找一個最痛的業(yè)務場景切入，先把這一塊的數(shù)據(jù)洗干凈，讓AI跑出讓人驚艷的成果，然后再把這個成功經(jīng)驗橫向復制到其他部門。
【終極價值：讓數(shù)據(jù)重塑組織文化，完成CIO的華麗進化】
當我們真正把數(shù)據(jù)管理做扎實了，帶來的改變是顛覆性的。
你會發(fā)現(xiàn)，跨部門開會不再是“我覺得”、“憑經(jīng)驗”，而是“用數(shù)據(jù)說話”、“提假設，用數(shù)據(jù)驗證”。當“以數(shù)據(jù)為前提”的組織文化生根發(fā)芽時，AI才能真正從一個“嘗鮮的玩具”，變成企業(yè)生產(chǎn)力爆發(fā)的“核武器”。
而在這一場變革中，我們CIO/CDO的角色也迎來了終極進化。過去，我們只是負責“系統(tǒng)穩(wěn)定、控制成本”的后勤大管家；但現(xiàn)在，我們正式成為了企業(yè)“數(shù)據(jù)價值創(chuàng)造的總負責人”。
記住，在AI時代，能拉開企業(yè)差距的，永遠是你手里捏著的好數(shù)據(jù)。把土壤培植好，AI自然會開出最驚艷的花。各位IT同仁們，別再盯著模型看了，趕緊回去梳理你們的數(shù)據(jù)吧！
