数据“三不通”，AI一用“路”就崩

“对话网易智企：AI用不起来的根儿，不在模型在数据

2026年，没有哪家企业不在谈AI。

从央企集团到民营制造，CIO们的年度关键词已经从“数字化转型”变成了“AI落地”。大模型、智能体、自动化分析，技术在快速进步，企业也在真金白银地投入。

然而，热潮之下，一个尴尬的事实正在浮出水面。

Gartner数据显示，到2025年底，至少50%的生成式AI项目在概念验证后就被放弃了；到2026年，这一比例将攀升至60%。不是因为模型表现不佳，而是企业缺乏AI-Ready的数据基础设施来支撑它们。据媒体报道，MIT对300个企业AI案例的研究发现，大部分的试点失败都可以追溯到数据质量和集成问题。

那么，到底有什么问题，怎么解决？

如何构建AI-Ready的数据基础设施，又如何支撑上层的AI规模化商用落地？为了搞清楚这个问题，数据猿采访了网易智企，并与网易智企旗下企业大数据一体化平台网易智企·数帆展开对话，看它如何在服务企业AI应用落地的过程中找到解法，又是如何在服务企业的AI应用落地的。

AI的“数据困境”：为什么模型越强，暴露的问题越多

首先，我们来看看企业在AI应用落地的过程中，到底会遇到哪些数据问题。

先来看一个典型案例，一家制造企业上线了AI经营分析系统。财务总监提问：“华东区上月销售额多少？”系统秒回：“3200万。”财务总监当即质疑：“我这边统计是2800万。”

差了400万。AI没错——它调取了ERP、CRM、MES三个系统的数据，各自加总得出了3200万。但财务总监的2800万，用的是财务系统的统一口径。三条数据源、三套定义，AI扫描到了，却没能力“串”起来。它不是人，不会追问“你用的是哪个口径”。它只知道算。结果就是：快，但算错了。

这几乎是每一家试图用AI做经营分析的企业都会撞上的墙。不是模型不够聪明，是它脚下的数据地基是松的。具体来说，是“三不通”。

系统不通，AI“看不全”。

数据散落在ERP、MES、CRM、财务等数十个孤立系统中，彼此隔离。

同一个客户、同一笔订单、同一笔资金，在各系统里字段命名各不相同。AI扫到了，但“串”不起来，它不知道“客户往来”、“应收款”、“经营性债权”指向的是同一件事。

语义不通，AI“读不懂”。

数据汇聚到一起，AI就读得懂了吗？还不行。

“销售额”在ERP里含税，在CRM里不含税，在MES里又包含了运费。同一个词，财务、业务、运营各有一套口径。AI面对多个版本的“真相”，无法判断哪个是“对的”。它不会打电话问口径，只能猜，而猜错了就是漂亮但错误的结论。

网易智企·数帆提到，其某集团客户过去缺乏统一的数据标准体系，每次跨部门数据对齐至少2到3轮沟通。人工时代勉强能跑，但AI来了之后，这套靠“人肉协调”的方式彻底失效。

质量不通，AI“信不过”。

系统通了、语义也通了，第三个问题浮出水面：质量不过关。数据缺失、重复、录入错误普遍存在，AI不会甄别，缺了照算、错了照算，只管跑完计算，不管算得对不对。

网易智企·数帆某客户，过去的管控模式是日汇报、周汇报、月汇报，风险永远是事后发现。等财务报表出来，已经滞后了2到4周。AI想做实时预警，但底子不支持。更致命的是，AI给出的结果无法追溯。没人能说清“这个数字怎么来的”，引用了哪些表、用了什么口径、经过什么计算，全是黑箱。一个无法解释的结论，在经营决策中没有价值。决策者不敢信，最终回归人工。

AI确实让工作变快了，几天变几分钟。但快的是“计算速度”，不是“答案质量”。系统不通、语义不通、质量不通，环环相扣。这个底子不换，买再多AI工具，也只是在流沙上盖高楼。

网易智企·数帆有什么“招”？

问题很清楚了，怎么解？

网易智企·数帆也许是一个不错的样本。

依托网易二十余年的技术积累，数帆在数据治理与AI应用领域已经深耕多年，并对Hadoop、Spark、Impala等开源核心组件做了源码级增强。

面对AI数据基础设施的难题，数帆的做法是：不急着上AI工具，先把数据底座搭好。

具体怎么搭？分为三层。

第一层：数据开发治理平台——让数据“找得到”。

统一接入所有业务系统，建立全域数据资产目录。企业第一次搞清楚：自己到底有哪些数据、分别在哪儿、质量如何。

基于DataOps理念，把开发、标准、质量、安全串成一条线，从源头防止“三不通”。数据不再是散落在各部门柜子里的文件，而是统一登记、贴了标签、建了索引的资产。

第二层：智能数据语义平台——让数据“读得懂”。

在原始数据之上建一层统一的业务语义层，每一个业务名词——毛利率、逾期、营收——只有一套权威算法。

AI不再面对多套口径自己去猜，直接调用语义层的统一标准。指标归因、指标预警、指标图谱、BI分析、DataAgent智能问答等一系列能力，都基于这一层语义标准展开。指标从定义到应用全生命周期管理，有变化统一调整，不会出现“财务改了口径、业务还在用老版本”的情况。

第三层：智能数据应用平台——让AI“答得准”。

业务人员用中文提问：“上个月各子公司毛利率排名”——不写SQL，不等IT排期，系统直接给答案。

更重要的是，每个结果都可以追溯：来自哪些表、经过了什么计算、口径是什么。决策者敢信，AI才不是玩具。

三层串起来，逻辑很清晰：资产目录→统一语言→可信助理，AI才真正“看得全、读得懂、答得准”。

那么，这一套“打法”到底有没有效？接下来，我们来看两个实际应用案例。

某省属国企集团——从“三不通”到“三层通”

网易智企·数帆的某省属国企集团企业客户，业务横跨商贸流通、金融服务、生命健康三大板块，曾深陷数据困境：系统层面，集团与子公司平台割裂，约60%的数据需求依赖IT手工取数，响应周期3-5天；语义层面，财务口径与业务口径常年“打架”，跨部门对齐至少2-3轮沟通；质量层面，风险管控依赖日/周/月汇报，发现问题时已滞后2-4周。

针对这些问题，网易智企·数帆为其构建了“112N”架构：

·一套统一数据标准，集团从管理合规视角定义最终口径并下发，各级成员公司拆解执行，1800+经营管理指标全域统一，一个数字一个口径；

·一套统一技术架构，对未建中台的统一建设，对不同技术底座的通过逻辑数据湖统一接管；

·两级数据中台，集团与二级成员公司直连互通；

·N级数据资产，按管理和运营场景全面梳理。

这一套方案实施之后，效果也是立竿见影的：数据响应从3-5天压缩到秒级，风险发现从滞后2-4周变为实时预警，IT从“取数工”变为“数据架构师”。管理层晨会前3分钟，即可自助查看全集团经营概况。底座打好后，AI自然就位，“资产目录→统一语义→可信AI助理”三层贯通，AI知道数据在哪、口径是什么、结果如何追溯。

恒丰银行——让60位客户经理有了AI同事

数据底座铺好了，上层应用如何让一线业务真正用起来？网易智企·知数DataAgent给出了答案。

接下来，我们来看恒丰银行青岛分行的实践案例。

该银行痛点很具体：对公客户经理每周要写3到5份尽调报告，数据散落在信贷、存款、风控、CRM四个系统里。一份报告，客户经理要反复切换系统、手工比对数据，一套流程跑下来两个小时。客户经理真正见客户的时间，被挤压得不到一半。

针对恒丰银行青岛分行的需求，网易智企·数帆的解法不是给一个“更快的查询工具”，而是把AI嵌进日常工作流。数据底座之上，知数DataAgent建了统一业务语义层，把“对公存款”“风险敞口”等指标全部对齐，直接对接客户经理的移动端。现在打开手机，AI已经把尽调报告写好了——数据自动拉取、分析自动完成、结论自动生成，客户经理只需复核和微调。

效果如何呢？目前，60位客户经理用上了这个AI助手，日活约50，尽调报告从2小时压到3分钟。但比效率更值钱的，是客户经理被释放的时间——从“写报告”转移到了“见客户”。

恒丰银行数据资源部数据运营室负责人李文静评价：“知数DataAgent让我们看到，企业数据不只是沉淀在报表里，而是可以真正流动到业务决策中。过去很多分析工作依赖人工推动，现在管理层能够更快掌握经营变化，一线团队也能更及时地发现问题、采取行动。”

从上面的一些实际例子可以看出，网易智企·知数DataAgent的逻辑很清晰，先建统一语义层，再让AI基于可信数据直接交付答案。知数DataAgent不是单纯“做一个问答机器人”，它本质上是把数据从“沉淀在报表里”拉出来，变成可实时调用、可对话、可信赖的决策资产。并在这个基础上，让AI成为嵌入业务流程的数字员工。

千亿数据底座市场

谁能留在牌桌上？

上面给出的应用例子，并非个案。它指向一个更大的趋势：数据底座正在从一个“技术议题”变成“战略议题”，甚至是“合规议题”。这个赛道的确定性，来自政策和产业的双重驱动。

政策端：节奏在加快，要求变硬了。

回顾过去三年，政策的推进节奏清晰可见：2023年《数字中国建设整体布局规划》出台，明确数字中国是推进中国式现代化的重要引擎；同年“数据要素×”三年行动计划启动，目标是把数据从“资源”变成“生产要素”；2025年“AI+专项行动”写入年度工作重点，要求国企加速智改数转；2026年，围绕AI Agent的相关政策指引陆续落地，推动企业从“用上AI”走向“用好AI”。

穿透式监管是其中最具标志性的节点。2024年底，国务院国资委印发《国资监管系统全面智能化升级方案》，2025年3月又专门发文，强调“以穿透式监管为主线，以智能化转型为抓手”。

什么叫穿透式监管？总部直接到底层取数，不再靠层层上报汇总。这对数据底座是一次“极限压力测试”。系统通不通、语义通不通、质量通不通，一试便知。

政策在倒逼企业把“数据底账”翻清楚，数据治理从“可选项”变成了“必选项”。以前不做数据治理，最多是效率低一点。现在不做，连合规这关都过不去。

产业端：模型趋同，数据成为唯一变量。

大模型的能力正在快速趋同。DeepSeek、Qwen、豆包之间的差距在肉眼可见地缩小，甚至有些开源模型在某些场景下的表现已经不输闭源产品。

但企业数据准备度的差距，不但没有缩小，反而在拉大。有的企业已经能做到全域数据资产化、语义统一化、质量可度量；有的企业还在手工拉Excel、靠“表哥表姐”出报表。同样的模型，喂给不同的数据底座，产出的结果天差地别。

有一个简单的公式：AI应用深度=模型能力×数据准备度。

当模型能力趋同，决定AI在贵公司究竟能走多远的，就是一个关键变量——数据准备度。把底座打牢的企业，AI越用越聪明、越用越值钱。底座不牢的企业，AI越用越出错、越用越没人信。

2026年国内数据治理市场规模已相当可观，且保持着远高于企业软件平均增速的增长，越来越多的企业正在将数据治理从“成本项”重新定义为“投资项”。

市场空间在持续释放，哪些企业能留在“牌桌”上呢？

我们觉得，在日益激烈的市场竞争中，要想活下来，需要具备三个壁垒。

全链路壁垒。只做治理的厂商给不了BI，只做BI的厂商给不了语义层，只做Agent的厂商下面没有数据底座。单点工具各自为战，企业买回来一堆“零件”却装不成一台能跑的“机器”。一体化平台的价值在于端到端打通：从数据接入到资产管理，从语义统一到智能应用，一条链路走通，企业不用自己费劲搞集成、对接口、填坑。

信创壁垒。全栈国产化适配不是写几行代码就能做到的。需要对开源组件有源码级掌控，需要与国产芯片和操作系统进行大量兼容性测试和调优，需要通过工信安全中心的信创产品测试。每一项都是硬功夫，每一项都需要时间。先发者建立的是时间壁垒，后来者要补课，至少需要两到三年。

行业know-how壁垒。懂技术是门槛，懂行业才是护城河。金融的合规逻辑、制造的供应链逻辑、国央企的管控逻辑，每个行业有每个行业的复杂性。一套通用的技术方案，到了具体行业场景里“水土不服”，就永远停留在PPT上。在金融、国央企等领域积累的标杆案例，沉淀的是经验，建立的是信任。

这三个壁垒，把“能做”和“能做好”划出了一条清晰的分界线。

结语

以史为鉴，可以知兴替。回顾历史，技术的演进从来不是线性的。每一次生产力的跃迁，都伴随着基础设施的重构。

工业时代，电力的普及让工厂摆脱了“蒸汽机必须紧挨着生产线”的物理束缚，生产流程被彻底重写。互联网时代，光纤和交换机的铺设让信息不再依赖磁带和光盘的物理搬运，知识的流动成本趋近于零。AI时代，当大模型将“智能”从稀缺品变成可调用的公共服务，什么才是新的基础设施？

答案是数据底座。

过去十年，企业积攒了海量数据，但大部分处于“沉睡”状态。它们像未经开垦的矿藏，看似丰富，实则难以炼成精钢。大模型的到来，第一次让“炼矿”有了明确的经济价值。

把底座打牢，AI自然会“说话”。

这也是2026年，每一家试图穿越AI周期的企业，必须想明白的一件事。

文：月满西楼数据猿
责编：凝视深空数据猿