为什么AI项目百分之90的问题，其实都是数据问题？

为什么AI项目90%的问题，其实都是数据问题？

最近两年，我接触了不少企业AI项目，也持续关注国内外AI产品的发展。从ChatBI、企业知识库，到RAG、Data Agent，再到各种”数字员工”，几乎所有企业都希望借助大模型，让数据真正服务于业务。

有意思的是，大多数项目在Demo阶段都表现得相当不错。

上传几份文档，模型就能回答问题；连接数据库，AI就能自动生成SQL；接入知识库，Agent就能完成简单的数据分析任务。

但是，当这些项目真正进入企业生产环境之后，情况却发生了明显变化。

有的回答不准确，有的不同时间得到不同答案，有的生成了SQL却查询不到正确的数据，还有一些项目虽然技术架构没有问题，但业务部门始终不愿意使用。

很多企业的第一反应都是：

模型能力还不够强。

于是，他们开始尝试更大的模型、更长的上下文、更复杂的Prompt，甚至部署更昂贵的GPU资源。

然而，投入越来越高，效果却并没有发生本质改善。

在参与企业数据平台建设和数据治理工作的这些年里，我越来越认同一个观点：

大多数AI项目失败，并不是因为模型，而是因为数据。

如果说大模型决定了AI能够回答问题，那么企业数据体系决定了AI回答的问题是否可信。

---

AI项目真正运行时，到底依赖什么？

很多企业第一次接触AI时，都会把注意力放在模型本身。

例如：

• GPT-5.5 是否比其他模型更聪明？
• DeepSeek 是否更适合中文？
• Claude 是否更适合代码？
• 模型参数越大是否效果越好？

这些讨论当然有意义。

但如果站在企业架构的角度来看，一个完整的AI项目远远不只是一个大模型。

它更像下面这样一个体系。

               Business User
                      │
               自然语言提问
                      │
               LLM（理解问题）
                      │
     ┌──────────────────────────┐
     │                          │
 RAG知识库                  Data Agent
     │                          │
     └──────────────┬───────────┘
                    │
            Semantic Layer（语义层）
                    │
   ┌──────────────────────────────────┐
   │          │            │           │
Data Warehouse  Metadata   Metrics   Master Data
   │          │            │           │
   └──────────────────────────────────┘
                    │
           ERP / MES / CRM / SRM ...

很多企业真正投入建设的，往往只有图中最上面的一层——大模型。

而真正决定AI是否能够稳定工作的，却是下面这一整套企业数据体系。

模型只是AI的大脑，数据体系才是AI的记忆、知识和判断依据。

---

一个真实案例：为什么同一个问题，AI每天回答都不一样？

我曾参与过一家制造企业的数据平台建设。

企业拥有ERP、MES、CRM、SRM等多个业务系统，数据仓库已经建设多年，同时也上线了BI平台。

后来，企业开始尝试建设ChatBI，希望业务人员能够直接通过自然语言查询经营数据。

项目初期效果很好。

例如：

去年销售额是多少？

AI几秒钟就能够生成SQL并返回结果。

但是，很快业务部门提出了新的问题：

去年利润最高的客户是谁？

AI第一次回答：

A客户。

第二次回答：

B客户。

第三次甚至变成了另外一个客户。

模型并没有发生变化。

SQL生成逻辑也没有变化。

真正的问题在哪里？

经过排查，我们发现问题出在数据层。

ERP中的利润按照订单统计。

财务系统中的利润按照开票统计。

BI平台长期采用的是财务口径。

而AI生成SQL时，却关联了ERP事实表。

SQL本身完全正确。

返回的数据也完全正确。

错误的是，它回答了另一个业务口径。

这类问题，在企业中远比模型幻觉更加常见。

---

AI不会制造错误，它只会放大错误

很多人担心大模型会”一本正经地胡说八道”。

这确实是AI需要解决的问题。

但对于企业来说，更大的风险往往来自另一种情况：

AI基于错误的数据，生成了看起来非常可信的答案。

举一个简单的例子。

假设企业的数据仓库中已经存在下面这样一张汇总表。

SELECT
    customer_name,
    SUM(profit_amount) AS profit
FROM dws_sales_profit
WHERE order_date BETWEEN '2025-01-01' AND '2025-12-31'
GROUP BY customer_name
ORDER BY profit DESC
LIMIT 10;

这段SQL没有任何问题。

AI生成它也没有问题。

如果profit_amount字段本身已经因为退货逻辑处理错误而偏高，那么最终得到的所有分析结果都会是错误的。

AI不会发现这一点。

它只会更加高效地消费这些错误数据，并快速传播到更多业务场景。

过去，一个错误指标可能影响一张BI报表。

今天，一个错误指标可能影响：

• ChatBI
• 企业知识库
• Data Agent
• 智能经营分析
• 自动决策系统

AI时代，错误传播的速度比过去快得多。

---

企业 AI 真正缺少的，不是数据，而是统一的数据语言

如果深入分析大多数AI项目，会发现它们存在一个共同特点：

数据很多。

知识很多。

系统也很多。

真正缺少的是：

统一的数据语义。

举一个非常典型的例子。

销售部门维护了一套销售额指标。

metric:
  name: 销售额
  formula: 已付款订单金额

财务部门维护的是另一套定义。

metric:
  name: 销售额
  formula: 已开票金额（含税）

BI平台采用第三种口径。

AI知识库中的制度文件又采用第四种解释。

于是，当老板问：

今年销售额同比增长多少？

AI能够回答。

但它不知道：

到底应该相信哪一个”销售额”。

很多企业认为这是Prompt的问题。

实际上，这是Semantic Layer（语义层）缺失的问题。

模型不知道企业语言。

因为企业自己还没有形成统一的数据语言。

---

为什么 Data Agent 比 ChatBI 更依赖数据治理？

上一篇文章我们讨论了Data Agent。

很多人认为，Agent越智能，对底层数据的要求就越低。

事实恰恰相反。

Agent越智能。

它调用的数据越多。

分析链路越长。

依赖的知识越复杂。

对数据治理的要求反而越高。

例如，一个利润分析任务，Agent可能会连续完成下面这些动作。

理解问题
      │
识别指标
      │
查询元数据
      │
定位事实表
      │
关联维度
      │
生成SQL
      │
调用知识库解释异常
      │
形成分析报告

任何一个环节的数据存在问题，最终结果都会受到影响。

因此，Agent实际上放大了企业数据治理的重要性。

过去，数据治理主要服务于BI。

未来，数据治理更重要的使命，是服务于AI。

---

从数据仓库到AI，中间缺少了一层什么？

很多企业的技术架构已经非常先进。

有数据湖。

有Lakehouse。

有实时计算。

有向量数据库。

甚至已经部署了企业级大模型。

但是AI依然回答不好问题。

原因就在于，中间缺少了一层。

那就是：

企业知识表达层。

这一层包括：

• 元数据（Metadata）
• 指标体系（Metrics）
• 主数据（MDM）
• 数据血缘（Lineage）
• 业务术语（Business Glossary）
• 数据质量规则（Data Quality Rules）
• Semantic Layer（语义层）

过去，这些能力更多是为了方便数据团队管理数据。

今天，它们开始成为AI理解企业的基础。

AI并不是直接理解数据库。

AI真正理解的是企业知识。

---

架构师视角：未来的数据平台，不只是存储数据

很多企业正在建设AI平台，但真正需要升级的，往往不是模型，而是整个数据架构。

未来的数据平台，更像是四层能力共同协作：

层级	主要能力	典型产品/技术
AI应用层	ChatBI、Data Agent、智能运营	Copilot、Agent、企业AI助手
知识表达层	Semantic Layer、元数据、指标体系、知识库	AtScale、Cube、dbt Semantic Layer、DataHub、Apache Atlas
数据基础层	数据仓库、湖仓一体、实时计算	Hive、ClickHouse、Snowflake、Databricks、Apache Doris、Apache Paimon
数据源层	ERP、MES、CRM、SRM、OA等业务系统	SAP、Oracle ERP、金蝶、用友等

很多企业目前重点投入的是第一层。

真正决定AI效果的，却是第二层和第三层。

---

企业实践建议

结合近几年企业AI项目建设，我认为至少需要做好五件事情。

第一，建立统一的数据指标体系，避免一个指标存在多个业务口径。

第二，加强元数据管理，让AI能够理解字段、表和业务术语的真实含义。

第三，持续建设Semantic Layer，将技术语言转换为业务语言。

第四，把数据质量规则前移，在进入AI之前完成校验，而不是等AI回答错误之后再修正。

第五，把数据治理从”项目”变成”持续运营能力”，因为Agent的能力会不断演进，而数据体系也必须持续演进。

只有这样，AI才能真正建立在可信的数据基础之上。

---

写在最后

过去几年，AI的发展让很多企业重新思考数据平台的价值。

但我越来越认为，一个优秀的AI项目，真正比拼的并不是模型，而是企业多年积累的数据能力。

模型决定了AI能够理解多复杂的问题。

数据决定了AI回答的问题是否可信。

知识决定了AI能否真正理解企业。

因此，AI时代真正的竞争优势，不是拥有最大的模型，而是拥有最可信的数据体系。

这也是为什么我始终认为，数据仓库、数据治理、元数据管理和数据质量，并不会因为AI而边缘化，反而会成为AI时代最重要的基础设施。