企業(yè)規(guī)劃 AI 時，有兩個問題幾乎必被問到：是不是得先把數(shù)據(jù)中臺建好？需不需要訓(xùn)練我們自己的大模型？
這兩個問題背后的焦慮是一樣的："是不是得先把地基打完，才能開始用 AI？"
核心結(jié)論
兩個都不必等，但有一個東西必須先想清楚——場景。
| 問題 | 結(jié)論 | 真正的前提 |
|---|
| 要不要先把數(shù)據(jù)中臺建好？ | 不必等全企業(yè)級的數(shù)據(jù)中臺建完 | 但"這一個場景"的數(shù)據(jù)必須可用、口徑必須對 |
| 要不要訓(xùn)練自己的大模型？ | 絕大多數(shù)企業(yè)不需要 | 先評估"現(xiàn)有模型 + 企業(yè)知識 + 工具調(diào)用"的組合 |
最容易犯的錯，是把"建設(shè)工作"當(dāng)成了"前提條件"。 數(shù)據(jù)中臺和自訓(xùn)模型都是重投入的長周期工程，把它們設(shè)成前置門檻，等于把 AI 落地?zé)o限期推遲。
一、要不要先把數(shù)據(jù)中臺建好？
先區(qū)分三件事
很多企業(yè)把"數(shù)據(jù)沒治理好"當(dāng)成不能上 AI 的理由，其實(shí)是把三件不同粒度的事混在了一起：
| 層次 | 范圍 | 對 AI 的影響 |
|---|
| 企業(yè)級數(shù)據(jù)治理 | 全集團(tuán)主數(shù)據(jù)、數(shù)據(jù)標(biāo)準(zhǔn)、資產(chǎn)盤點(diǎn) | 長期工程，不必作為 AI 起步的前置條件 |
| 場景級數(shù)據(jù)準(zhǔn)備 | 某一個 AI 任務(wù)需要用到的那幾張表、那幾個字段 | 必須做，且不可跳過 |
| 指標(biāo)口徑管理 | 同一個指標(biāo)在不同系統(tǒng)里定義是否一致 | 必須做，否則 AI 會給出看似正確、實(shí)則口徑錯誤的答案 |
為什么"口徑"比"治理"更致命
問數(shù)類場景出問題的典型原因，往往不是數(shù)據(jù)沒治理，而是同一個指標(biāo)在不同系統(tǒng)里定義不一樣——"收入"含不含稅，"在崗人數(shù)"算不算外包，"逾期"從哪天開始算。
AI 會照著它拿到的口徑，給出非常自信的錯誤答案。所以做問數(shù)類 AI，先做一件事就夠了：
挑幾個管理層常用的指標(biāo)，要求 AI 的回答顯示數(shù)據(jù)來源、時間范圍、篩選條件和計(jì)算口徑，再和原報表逐條核對。
真正的判斷標(biāo)準(zhǔn)
不是"數(shù)據(jù)中臺建沒建完"，而是這四個問題：
- 這個場景要用的數(shù)據(jù)，能不能穩(wěn)定取到？
- 數(shù)據(jù)質(zhì)量能不能支撐任務(wù)（缺值、臟數(shù)據(jù)有多少）？
- 關(guān)鍵指標(biāo)的口徑，有沒有唯一權(quán)威定義？
- 取數(shù)要不要過權(quán)限，權(quán)限怎么繼承？
四個問題都過，這個場景就可以起步，不必等全企業(yè)的數(shù)據(jù)治理完成。
二、要不要訓(xùn)練自己的大模型？
結(jié)論：絕大多數(shù)企業(yè)不需要
三條理由：
- 成本高、難度大。 2024 年曾流行過企業(yè)微調(diào)自己的垂類模型，實(shí)踐下來投入和復(fù)雜度都遠(yuǎn)超預(yù)期。
- 不劃算。 通用大模型的迭代速度和泛化能力，已經(jīng)明顯超過企業(yè)自己微調(diào)的垂類模型——花大力氣訓(xùn)出來的效果，可能幾個月后就被新一代通用模型追平。
- 多數(shù)場景有更便宜的解法。 企業(yè)真正缺的往往不是"更懂行業(yè)的模型"，而是讓模型能夠訪問企業(yè)私域知識和業(yè)務(wù)系統(tǒng)。
更劃算的四步順序
| 手段 | 解決什么 | 投入 |
|---|
| 提示優(yōu)化 | 讓模型更好地理解任務(wù)要求 | 最低 |
| 檢索增強(qiáng)（RAG） | 讓模型用上企業(yè)私域知識 | 低 |
| 工具調(diào)用 | 讓模型查真實(shí)數(shù)據(jù)、調(diào)業(yè)務(wù)系統(tǒng) | 中 |
| 模型訓(xùn)練/微調(diào) | 改變模型本身的行為 | 最高 |
提醒：這四步不是必須依次完成的階梯。 不要默認(rèn)"先提示詞、再 RAG、最后微調(diào)"，應(yīng)該針對具體問題直接比較效果和成本，哪個解決問題用哪個。
什么時候才值得考慮自訓(xùn)
只有三個條件同時具備時：
- 任務(wù)收益足夠高，值得專項(xiàng)投入；
- 專有數(shù)據(jù)確實(shí)構(gòu)成壁壘，且量大質(zhì)優(yōu)；
- 持續(xù)維護(hù)能力跟得上——模型不是訓(xùn)完就結(jié)束，還要持續(xù)更新和評測。
一個前置判斷：先選場景，還是先選模型？
通常是先明確場景，再選模型。
因?yàn)閱柎?、預(yù)測、文檔處理和系統(tǒng)執(zhí)行這四類任務(wù)，對準(zhǔn)確性、時延、費(fèi)用和隱私的要求完全不同。場景沒定，模型無從比較。建議順序：先定義輸入、輸出、數(shù)據(jù)、可調(diào)用工具和驗(yàn)收標(biāo)準(zhǔn)，再做模型效果與成本比較。
三、這兩個問題的共同答案
企業(yè)AI 的起點(diǎn)不是一個宏大的建設(shè)計(jì)劃，而是一個具體的業(yè)務(wù)問題。
不要等數(shù)據(jù)中臺，先把這一個場景的數(shù)據(jù)和口徑解決掉；不要急著訓(xùn)模型，先讓現(xiàn)有模型接上你的知識和系統(tǒng)。省下來的時間，都應(yīng)該投到"選一個高頻、規(guī)則清晰、可量化的場景先跑起來"上。
用友 BIP 6 的對應(yīng)能力
- YonData：數(shù)據(jù)智能體，承擔(dān)數(shù)據(jù)開發(fā)、數(shù)據(jù)治理等能力。
- YonKnow：知識（增強(qiáng)檢索生成），讓模型使用企業(yè)私域知識，對應(yīng)"檢索增強(qiáng)"這一層。
- YonOnto：本體建模平臺與原廠本體模型，用于統(tǒng)一業(yè)務(wù)語義與指標(biāo)口徑，對應(yīng)"口徑管理"這一層。
- YonAIG：用于運(yùn)行觀測與評估，為效果驗(yàn)證提供依據(jù)。
- 已有用友系統(tǒng)（BIP）的客戶，因?yàn)橛邢到y(tǒng)、數(shù)據(jù)、權(quán)限和流程基礎(chǔ)，做 AI 場景落地的成本更低、技術(shù)難度更小。
需要說清楚的邊界
關(guān)于"是否必須先建數(shù)據(jù)中臺"，用友官方資料中沒有直接表述，本文結(jié)論由"數(shù)據(jù)質(zhì)量與指標(biāo)口徑?jīng)Q定問數(shù)可靠性""有數(shù)據(jù)基礎(chǔ)則落地成本更低"等證據(jù)推導(dǎo)得出，僅供參考，不作為官方方法論引用。"多數(shù)企業(yè)不需要自訓(xùn)模型"是基于當(dāng)前階段的判斷，模型能力迭代很快，應(yīng)隨技術(shù)與成本變化重新評估。模型不能保證 100% 正確，仍需按錯誤后果設(shè)定驗(yàn)收閾值并保留人工確認(rèn)。
說明：AI 生成內(nèi)容存在不確定性，具體產(chǎn)品能力、版本適配范圍與實(shí)施條件，請以用友官方最新產(chǎn)品資料與售前確認(rèn)結(jié)果為準(zhǔn)。
