企业官网建设流程全解析

大模型时代，数据治理与AI的"双向奔赴"

有一个冷知识：大模型项目的预算，八成花在模型上；翻车的原因，八成在数据上。

我们去年那个知识库项目就是标准样本。RAG架构，模型用的当时最能打的一个。立项会上为选模型吵了三个钟头，数据怎么整，三分钟全票通过，意见就四个字：先跑起来再说。这句话后来被证明是全年最贵的决策。

上线一个月，业务方的反馈清单越来越像事故报告：引用三年前废止的老制度，把两个部门打架的口径搅成一锅，还有最出圈的一次，实习生在系统里搜出了高管的薪酬。

排查到凌晨三点，结论写在会议纪要上，平静得近乎无情：模型没有错。表格是解析器切碎的，旧文件没人下线，薪酬文件没人想过要拦。模型只是把喂给它的东西，忠实地复述了一遍。

后来看到Gartner在2024年7月的预测：到2025年底，至少30%的生成式AI项目会在概念验证之后被放弃，首要原因不是模型能力，而是数据质量差、风险控制缺位。另一条预测更狠，到2026年，拿不出"AI就绪数据"的企业，六成以上的AI项目会被放弃。

大模型没有制造新的数据问题，它把企业过去十年欠下的数据债，一次性全讨回来了。但它同时也在还一笔大礼：治理数据的成本，被AI实实在在打了折。讨债和还债同时发生，这就是数据治理和AI的双向奔赴。

先看讨债的这一面。传统数据治理有个默认边界：核心库表、主数据、指标口径。这套体系通常只覆盖了企业数据里最规整的那一小块。剩下的合同、图纸、会议纪要、邮件、客服录音，这些非结构化数据普遍被认为占了企业数据的八成以上，没有元数据，没有责任人，没有版本，堆在黑屋子里，大家绕着走。

RAG的路数，恰恰是把黑屋子整个搬空，把每样东西都请到模型面前。于是过去可以绕开的问题，全变成了前置必答题。

最先撞上的是解析。扫描件的OCR错误、PDF表格被切碎、页眉页脚混进正文，人读的时候一眼就跳过去了，机器读的时候全是毒药。切片会把错误固化进向量库，之后每次检索都命中同一处错误。很多团队第一反应是调提示词、换模型，折腾一圈才发现瓶颈在解析这一层。这也是过去一年文档解析工具能长成一条独立赛道的原因。

然后是权限。传统BI的权限守在报表层，而RAG的检索如果感知不到文档本身的访问控制，实习生搜出高管薪酬就不是意外，是迟早。这把锁现在有了名字，叫权限感知检索（ACL-aware retrieval），企业级方案基本已经当成标配。

更隐蔽的是时效。文档更新了，向量库里的旧切片还躺着；制度改了口径，新旧两版并存，检索时一并召回，回答全凭运气。向量库正在长成一座新的数据仓库，那就得用管数据仓库的标准来管它：版本、生命周期、下线流程，一样不能少。

最麻烦的是血缘与合规。一份文档从哪来、谁授权的、出了错能不能溯源，这些从前可以含糊，现在不行了。国内的《生成式人工智能服务管理暂行办法》2023年8月施行，白纸黑字要求训练数据来源合法；欧盟AI法案2025年8月起要求通用大模型公开训练数据摘要。合规不再是数据团队发文件倡议，而是长出牙齿的监管。

过去数据质量差，损失是隐性的。Gartner估算过，企业每年因数据质量问题平均损失一千余万美元，但报表不准还能靠人工核对兜底。AI时代没有人工兜底：同一个错误，人犯一次，模型可以犯一万次，而且每一次都理直气壮。

讨债讲完了，再讲还债。数据治理过去为什么总排不上优先级？因为它是个赔本差事：花钱、防错、收益看不见。AI恰好把这门生意的成本结构改了。

最直观的是人力苦役。给表写业务口径注释，一个治理专员一天写二十张，写到眼睛发直；现在让模型读一遍表结构和样本数据，起草说明，人只做核对，一天几百张。敏感数据的分类分级，过去靠人海一份份过手，现在模型初筛、人工抽检复核，快了几倍不止，而且因为有人把着最后一道闸，准确率反而比纯人工更稳。何况分类分级本来就是《个人信息保护法》之下躲不掉的功课，从前大家只是各自躲着，现在躲不动了。

数据质量稽核也类似：格式错乱的手机号、逻辑矛盾的日期、同一个客户八种写法，这类规则的发现和验证，模型已经干得不错。

还有一桩容易被忽略的好处：出考卷。知识库上线前应该有一套评测集，一批带标准答案的问题，用来度量检索和回答的质量。过去全靠人工设计，出不起几道；现在让模型照着真实文档批量拟题，人工拣选定稿。数据整理得好不好，不用再吵，跑一遍考卷便知。治理这件事，头一回有了自己的度量衡。

成本降下来之后，ROI的逻辑就反转了。整好的那批数据，直接决定RAG和Agent答得准不准、上线快不快。"三分模型、七分数据"已经是从业者少有的共识。于是出现了一个多年未见的现象：从前是治理团队追着业务要口径，现在是业务方来敲治理的门，“我们要上知识库，你们什么时候把数据整好？”

我们那个翻车的知识库，最后只做了三件事：给文档打版本号，给检索接上权限，让每个回答附上出处。三个月后，投诉停了。修它没有用任何高深的技术，用的全是治理喊了十年、没人肯认真做的那几样。

至于路径，别等大而全的治理工程。先拣AI要用的那两成数据来治，治一样、用一样，应用的边界走到哪里，治理就跟到哪里。大公司的正路多半不是另起炉灶，而是在攒了多年的家底上接着盖：目录、血缘、权限本来就有，缺的只是接到向量库和Agent的流水线上。小公司没有历史包袱，从第一个AI应用起就把元数据、权限、版本三样立起来，成本远低于事后补救。最怕的是两头不靠，旧的没接上，新的没立规。

把讨债和还债合起来看，变化就不是局部的，而是范式级的：

过去讲治理，讲的是"管物"，把每样东西登记、擦拭、归位；现在要讲"管流"，东西从哪里来、经过谁的手、去了哪里、用过几回。这是在管一条供应链，供应链就要有供应链的管法。

供应链上还多了两样旧账本里没有的东西。

首先是合成数据。互联网上的新语料渐渐用尽，用AI生成数据再喂AI只会越来越多。2024年《自然》杂志的研究给这个隐患起了名字，叫模型崩塌（model collapse）：影子生影子，真实的细节一代代磨掉，像翻拍又翻拍的老照片。合成数据不是不能用，但它本身成了新的治理对象，来源要标注、质量要评估、混入比例要可控。

更麻烦的是删除问题。数据可以从库里删掉，但已经融进模型参数的知识删不掉。所以各国的新规都指向同一个方向，国内的《人工智能生成合成内容标识办法》2025年9月起施行，欧盟的训练数据透明义务也已生效：AI用过的每一份数据，都得说得出从哪来、到哪去。

经常有人问，数据治理工程师会不会失业。不会。失业的不是人，是旧的活法：从写数据标准文档的，变成给AI搭数据供应链的；服务对象也从一年一度的审计，变成一群等米下锅的算法工程师。

回到开头那个项目。它现在活得好好的，业务方每周还在催着往知识库里加新文档。

回头看，杀死AI项目的从来不是模型，救活项目的也不是模型。模型只是那条流水线上最亮的一环，而流水线上游的解析、权限、版本、血缘，才决定这条线到底是流水线还是瀑布。

数据治理和AI，从来不是谁服务谁。AI要更好的数据，AI也让治理数据第一次变得划算。这两件事撞在一起，做数据的人和做AI的人，接下来要干的是同一份活。

你们的项目翻过什么车、后来怎么修的？评论区聊聊，让我看看谁的最惨烈。

注：Gartner预测出自其2024年7月29日新闻稿，即30%的GenAI项目将于2025年底前在PoC后被放弃，及其关于AI-ready data的2026年预测；"模型崩塌"出自Shumailov等发表于《自然》2024年7月的研究；《生成式人工智能服务管理暂行办法》2023年8月15日施行；《人工智能生成合成内容标识办法》2025年9月1日施行；欧盟《人工智能法案》通用模型透明义务2025年8月2日起适用。