圈内一句话：垃圾进垃圾出。再强的模型，喂进去的是脏数据也出不来好结果。但很多企业的AI项目死得悄无声息——不是模型不行，是连「有没有数据」都没确认就硬上。数据治理听着像大厂的专利，其实中小企业落地AI，只要围绕那个具体场景做最小闭环就够，不必搞全公司数据中台。本文把从采集到标注的实操拆开，给你一份能直接用的检查表。

为什么数据比模型更决定生死

模型大家都能调用，真正拉开差距的是数据：有没有、干不干净、标没标注、能不能拿到。想做质检却发现良品不良品照片都没留；想做推荐却发现用户行为没埋点——这类卡点占项目一半以上时间。一个大厂的朋友说过，他们AI项目70%的工时在数据，30%在模型。中小企业资源更紧，更该把数据准备当作头等大事，而不是等开发到一半才发现没米下锅。数据就绪度，应该写进立项的一票否决项。不少团队宁可花两周调模型参数，也不肯花两天理数据，结果调出来的模型喂的是脏料，表现当然飘。

第一步：盘点现有数据资产

别急着建数据仓库。先围绕要解决的那个场景，问三个问题：数据现在在哪（Excel、SaaS、数据库、微信）？能不能导出、能不能授权给AI用？质量如何（缺字段、格式乱、重复多吗）？拉一张「数据清单」，标清来源、字段、更新频率、可用权限。很多中小企业惊喜地发现，客服系统、CRM里已经躺着够用的数据，只是从没人当成AI的燃料。盘点是低成本动作，却能把「能不能做」在两周内说清，避免盲目立项。

采集：只为场景收，不追全局

中小企业别学大厂搞全局采集，只围绕目标场景收最小必要数据。做客服问答就导Top50问题的标准话术和工单；做质检就拍良品不良品各几千张。采集时要定规范：拍摄角度光照固定（质检）、话术版本锁定（问答），不然同一件事多种写法模型学乱。能用SaaS化工具的最好，数据在云端天然结构化，省去自己搭管道。记住：场景越小、数据越聚焦，采集成本越低、见效越快。

清洗：把脏数据挡在训练前

真实数据八成有噪：重复记录、错位字段、异常值、缺失标签。清洗是体力活也是关键活：去重、统一格式、修正明显错误、处理缺失。给清洗定规则清单，比如「金额为负视为异常、客户名缺失归未知」。中小企可以用现成表格工具和轻量脚本做，不必上大数据平台。清洗完做一次抽样人工核对，确保「干净」是真的干净。这一步偷懒，后面模型表现飘忽、你还以为是模型的问题，白调半天。

标注：质量比数量更要命

标注是很多人忽略的成本黑洞。质检要标「哪是缺陷、什么类型」，问答要标「这个问题对应哪条答案」。标注质量直接决定上限：标错的样本，模型学的是错的。中小企标注建议内部业务专家做，而不是外包给不懂业务的人——他们标得准。给标注写清晰指南，做一致性抽检（同一批样本两人标，对不齐就重训标）。数量上，几千到上万条起步即可，重点是准。标注指南本身就是企业资产，留好。见过团队标了五万条但标准前后不一致，模型上线乱跳，回头重标反而更贵，所以标注质量永远优先于数量，别被规模焦虑带偏，慢一点准一点比快而乱强得多。

数据就绪检查表

动手前过六条：①场景数据存在吗？②能合法授权AI用吗？③字段齐、格式干净吗？④采集规范定了没？⑤清洗规则写了没？⑥标注指南和质检做了没？六条里任意一条答不上，先别进开发，回头补数据。这不是保守，是把翻车概率从源头压下去。把这张表存成公司资产，以后每个AI项目立项先打勾，能省下大量返工和扯皮。

AI落地，数据准备是隐藏的主战场。围绕场景做最小闭环的采集、清洗、标注，用一张就绪检查表卡住源头，中小企业不必建数据中台也能喂出干净燃料，让模型真正跑出该有的效果。