不少企业兴冲冲上了 AI 项目，模型也训了，最后却"跑不出效果"，回头一看问题往往不在算法，而在数据：业务员填的字段能空就空，系统之间各说各话，想用的数据要么找不到要么对不齐。AI落地这件事，数据和模型的关系就像食材和厨艺，食材不全不鲜，再好的厨师也做不出菜。下面从盘点讲起，把 AI 落地前数据准备的六件事拆开，给一份能落地的数据就绪清单。

数据盘点：先搞清楚"家底"有哪些

很多公司不知道自己到底有哪些数据，CRM 一套、ERP 一套、表格满天飞。AI 落地第一步是做数据资产盘点，把各系统的表、字段、更新频率、负责人列清楚，标出哪些和要解决的业务问题相关。做法是拉业务和 IT 一起过一遍，别让技术单方面拍脑袋。常见收获是发现"其实数据都有，只是没人串起来"。盘点产出一张数据地图，后面每一步都靠它指路，避免项目进行到一半才发现关键字段是空的。

打通孤岛：让数据能流动起来

部门墙带来数据墙，销售的系统看不到交付的进度，财务的口径和业务的对不上。AI 落地需要把分散数据接到同一个可查询的地方，不一定是大建数据中台，哪怕先用接口或定期同步把关键链路打通也行。落地优先打通"业务问题涉及的那几条线"，而不是贪全。要注意打通时的主数据统一，客户、产品、订单的编码要对得上，否则合起来还是乱的。数据一旦能流动，很多过去靠人工搬表的工作自然就消失了。

质量治理：垃圾进，垃圾出

模型的效果上限由数据质量决定。同一客户多个名字、金额单位不统一、日期格式乱七八糟，这类脏数据会直接带偏结果。AI 落地要把数据质量规则前置：必填校验、格式标准化、重复去重、异常值拦截，在数据进门时就卡住。做法是按"影响业务的优先级"先治最关键的几张表，而不是全面铺开。质量治理是持续活，要有人定期看质量报告，否则过阵子又会脏回去。这一步偷懒，后面所有 AI 应用都会跟着失真。

标注与结构化：让机器读懂你的业务

很多有价值的信息躺在非结构化里：合同是 PDF、客服录音是音频、巡检是手写的。AI 落地要把这些变成可计算的字段，比如把合同关键条款抽出来、把录音转写并打情绪标签。落地要先定标注规范，否则不同人标出来的标准不一，模型学歪。可以先用规则和小样本跑通，再逐步上模型辅助标注。结构化做好后，过去"只能人看"的资料就变成了能检索、能统计、能驱动的资产。

安全与权限：可用的数据也要管得住

数据打通了，风险也跟着来：谁能看全量客户信息？敏感字段怎么脱敏？AI 落地必须同步设计权限和脱敏策略，按角色最小授权，手机号、身份证这类字段默认掩码。前提是合规要求先明确，别等出了事再补。它还要留访问审计，谁在何时取了什么数据可追溯。安全和可用看似矛盾，其实做好了反而让业务更敢用数据，因为知道边界在哪、责任清楚。

就绪验收：用一份清单判断"能不能开工"

数据准备不是无限投入，要有"就绪"的判据。建议做一张数据就绪清单：相关性（数据是否覆盖问题）、完整性（关键字段缺失率）、时效性（更新频率够不够）、质量（错误率阈值）、可用性（能否取数）。每一项打分，达到门槛再上模型，达不到先补数据。很多 AI 落地失败，就是因为没这道闸，数据没就绪就硬训模型，最后效果差归咎于"AI 不行"。把数据账算清，AI 落地才真正有地基。

数据准备是AI落地里最不性感、却最决定成败的一环。抓住盘点、打通、治理、标注、安全、就绪验收六件事，按"先覆盖业务线、再治关键表"的节奏推进，用一张就绪清单判断能否开工，AI 才不会建在流沙上，而是长在有数据地基的硬地上。