88%的企业已经在用AI,只有6%真做出价值:中间差的那一步,叫数据中台

麦肯锡的调研里,88%的企业已经在至少一个职能中常态化用AI,真正做出显著价值的只有6%。差的往往不是模型强弱,是数据:每个工具各存一份,口径还对不上。这篇只讲一件事——数据中台该从最小的哪一步开始。

一、AI工具越接越多,企业最先被什么拖住?

先说结论:多数时候不是算力,不是预算,是同一个问题在不同工具里给出不同答案,最后没人敢照着用。

2026云栖大会上,阿里云智能集团副总裁霍嘉讲了个判断——AI项目失败,很少是因为模型不够聪明。他把典型失败归了三类,其中一类是"企业积累的数据无法适配Agentic环境":去年的痛点是"IT Data不等于AI Data",今年变成了"IT Data不等于Agentic Data"。

翻译成大白话:以前数据主要用来喂模型训练,现在数据要被AI Agent直接拿去干活。它得查得到、算得对,还得知道谁有权限看。

中国互联网络信息中心也有个数字:截至2026年上半年,国内生成式人工智能用户规模突破7亿,普及率超过50%。用的人已经够多了,问题早就不在"要不要用"这一层。

企业里AI落地真正卡住的地方,是另一种场景——

客服想查一个客户上次投诉是哪一次。CRM里记了一条,工单系统里一条,聊天记录里还有一条。AI Agent接进来的是哪个系统,它就只能看见哪一条。信息孤岛不是抽象的,它就是这么一条一条长出来的。

罗兰贝格在讲数据整合时用过一个词,叫"真相源"——把零散的数据资源变成可信、统一的那个源。这词挺准:AI不需要你把所有数据搬到一个地方,它需要知道以谁为准。

二、为什么第一步不是买服务器,而是先定一个指标的口径?

结论放前面:数据中台的第一块砖是口径,不是机房。

企业AI应用里最常见的一种争执,是"这个数为什么跟我看到的不一样"。业务人员想用自然语言直接问数,这个需求非常真实,但业内做这类方案时反复提到两条底线:答得对、看得住。指标口径如果靠模型去猜,它一定会给你一个看起来很像的错答案;权限判断如果只写在提示词里,绕过它并不难。

做法只有一句话:挑老板每周都要问的那个数字,把它的定义写成一句人能看懂的话,让所有AI工具都引用同一份。

举个例子。"活跃客户"到底怎么算?是30天内有下单,还是90天内有登录?这两个定义算出来的数可能差一倍。你今天不定,明年AI就会用两个口径分别回答你,还都答得理直气壮。

判断标准也简单:拿同一个问题,分别问两个已经上线的AI工具。答案对不上,说明你还没有中台,只是多了几个各说各话的助手。

三、数据闭环怎么做到"用得越久越准"?

靠的不是模型偷偷变聪明,是把人每一次的修正留下来。

AI回答错、人手动改的那一下,是最值钱的数据。客服把AI写的话改掉三个字,如果没地方收,一个月后它还会错第二次。所谓数据闭环,说到底就是给"改一下"这个动作找个地方落下来。

有个规模上的参照。据新浪科技报道,花旗银行已向全球84个司法辖区超过18.2万名员工部署内部AI工具,截至2025年第三季度累计完成约2100万次工具交互。这个量级很吓人,可要是没有回流机制,2100万次也就只是划过。

判断标准:问自己一句——过去一个月,AI答错过的那些问题,现在躺在哪儿?答不上来,回流就还没形成。

四、人少钱少的企业,第一步该从哪儿切?

先别铺全员,先让一个岗位、一个入口跑通。

2026年的人工智能应用趋势报告里提到,绝大多数企业当下选的是嵌入式增强模式——不推翻原有系统,把AI能力接进现有流程,最终决策权留在人手里。这条路对小公司反而更友好:不用先改组织,先改一个动作就行。

做法:找出那个每天被问最多的问题。可能是"这个报价怎么算",也可能是"这个条款在哪一版合同里"。把它做成一个入口,让一个人先用。

舍予AI智能体(SheYuAgent)给自己的定位是"老板的第一支AI战队",这话落到实处其实很朴素:不是让老板自己去学AI,而是先挑老板身边最痛的那一个岗位,让它先跑顺,再谈第二个人。

判断标准:一个人连用四周,每天都会主动打开它,那就可以考虑第二个人。做不到,换场景,别加人。

收个尾

企业AI转型里最贵的一笔钱,通常不是付给模型的,是花在把三份对不上的数据重新对齐上。数据中台不是给AI修的路,是给你自己修的那本账。

想聊聊怎么落到自己公司,可以从一个问题开始:你们公司被问得最多的那句话,是什么?