ARTICLE · 1110176
AI开始卷数据了,二十年数据老兵“说不上话了吗?”
AI开始卷数据了,二十年数据老兵“说不上话了吗?”从2010年前数据分析、数据挖掘，到2015年左右的大数据概念和技术的爆发，再到之后五年数据中台的兴起，以及一直延伸到2023年前机器学习、深度学习以及工程化的应用落地——数据老兵似乎一直踩着数据领域每一个发展阶段的节奏，算得上“根正苗红”的数据人。 然而在人人AI的当下，AI开始从“卷模型，卷算力，走到了卷数据”、“高质量数据集越来越成为驱动人工智能发展的关键变量”、“模型和算力决定逼近上限的速度，数据决定智能的上限”这些论断刷屏时，竟顿觉熟悉又陌生。 熟悉的，还是那些数据质量、业务价值量化这些老生常谈的命题，依旧是“数据智能驱动业务决策”的飞轮逻辑。 陌生的，是现在数据的专业门槛这么低了吗？仿佛一夜间，人人都来谈数据，人人都在教你"AI 时代数据该怎么做"。 多少有点像驻守在数据高山大本营的人，突然迎来一群打着AI标语的新来者，举着旗帜宣告他们“占领”了这片阵地。 老兵们先不慌，先看看哪些是旧酒新壶，哪些是换了个阵地本质不变，哪些是这个时代下的新生物，以及再看看当下你们所处的数据基础是不是足以架得起AI。 确实，AI下数据的门槛是降低了。但得看你的数据处在什么阶段——AI不是在任何数据环境下都能如虎添翼。 用数的门槛是降低了——自然语言交互就可以拿到你要的数，数据开发/数据分析师的角色边界在模糊化，但核心前提是你的数据达到了“可用”； 随着用数门槛降低，通过数据探索验证业务场景的试错门槛也降低了——以前验证一个假设要写三天SQL、拉五张表，现在对话式分析几分钟出结果。但前提还是，你懂你们公司独有的和市场当下的运行逻辑：你知道该看哪些维度、该对比哪个基准、该排除哪些噪声。工具快了，但"知道往哪试"这件事，没有那么简单。 确实，数据竞争的战场转移了，更准确说是行业注意力转移了，战场边界持续扩大。 以前面对、聚焦更多的结构化数据；现在是多模态，追求的是语义密度，知识覆盖度，对齐人类意图的质量。 但数据人多年滚出来的“数据直觉”并没有贬值。 “定义问题”的门槛没降。你对业务本质的理解，组织运转的真实痛点的感知，问题发生应该从哪些维度视角去看数据，这不是你定义一些指标，做好语义层，跑个大模型就能低门槛获得的。 “对结论和答案判断”的门槛没降。同样从一个数据推论到一个业务结论，你知道数据什么时候在“说谎”，知道什么时候“只是看着对”。 “把数据变成行动”的组织门槛没降。且不说AI从问答到业务执行的演进是不是真正落地，即便从点上落地到企业级系统化落地那都离不开组织模式，不管是人机协同，还是人人协同。AI离系统性思维还有一定距离。 懂数据、懂业务、懂组织运行规律，能落地的，是万变中不变的内核。 数据在业务经营里形成闭环的这套系统性逻辑，正在 AI 浪潮下经历一轮螺旋式升级。 所以，数据老兵们—— 请重新上膛，高地还在。
用智能化直接驱动业务动作的门槛也在降低——从"看了数据自己决策"到"AI直接给建议甚至自动执行"，中间的距离在缩短。但前提依然是：你的数据不只是"能查到"，还得"能被AI学明白"——有语义、有上下文、有业务标注。否则AI给出的"智能建议"，只是披着外衣的common sense。