别让企业AI的落地,卡在“数据结构”这一层

这两年，很多企业都已经把AI引进来了。

模型能力不再是问题，供应商、平台、工具链都很成熟，一些企业内部也已经有了自己的AI团队。从外部看，条件已经具备，很多人会自然认为，接下来应该进入“价值释放阶段”。

但在实际项目中，会出现一种比较稳定的状态：AI一直在用，但很难进入核心流程。

系统可以参与分析，也能生成建议，甚至在局部场景中表现不错，但一旦涉及具体执行，比如补货、排产、定价，业务团队往往会多做一轮确认，甚至回到原来的方式。AI成为辅助工具，却没有成为决策的一部分。

我们会在项目中经常看到类似情况。模型本身没有明显问题，数据量也足够，系统也已经打通了一部分，但整体效果始终停在一个中间状态，很难继续往前推进。

在做这些项目复盘之后，我们会逐渐看到一个更具体的原因：

很多问题集中在一个并不显眼的层面——数据结构本身。

一、数据已经很多，但很难直接用于决策

在大多数企业里，数据并不稀缺。ERP、CRM、WMS、各类业务系统长期运行下来，已经积累了大量数据。从覆盖范围来看，业务的关键环节基本都有记录。

问题往往出现在这些数据如何被理解和使用。

譬如在为某一个快消品牌的商品项目中，我们需要花更多的项目时间去对齐“销量”这个指标。销售团队习惯用下单量，财务侧更关注开票量，渠道侧看的是提货量。每一种口径都有合理性，但在同一个分析模型中，这些差异会直接影响结果。

类似的情况在库存上更加复杂。仓库系统记录在仓库存，物流系统关注在途库存，销售侧关心的是可用库存，系统里还会涉及锁仓库存和预留库存。不同视角下的数据都是真实的，但缺少统一定义时，很难直接支撑决策。

这些差异在人工环境中可以被消化。业务人员知道什么时候用哪一套口径，也能在脑子里做转换。但当AI参与进来之后，这种隐性的转换不再成立，系统只能基于既定数据做计算，结果自然会出现偏差。

一旦偏差反复出现，业务团队对系统的信任就会下降，系统给出的结果会被当成参考，而不是直接使用的依据。

二、业务逻辑存在，但没有被系统表达出来

除了数据口径，另一个更深层的影响来自业务逻辑本身。

在很多项目中，关键决策依赖的是一线经验。这些经验通常不是简单规则，而是多种因素叠加后的判断。例如补货时，需要同时考虑历史销量、季节变化、促销节奏、渠道差异等因素，这些内容在团队内部是清晰的，但很少被系统化表达。

比如对于一家鞋服品牌来说。线下门店的店长在决定是否补货时，会自然判断一款商品处在生命周期的哪个阶段，是新品、常规款还是清仓款。这个判断直接影响补货策略，但在系统中，并没有对应的结构化表达。

模型可以基于历史数据做预测，但缺少这些业务上下文时，输出结果往往只反映统计规律，而不包含实际决策所需的判断条件。结果就是，模型的结论在某些情况下是合理的，但在具体场景中缺少“业务感”。

这种差异不会通过一次模型优化就解决，因为问题不在算法，而在逻辑本身没有被整理出来。很多企业的业务能力沉淀在经验中，而没有转化为可以被系统理解的结构。

当AI进入这样的环境时，它可以处理数据，但很难完整复现业务决策过程。

即使数据逐步统一，逻辑也在整理，企业在实际应用中，往往还会遇到一个问题：系统给出的结果，很难自然转化为具体动作。

在一个电商项目中，企业已经建立了比较完整的用户标签体系，也能识别出高潜用户和流失风险用户。从分析角度看，这套体系是有效的，但在实际运营中，营销动作仍然以统一策略为主，很少根据标签去触发差异化行为。

类似的情况在供应链中也经常出现。系统可以识别库存风险，也能给出补货建议，但这些建议并不会直接生成补货单或调拨单，而是需要人工确认、调整，再进入系统执行。

从流程上看，这里存在一个明显的断点：

分析结果和执行动作之间，没有形成稳定连接。

在一些项目中，我们尝试把这一步打通。例如在补货场景中，让系统在识别风险后，直接生成建议单据，并在设定规则范围内自动执行。业务人员只在例外情况下介入，而不是每一笔都重新判断。

当这条链路形成之后，系统的角色会发生变化，从“提供信息”转向“推动动作”。业务人员对系统的使用方式也会随之改变，不再只是查看结果，而是直接依赖结果完成工作。

从更多的案例中来看，我们更倾向于把企业AI的落地，看成一个结构逐步完善的过程，而不是单点能力的提升。

第一步通常是统一关键数据的定义，让不同系统和部门在核心指标上形成一致理解。这一步看起来基础，但会直接影响后续所有模型和分析的稳定性。

第二步是把业务中的核心规则逐步抽象出来，用结构化方式表达出来。这个过程不需要一开始就覆盖所有场景，可以从高频决策入手，让系统先理解最重要的约束条件。

第三步是打通从结果到动作的路径，让系统在给出判断之后，可以直接进入执行流程。这个阶段通常需要和ERP、WMS等系统深度连接，形成完整闭环。

在一些项目中，这三步并不是一次性完成，而是在不同场景中逐步推进。随着结构逐渐清晰，系统的作用会自然扩大，从辅助分析延伸到决策和执行。

从结果上看，模型能力当然重要，但更基础的，是这些结构是否已经具备。当结构逐步稳定之后，模型能力的提升才会更容易转化为实际价值。