夜雨聆风王俐项目管理 · AI×项目管理前沿观察 第37篇
每个AI项目里，都藏着一个没人立项的子项目
项目经理给模型写了章程，却忘了给「让数据可用」写一份。
那条看不见的子项目，才是真正的关键路径——而六成AI计划，正是死在这里。
一、AI项目里，藏着一个没立项的子项目
项目经理最擅长给AI用例写章程：目标、范围、里程碑、验收。但「把数据变成AI能用的样子」这件工程——盘点、清洗、标注、治理、定义语义——几乎从不在章程、WBS、进度表或验收标准里出现。它被默认「会自己到位」，而不是被计划出来。
这就是大多数AI项目翻车的起点：模型被当成项目，数据被当成前提。
📊 权威数据
· Gartner《Predicts 2026：Intelligent Applications》：仅 14% 的应用负责人「非常有信心」其数据已治理到足以支撑严肃AI工作；到2030年也仅 35%。
· 77% 的组织计划优先投资「AI-ready数据」，却普遍把它当作「未来问题」而非前置条件。
· McKinsey《State of AI 2026》：88% 组织已在用AI，但仅约 6% 称得上高绩效；弱数据基础与治理被列为头号死因。
二、脏数据，被AI放大成指数级事故
「垃圾进、垃圾出」过去只毁掉一张报表；在AI里，它毁掉一个会自己重复错误的模型——以机器规模、7×24小时、在任何人审阅之前。错误不再停留在一处，它沿每条输出、每个预测、每次自动决策复制成千上万遍。
📊 权威数据
· Gartner：数据质量不佳平均每年让大型企业损失约 $12.9M（部分估算逼近 $15M）。
· Gartner预测：到2026年底，缺乏AI-ready数据的AI项目将被放弃约 60%。
· 约 79% 组织已部署RAG；过时或错误的检索数据会催生与正确答案难辨的幻觉。
· AvePoint《State of AI 2026》（n=750）：因对数据/系统缺乏掌控，AI部署平均被推迟 6个月。
「AI不会解决数据问题，它会把问题暴露出来，再沿它所触及的一切放大。」——业界对GIGO在智能体时代的共识
三、语义层，是智能体的隐形地基
原始数据表没有业务含义。「营收」不是数据库里的一列，而是财务团队上季度达成一致的那个定义——剔除退款、不含关联交易、按区域切分。没有语义层，每一次智能体运行都要重新猜测你们团队花几年才对齐的规则，而且每次都猜得不一样。
📊 权威数据
· Gartner D&A Summit London（2026-05-11，Rita Sallam）：到2027年，重视语义的组织可将智能体准确性提升最高 80%、成本降低最高 60%。
· 「语义一致的语境，是成本控制与信任策略，而非锦上添花。」
· Gartner CDAO调研：85% 的D&A实践未架构到可规模化程度；仅12%数据官「完全准备好」履职。
· Oracle援引Gartner：2025→2029年，数据就绪相关AI支出将增长 7倍。
四、项目经理的活：把数据当范围管
解药不是更多数据工程，而是把数据就绪度当作一个被管理的范围——有独立章程、WBS、关键路径与验收标准，并在任何模型开发之前设闸。
📊 权威数据
· PMI《AI in PPPM 标准》（2026-06-09）将「数据质量」列为八项指导原则之一；PMBOK第8版首度在多个绩效域给AI实质指引。
· Gartner：仅 26% 组织把文化与沟通纳入数据治理战略——治理失败往往先在文化层。
· 实践动作：立项模板加「数据就绪度闸门」（来源/口径/责任人/语义定义/留痕），填不出不准进模型开发。
专家分析：三条可执行判断
① 数据准备不是上游前提，而是项目内部的子项目。给它独立章程+WBS+关键路径，像管第二个项目一样管它。Gartner的「60%项目被弃」本质上等于：大多数团队把数据当成会自己到位，而非写出来、排出来、验收出来的工件。
② 验收权在数据，不在模型。完成定义（DoD）加三条：数据可解释（有人讲得清口径）、可追溯（来源与变更留痕）、语义一致（同口径跨系统同值）。模型再聪明，喂错语境照样幻觉。
③ 数据就绪度是关口，不是费用。把它排进主计划依赖项，立项即设闸；与EU AI Act数据血缘要求、国内《生成式AI服务管理暂行办法》对齐，省下的是事后 2.8倍 补救成本（跳过数据地基的组织后期补救成本高2.8倍）。
💬 今日互动
你手上正在跑的AI项目，「数据准备」写进章程和WBS了吗？还是默认它会自己到位？欢迎在评论区聊聊你的真实情况。
如果这篇对你有启发，点个「在看」并关注王俐项目管理——每周一篇，从项目经理视角拆解AI如何重写管理本身。
数据来源清单
1. Gartner, Predicts 2026: Intelligent Applications（2025-12发布 / 2026适用）
2. Gartner, "Lack of Semantics Causes Inaccurate AI Agents and Wasted Spending", D&A Summit London 2026-05-11（Rita Sallam）
3. Gartner, CDAO Agenda Survey 2026（85% D&A未架构到规模化）
4. McKinsey, State of AI 2026 / State of Organizations 2026
5. AvePoint, The State of AI 2026: Scaling Trust, Control, and Readiness（n=750）
6. Oracle, "Why Your AI Bill Is Really a Context Bill"（引Gartner 7倍支出预测）
7. databusinesscentral / vexdata / dqlabs，2026 数据质量成本研究（Gartner $12.9M；60%弃项目；补救成本2.8×）
8. PMI, The Standard for AI in PPPM（2026-06-09）；PMBOK Guide 8th Edition（2026）
9. Stanford HAI, AI Index 2026（88%组织采用）
本文为原创分析，数据引自上述权威来源；转载请注明出处。