夜雨聆风
《我为什么推荐你使用Notion类在线文档》2年前我写这篇文章的时候，重点是放在工作留痕和数据管理上，2年后再看，使用多维表类的数据工具，最大的好处是提前预制了企业AI原生化的前置工作，数据清洗和数据标注。
数据清洗，简单来说，就是把原本杂乱的数据整理成统一、准确、可计算的数据。
比如同样是车辆速度，有人填写“5 km/h”，有人填写“1.39 m/s”，还有人直接写“5公里每小时”。
对人来说，这些数据在描述同一件事；但对AI agent来说，如果单位、格式不统一，后续统计和分析就容易出错。
再比如做销售分析。数据库里同一家客户因为名称不统一，被记录成：
“XX汽车”
“XX汽车有限公司”
“XX汽车无锡基地”
“XX集团汽车事业部”
如果没有清洗和客户关系标注，AI可能把它们当成四个完全不同的客户。
这时候你问：“我们最大的客户是谁？”
AI可能进行非常复杂的计算，生成漂亮的图表，甚至写出一整套经营分析。
但最底层的客户数量就是错的。
数据清洗要做的，就是把这些数据统一成一种标准，例如全部转换成“km/h”、“XX汽车有限公司”。
因为这些数据除了给人看，也是要给AI看到。
数据标注，则是在清洗后的数据上进一步“贴标签”，告诉系统这条数据是什么。
例如一个AGV项目，可以标注：
行业：新能源产品类型：潜伏顶升AGV载重：3吨项目阶段：已交付应用场景：产线物流
当这个数据被标注好了以后，后续AI就可以直接使用了。
诚然，Excel表可以完成以上这些工作，但问题在于，Excel太「自由」了。
一个单元格里可以填数字、文字、单位，也可以写一句备注。对个人来说很方便，但一旦多人长期协作，就很容易出现数据不统一。
比如“项目阶段”，有人写“已发货”，有人写“发货完成”，还有人写“已经出库”。AI agent很难直接判断这些是不是同一种状态。
Notion类（飞书、金山协作等）的多维表，是可以通过字段类型限制输入方式，让数据在录入时就尽量保持标准化。
Excel也可以通过数据验证实现固定选项，但它本质上仍以单元格为核心。相比之下，多维表把“单选、多选、关联、人员、日期、AI字段”等直接设计成标准字段类型，做数据标注的门槛更低，也更适合多人长期协作。
例如“项目阶段”不再允许自由填写，而是设置成单选：
方案设计 / 签约 / 生产 / 发货 / 验收 / 已完成
这样所有人只能从固定选项中选择，不会再出现“已发货”“发货完成”“已经出库”等不同写法。
对于一条数据可能同时具备多个属性的情况，可以使用多选字段。
例如一个项目可能同时属于：
汽车行业 / 重载AGV / 产线物流 / 室内场景
这些标签可以同时保存在一条记录中，后续可以直接筛选、统计和组合分析。
对于一些无法提前完全固定规则的信息，还可以使用AI字段自动标注。
例如根据“项目描述”，让AI自动判断：
所属行业应用场景产品类型客户需求类型项目风险类别
人工只需要检查结果，而不需要每条数据都手动分类。
这样，多维表实际上建立了一套数据录入规则：
能用固定规则判断的，用单选、多选标准化；需要理解文本内容的，用AI字段自动分类和标注。
最终得到的数据不再只是散乱的文字，而是可以直接被筛选、统计、自动化流程和AI继续使用的结构化数据。
这也是我为什么会说，多维表真正重要的地方，并不只是“比Excel更方便”，而是它在提前帮企业打AI原生化的地基。
AI原生并不是简单地给公司接入一个大模型。
真正进入业务以后，AI需要面对的是企业自己的客户、项目、产品、技术参数、历史案例、销售记录和流程数据。
这些数据如果本身已经是结构化的，AI拿到以后就可以直接查询、筛选和组合。
比如以后销售需要生成一份方案，AI可以先去调取：
客户所属行业项目类型载重需求现场环境历史相似案例对应产品参数
然后再基于这些真实数据生成内容。
这和单纯把一句需求丢给AI，让它“凭经验写一份方案”，是完全不同的两种工作方式。
前者是在调用企业自己的数据进行工作，后者更多还是让AI依靠通用知识进行猜测。
所以，一个企业未来AI能力的上限，并不完全取决于它用了GPT、Claude还是DeepSeek。
模型当然重要，但模型更像是“大脑”。
企业自己的数据，才是这个大脑能够使用的记忆和事实基础。
如果这些数据已经提前完成了清洗、分类和标注，那么以后不管更换什么模型，都可以继续使用。
今天接DeepSeek，明天换Claude，后天出现更强的模型，底层的数据资产并不会因此推倒重来。
这也是数据“地基”真正重要的地方。
模型会快速迭代，但企业自己的业务数据不会凭空出现。
客户信息、项目经验、技术参数、交付记录，这些东西需要几年甚至十几年才能积累。
因此，与其把全部注意力放在“现在最强的AI是什么”，不如先考虑一个更基础的问题：
当AI真正进入公司以后，我们有没有一套它可以直接使用的数据？
而多维表的作用，就是让这项工作不必等到“公司准备做AI”那一天才开始。
员工今天每一次按照标准字段录入数据，每一次选择一个标签，每一次补充一个项目状态，本质上都在给未来的AI积累可以直接使用的数据。
当这些数据积累到一定程度以后，AI才有可能进一步参与：
查询资料、匹配案例、生成报告、辅助报价、分析项目、识别风险，甚至自动推动部分业务流程。
所以我现在再回头看两年前那篇文章，会觉得自己当时只看到了Notion类工具比较表层的一部分价值——数据管理和工作留痕，但没想到已经自带了数据清洗和数据标注。
而到了AI时代，它更深一层的价值是：
把原本只存在于Excel、文档和员工经验里的信息，逐渐整理成机器可以理解和调用的数据。
这一步看起来不那么AI，也没有那么vibe coding。
但它很可能才是企业想要走向AI原生之前，最应该先完成的工作。
