AI时代的竞争护城河不是大模型，是你的"沉睡数据"

来源： 李论数转 ID： gh_39ff3283f7f8 作者 ： 李论数转

···编者按···

这篇文章最刺耳也最诚实的一句话是：你企业80%的知识资产，对AI来说是暗的。 二十年信息化投入、七八套IT系统、每年大几百万——到头来真正能被AI直接读取的结构化数据不到15%，剩下85%散落在PDF、邮件、云盘和微信群里，连索引都没有。这不是某个企业的尴尬，而是绝大多数企业的现状。

在数字化过程中，它的意义在于彻底把叙事从"我们上了什么系统"掰回"我们能用什么数据"：AI不是给旧中台贴个新皮肤，而是逼你把沉睡资产变成可调用燃料。 模型会白菜价化、参数规模会沦为水电煤，最终谁也靠它拉不开差距；真正抄不走、买不到、替换不了的，是你那十五年的工艺参数、十年的项目教训、二十年的客户关系——前提是它们能被检索、被理解、被向量化、被喂进知识库。

文章给出的三步走之所以务实，是因为它绕开了"建数据中台"的虚荣陷阱，用盘点→激活一个点→让飞轮自己转的方式，把数据治理从"IT部门求人"变成"业务部门眼馋"。但请留意那个没说透的前提：权责错配不解、利益藩篱不碰、一把手不当真，这飞轮转一圈就卡死——数据治理不是技术问题，是一次管理变革。 趁AI热潮还在窗口期，把它做成一次账本清洗和组织重排，比追下一个新模型更有复利。

···正文···

去年帮一家企业做过一次数据摸底。结果出来，在场的管理层全沉默了。

这家企业有二十多年经营历史，IT系统上了七八套，每年光信息化投入就大几百万。但是——真正能被AI直接读取和使用的结构化数据，不到全部数据资产的15%。剩下的85%散落在各种PDF报告、Word文档、邮件附件、云盘文件夹、微信群聊天记录里——格式杂乱、口径不一、大部分连索引都没有。

换句话说，这家企业花二十年攒下来的"家底"，在AI眼里，85%是暗的。

我后来又摸过几家，情况大同小异。区别只是85%和75%的区别。

一个正在发生的底座转移：从"卷大模型"到"卷数据治理"

前两年，AI行业的主旋律是什么？卷模型。

参数规模从百亿到千亿再到万亿，跑分一个比一个吓人，发布会一场接一场。企业选AI供应商的时候，问的第一个问题是"你们模型参数多大"。

但这个风向，正在悄悄变。

天风证券首席分析师缪欣君在今年年初做了一个判断：产业逻辑正在从"模型中心"转向"数据中心"。模型更新周期已经缩短到几个月，保鲜期极短，指望一个模型建长期竞争优势，在B端场景里根本站不住脚。

中金公司首席分析师于钟海说得更直白："数据才是AI时代企业唯一可持续的护城河。"

为什么？因为模型可以买，可以换，可以开源。DeepSeek把价格打到白菜价，月之暗面拿了140亿融资，开源模型越来越强。用不了多久，"模型能力"会变成水电煤一样的基础设施——谁都能用，谁也不靠它拉开差距。

但数据不行。你的客户数据、你的工艺参数、你的合同条款、你的供应商报价历史、你的项目复盘记录——这些东西竞争对手买不到、抄不走、替换不了。它们是你花了十年二十年攒下来的，真正属于你自己的东西。

问题在于，这些东西现在大部分是"死的"。躺在硬盘里、塞在云盘里、埋在邮件附件里，AI读不了、搜不到、用不起来。

打个比方：模型是发动机，数据是燃油。发动机谁都能买，但油箱里有没有油、油干不干净，各家企业差距大了去了。发动机再先进，油箱空着也跑不了。

这就是正在发生的底座转移。AI竞争的主战场，正在从"谁的模型更聪明"转向"谁的数据更能用"。

你的企业有多少"沉睡数据"？——一个让大多数管理者坐不住的数字

我们先来算一笔账。

一家经营了十五年的企业，假设中等规模——员工500到2000人，年营收几个亿到几十个亿。这十五年里，它产生了多少数据？

财务报表、合同文本、招投标文件、项目方案、会议纪要、技术文档、质量检验报告、客户往来邮件、供应商报价单、生产排产记录……品类繁杂，数量惊人。

这里面有多少是结构化数据——也就是能被数据库直接查询、能被AI直接"读懂"的？通常不到20%。

剩下80%以上，是非结构化的——PDF、Word、Excel（但不是规范的表格）、图片扫描件、邮件正文、甚至微信聊天截图。这些数据有内容，但不可检索、不可分析、不可被AI直接调用。

用更直白的话说：你企业80%以上的知识资产，对AI来说是"不可见"的。

再往深看一步。这些"不可见"的数据里面，有多少是真正有价值的？——相当多。

一个做了十年工程的企业，每次项目结束后写的复盘报告，里面包含了大量的经验教训——哪些坑踩过、哪些方案有效、哪些供应商靠谱、哪些成本可以优化。这些东西分散在几十个部门的几百份文档里，格式各异，有的还是扫描件。新来的项目经理想查阅历史经验？对不起，要么问老员工，要么自己翻半天，大概率翻不到。

如果这些数据能被AI读取呢？一个新项目经理只要问一句"过去五年类似规模的工程，最常见的三个质量问题是什么"，AI就能从几百份复盘报告里把答案挖出来。

这比问十个老员工都快，而且不会漏。

但这些数据现在是"沉睡"的。AI够不到它们。

中国AI办公日均Token调用量已经突破140万亿，两年涨了1000倍以上。这些Token消耗的背后，就是企业在拼命地"喂"数据给AI。但你喂的是什么数据？如果喂的全是网上公开的通用信息，那你的AI跟别人的AI就没有任何区别。真正能拉开差距的，是你喂给AI的那些别人拿不到的数据——你自己的业务数据。

问题就在这：这些数据你虽然有，但AI吃不了。

数据治理为什么总是"说起来重要、做起来不要"？

说到这里，你可能会问：数据治理这事又不是今天才有的，为什么大部分企业还是没做好？

好问题。我拆过不少企业的数据治理项目，发现原因不在技术，在另外三个地方。

第一，数据治理的"当事人"不对。

数据是谁产生的？业务部门。客户信息是销售录的，合同条款是法务写的，生产记录是车间报的，质检报告是品质部出的。

数据治理是谁在推？IT部门。

你发现问题了吧。数据的"生产者"和数据的"治理者"不是同一拨人。业务部门觉得"我录数据已经够忙了，你还让我按标准录、按时录、录完还要检查质量？"IT部门觉得"标准定好了、系统买好了、流程发下去了，你们就是不用我也没办法"。

这是一个经典的"权责错配"问题——负责产出数据的人不对数据质量负责，负责治理数据的人没有权力要求业务部门按标准来。你不把这个权责关系理顺，数据治理永远是IT部门在单打独斗。

第二，数据治理的"成绩"看不见。

一个ERP项目上线，至少能拿出几页PPT汇报"流程上线率""系统覆盖部门数""接口打通数量"。一个数据治理项目呢？你花了半年时间做数据标准化、清洗历史数据、建数据目录——然后呢？业务部门感觉不到任何变化。"你说数据质量提高了，可我的日报还是那个日报，我的月报还是那个月报。"

数据治理是一个"修地基"式的活——修好了看不见，但没修好上面盖什么都歪。问题在于，大多数管理者不愿意为一项"看不见效果"的工作持续投入资源。尤其在预算紧张的时候，数据治理永远是第一个被砍的。

第三，数据孤岛不是技术问题，是利益问题。

很多人以为数据孤岛是技术问题——系统不同、接口不统一、格式不兼容。技术上确实有难度，但不是根本障碍。

根本障碍是：数据在谁手里，谁就有话语权。

销售部门不肯把客户数据全量开放给市场部——"这是我们的客户资源"。财务部门不肯把成本明细拆给业务线——"这是商业机密"。子公司的数据不愿意全量上报集团——"上传了什么都透明了，我们还怎么操作"。

你看，数据打通不是一个IT接口的问题，是一个组织权力重新分配的问题。不做利益协调就硬推数据共享，推不动，推了也白推。

这三个原因叠加在一起，解释了为什么数据治理在大多数企业里永远处于"重要但不紧急"的状态——知道该做，但总有更紧迫的事。年复一年，数据越积越多，质量越来越差，等到真正想用的时候，发现要补的债已经还不起了。

AI时代的数据治理，和以前有什么根本不同？
如果说上面说的是"为什么以前没做好"，那现在要回答的问题是：AI时代的数据治理，跟以前的数据治理有什么本质区别？为什么要"现在"做？

我归结为三个不同。

第一，从"存不存"变成了"能不能用"。

以前做数据治理，核心目标就一个：把数据存好。建数据仓库，做ETL，搞主数据管理——把数据从各个系统里搬到一起，统一口径，存到数据仓库里，报表能跑出来就行。

AI时代不一样了。AI不是来"存数据"的，是来"用数据"的。AI需要的数据跟报表需要的数据完全不同——报表要的是结构化的数值，AI要的是有上下文、有语义关联、能理解"为什么"的信息。一份项目复盘报告里"我们当时选了方案A而不是方案B，因为方案B在类似工况下曾出现过热变形"——这段话对报表毫无价值，但对AI来说，这是千金难买的经验知识。

以前的数据治理叫"数据管理"，AI时代的数据治理应该叫"数据资产化"——把沉睡的数据变成AI能读取、能理解、能调用的"生产资料"。

第二，非结构化数据从"边角料"变成了"主菜"。

以前，非结构化数据（文档、邮件、图片）在数据治理体系里是"末等公民"——有一搭没一搭地归个档，没有索引、没有标签、没有全文检索。反正报表也不需要它们。

AI时代反过来了。企业最有价值的那部分知识，恰恰藏在非结构化数据里。工艺参数的"为什么这样设定"不在数据库里，在工程师的技术文档里。客户关系的深层理解不在CRM的备注字段里，在销售跟客户往来的邮件里。项目风险的预判不在甘特图里，在项目复盘报告的"经验教训"章节里。

金山办公做过一件事，很有说服力。他们自研了一套文档解析技术叫MonkeyOCR，在3B参数下跑出了超过GPT-4o的准确率，在OmniDocBench评测里拿了全球第一。这意味着什么？意味着AI已经能"读懂"格式混乱的PDF、扫描件、复杂表格了——前提是你得把这些文档交给它。

以前非结构化数据是"垃圾堆里找宝贝"，现在是"垃圾堆本身变成了金矿"——只要你能把它们捡出来、洗干净。

第三，从"IT部门的事"变成了"一把手的事"。

以前数据治理让CIO推就行，因为这事儿影响范围有限——顶多影响报表准不准、决策有没有数可看。

AI时代不一样了。数据质量直接决定了AI能不能在你的企业里跑出价值。AI跑不出价值，你的数字化转型就停留在"花架子"阶段。花架子撑不了三年。

而且数据治理涉及的权责调整、利益协调、跨部门协作——这些事CIO推不动，只有一把手才有足够的威权和视野来推动。就像那句话说的：数据治理不是IT项目，是一次管理变革。

三步走：从"沉睡资产"到"AI燃料"

道理讲透了，给条能走的路。

我不会建议你"建一个企业级数据中台"——那是大厂干的事，动辄几千万、耗时一两年，大部分中小企业等不起。我建议的路更务实，分三步。

第一步：盘点——搞清楚你到底有什么。

不需要 fancy 的数据资产管理工具。找个人，花两周时间，把企业各部门的核心数据资产摸一遍：哪些在系统里、哪些在文档里、哪些在人脑子里、哪些在微信群里。按"对业务决策的价值"排个序。

这一步的目的不是建什么体系，而是让管理层第一次看到自己企业"数据家底"的全貌——通常看完之后会有两个反应：第一，原来我们有这么多数据；第二，原来这么多数据AI根本用不了。

光是这两个反应，就值回这两周的投入。

第二步：激活——先把最有价值的一块数据喂给AI。

不要贪多。从盘点结果里挑一个价值密度最高、格式相对整齐、部门配合意愿最强的数据域，先做。

比如技术部门积累的项目复盘文档——几十上百份，格式差不多是Word或PDF，内容高度结构化（问题-原因-对策），对新产品开发的参考价值极大。把这一批文档做文本解析、清洗、分块、向量化，灌进一个本地的知识库。

做完之后让工程师试——问它"过去三年我们遇到过的热处理质量问题有哪些，怎么解决的"。如果回答的准确率和完整度让工程师觉得"有点东西"，这块数据就算"激活"了。

关键不是一次全做完，而是让组织第一次尝到"自己的数据被AI用起来"的甜头。

第三步：飞轮——越用越好，越好越用。

第一个数据域激活之后，会产生两件事。

第一，其他部门看到了效果，会主动跑来说"我们部门的数据能不能也灌进去"。推动数据治理从此不再需要CIO四处求人，变成了业务部门主动要。这个转变是根本性的。

第二，AI在处理这些数据的过程中，会暴露出数据质量问题——格式不统一、关键字段缺失、版本混乱。这些问题以前没人关心，现在因为"AI回答不了"而被看见了。于是数据治理有了具体的、业务部门能感知到的改进方向，不再是一本落灰的《数据标准手册》。

数据越治理越好用，越好用就有越多部门愿意把数据交出来治理——这就转起来了。不需要一口气建完整个数据中台，从一个点开始，让飞轮自己转起来。

大模型是发动机，数据是燃油——没有燃油的发动机再先进也是废铁

回到开头那家企业的故事。

摸底之后，管理层沉默了半天，最后有人问了一句："那我们该怎么办？"

我给的建议就是上面那三步：先盘点，再激活一个点，然后让飞轮转起来。没有建议他们建数据中台，没有建议他们买什么产品，没有建议他们上什么架构。

因为数据治理这事，最怕的就是"先铺摊子"。摊子铺得越大，需要协调的人越多，阻力越大，周期越长，最后烂尾的概率越高。反倒是"选一个小切口、做出效果、让其他人眼馋"的路，成功率最高。

再强调一遍底层逻辑：AI时代，企业的竞争壁垒不在模型层，在数据层。模型会越来越便宜、越来越同质化，但你的数据是你的——二十年的客户关系、十五年的工艺经验、十年的项目教训——这些东西没法买、没法抄。

但这些壁垒有个前提：数据得是活的。

沉睡在文档里、埋在邮件里的数据，不叫资产，叫负担——占存储空间、增加管理成本、出了事还可能是合规风险。只有当数据能被检索、被分析、被AI调用、变成业务决策的依据的时候，它才从"负担"变成了"资产"。

这个转换不会自动发生。需要有人去盘点、去清洗、去激活、去维护。这些事不好做，不讨好，短期内看不到成果。

但不做，你的AI就是一台空转的发动机。轰鸣声很大，就是哪儿也去不了。

参考资料

1. 天风证券缪欣君: 产业逻辑从"模型中心"转向"数据中心", 2026年

2. 中金公司于钟海: "数据是AI时代企业唯一可持续的护城河", 2026年

3. 金山办公: MonkeyOCR文档解析技术与OmniDocBench评测, 2026年

4. 财政部:《企业数据资源相关会计处理暂行规定》, 2024年1月施行

5. 国家数据局: 数字中国建设2025年行动方案

6. 中国日报: AI放弃"聊天"全面进军企业办公, 2026年5月

7. 国务院国资委: 推动央国企开放高价值应用场景相关政策, 2026年5月

点击下方关键字，查看原创热文

典型案例：| | | | | | |

理念解读：| | | | | |

应用场景：| | | | | | | | | |

业务系统：| | | |

数智科普：| | |

米多是国内领先的营销数字化整体解决方案提供商，为企业提供顶层设计（营销数字化蓝图/架构/体系等）、系统规划（一物一码/智能营销/渠道管理）及运营落地（扫码发红包/一元换购/五码合一等）提供服务，用数字化驱动业务增长。