企业建设 AI 数据体系，最常见的两个失败方向是先买完整平台再找问题，或让各部门各自做演示而没有公共数据与治理。更可行的方法是用一个可衡量场景打通闭环，再把反复出现的能力沉淀为平台。
阶段 0：确定边界与基线
先列出决策对象、用户、数据来源、输出动作和失败影响。记录现有处理时间、错误率、转化率、人工工时或损失，让项目有可比较的起点。
场景评分可用五项：业务价值、数据可得性、可验证性、实施复杂度、错误影响。优先选择高价值、可验证且可人工复核的任务。
阶段 1：建立可信数据产品
为一个主题打通来源、原始快照、清洗规则、业务口径、负责人和访问权限。定义数据契约，包括主键、模式、时效、质量阈值和变更通知。
交付物不是一堆表，而是一个可发现、可理解、可申请、可监控的数据产品。此时应能重放任意一次输入，并解释关键字段来自哪里。
阶段 2：构建最小 AI 闭环
将任务限制在单一流程：例如对客服记录分类并推荐知识、对经营异常生成分析草稿、对设备告警排序。固定模型、提示词、检索索引和输出模式，建立一组包含正常、边界与失败样本的评测集。
上线前同时比较规则基线、人工基线和 AI 方案。评价准确性之外，还要记录拒答率、证据完整性、延迟、单次成功成本和人工复核时间。
阶段 3：生产化
生产系统需要版本发布、灰度、回滚、超时、重试、降级和审计。检索要继承数据权限，工具调用使用最小权限和幂等键。模型不可用时，流程应回到人工或确定性规则，而不是静默失败。
监控分为四层：数据质量、系统可靠性、模型效果和业务结果。任何一层越过阈值，都能暂停自动化或切换到人工。
阶段 4：平台化复用
当第二、第三个场景开始重复建设身份、目录、模型接入、评测、监控和审批时，再抽取公共平台。平台提供模板和护栏，领域团队仍对数据含义和业务结果负责。
建议形成这些公共组件：数据目录与血缘、语义指标、特征与知识索引、模型网关、评测平台、策略与审批、运行观测、成本分摊。
阶段 5：有限自治
自动化权限按风险逐级开放：只读检索、生成建议、创建草稿、低风险执行、高风险审批执行。每一级都要有允许动作、额度、责任人、停止条件和回滚方案。
一张验收表
| 维度 | 上线前问题 |
|---|---|
| 价值 | 是否比现有流程更快、更准或更省，并有基线？ |
| 数据 | 来源、权限、时效、质量和血缘是否明确？ |
| 模型 | 版本、评测集、失败类型和拒答条件是否记录？ |
| 系统 | 是否支持重试、降级、回滚、审计和人工接管？ |
| 风险 | 谁批准、谁监控、谁处理事故，是否写入流程？ |
| 运营 | 是否持续记录效果、成本、漂移和用户反馈？ |
完整体系可以概括为：以业务价值确定方向，以可信数据提供证据，以模型和规则形成决策，以工程能力保证运行，以治理和组织承担责任。回到本专题第一篇AI 在数据中的应用地图，可以按七个环节选择下一个扩展点。
运营节奏
上线后每周检查失败样本、人工反馈和成本异常，每月复查数据漂移、模型效果与权限使用，每季度重新判断场景价值和风险等级。重大数据、模型、提示词或工具变更都应触发回归评测。
岗位职责可参考AI 与大数据岗位变化：业务所有者确认价值，数据所有者保证来源与口径，技术所有者保证运行，风险所有者决定自动化边界。
实践检查清单
在评审方案时，要求团队画出从原始数据到最终用户的链路，并在每个节点标明输入、输出、负责人、质量阈值、访问权限、版本和失败处理。随机选择一条历史结果，确认可以根据日志与快照完整重放。
同时保留一个不使用复杂 AI 的基线方案。只有当新方案在质量、时效、成本或人工负担上产生可重复的改善，并且没有越过风险阈值，才扩大使用范围。若效果下降，应能快速切回规则、旧模型或人工流程，并把失败样本加入后续评测。