“数据的人工智能适用性 / Data AI Readiness（也叫 AI-ready data / data readiness for AI）”说的不是“有没有数据”，而是数据能不能被 AI 系统可靠地找到、理解、调用、治理和追责。

传统数据管理关心“人能不能查报表”，AI 数据适用性关心“模型/Agent 能不能在正确权限和上下文中做对事”。

---

一、先分清三个概念

• Data readiness（数据就绪）：数据本身准不准、全不全、能不能取。

• AI data readiness（面向 AI 的数据就绪）：数据除了能用，还要有语义、血缘、权限、向量/特征形态，能被模型消费。

• AI readiness（企业 AI 就绪）：更大概念，还包括战略、人才、模型治理、算力、业务流程、成本与组织能力。

一句话：AI readiness 的底座是 AI data readiness；没有后者，模型再强也是“会说话的瞎子”。

---

二、AI-ready data 的核心维度

业界框架表述不同，但基本收敛到这几条：

1. Quality — 质量

准确性、完整性、一致性、时效性、唯一性、合法性。

AI 会把错误“放大得很自信”：一条脏数据不是报表错一格，而是模型生成 1000 份错误合同。

2. Availability & Accessibility — 可获取

• 数据在哪？谁有权取？

• 有没有 API / 特征服务 / 向量索引？

• 人和 Agent 能不能在合规前提下低延迟拿到？

“有数据但锁在 Excel / 旧系统 / 没人懂的业务表里”＝不适用。

3. Context / Semantics — 语义上下文

这是 AI 时代最关键、也最容易被忽视的一点。

AI 不光要字段，还要知道：

• “Revenue” 和 “Total Sales” 是不是一回事？

• 客户、订单、风险、SKU 的实体关系是什么？

• 这份 PDF 是草稿还是终版？

• 这条记录适用于哪个业务口径、哪个地区、哪段时间？

没有语义层，RAG 也会把互相矛盾的文件拼成“看起来很对”的废话。

4. Structure for AI — AI 可用形态

传统：表、行、列。

AI：

• 结构化：表 / 特征

• 非结构化：合同、邮件、工单、图片、音频

• 半结构化：日志、JSON

• 衍生资产：chunk、embedding、knowledge graph、feature store、tool schema

数据要能进 embedding / retrieval / function calling / agent memory。

5. Lineage & Provenance — 血缘与可追溯

AI 答错时，必须能反查：

哪个 chunk → 哪个文档版本 → 哪个抽取逻辑 → 哪个 embedding 模型 → 哪个 prompt → 哪个输出

否则就是“黑箱背锅”。

6. Governance & Compliance — 治理与合规

• 数据所有者是谁？

• PII / 商业秘密 / 受监管数据能不能进模型？

• 权限是否带到向量库和 RAG 里？

• 是否满足 GDPR / 个人信息保护法 / EU AI Act / 行业监管？

• 训练、验证、测试集是否有文档化质量证据？

重点：权限不能“建完索引就消失”。

7. Freshness & Operability — 时效与可运营

• 实时、近实时、批量？

• 源更新后，embedding / 缓存 / 特征要不要重算？

• 有没有 drift detection、回滚、人工兜底、成本监控？

AI 系统会“静默退化”：数据分布变了，模型不报错，但业务指标先崩。

---

三、为什么“数据很多”≠“AI 适用”

企业常见误区：

我们都有数据湖 / 数据仓库 / 大模型了，应该很 AI-ready 吧？

现实往往是：

• 数据分散在 ERP / CRM / 飞书文档 / 共享盘 / 邮件里

• 主数据不一致，客户 ID 对不上

• 文档没版本、没负责人、没权限标签

• 业务规则在老员工脑子里

• RAG 能搜到，但搜到的是 2021 年作废制度

• 模型答得顺，但越权看了薪酬表

所以 AI data readiness 是“按用例评估”的，不是全公司发一张证书：

• 智能客服摘要：中等要求

• 合同审查：高要求

• 自动下单 / 信贷审批 / 医疗建议：极高要求

---

四、一个好用的评估框架（6C）

Snowflake 等近年常用 6C 来定义 AI-ready data：

1. Clean​ — 干净

2. Contextual​ — 有语义

3. Consumable​ — 机器可取（API / 向量 / 特征）

4. Current​ — 够新

5. Correlated​ — 有血缘、可关联

6. Compliant​ — 合规可控

也可以换成五维：

Quality / Accessibility / Context / Governance / Operability。

---

五、落地时怎么判断“适不适用”

对一个具体 AI 用例，问 10 个问题：

1. 这个用例真正依赖哪些数据？

2. 数据存在哪？有没有权威源？

3. 质量够不够？标签/历史/负样本够不够？

4. 非结构化文档能不能解析、分块、打元数据？

5. 业务实体和关系有没有统一定义？

6. 权限能不能从源系统带到大模型？

7. 数据更新后，AI 知识会不会自动更新？

8. 答错时能追到原文和版本吗？

9. 有没有人工审核 / 降级 / 审计机制？

10. 这个用例的容错率是多少？（摘要 ≠ 自动转账）

---

六、成熟度分层（很实用）

• L1 Fragmented：系统孤岛、无主数据、无血缘 → 别上生产 AI，先做数据底座

• L2 Unified but ungoverned：有湖/仓，但没人保证对不对、能不能用 → 能跑 demo，难进生产

• L3 Governed & contextualized：有目录、血缘、语义层、权限、反馈闭环 → 可规模化和生产化

• L4 Agent-ready：数据不仅“能被读”，还能被 Agent 安全调用、执行动作、回滚、记账 → 最高阶

---

七、给组织的结论

Data AI readiness = 数据从“给人看”升级为“给模型推理、给 Agent 行动、给监管审计”的能力。

优先级建议：

1. 先选 1–2 个高价值、低风险用例

2. 做数据盘点 + 权威源 + 元数据 + 权限映射

3. 建语义层 / 业务词汇表 / 实体关系

4. 把治理从“文件级”做到“chunk / embedding / tool / output 级”

5. 再谈向量库、Agent、自动化决策