AI 项目遇到困难时，原因很少出在模型上。更常见的情况是：它依赖的数据不完整、不一致、拿不到，或者根本不允许按项目设想的方式使用。好消息是，只要在动手之前去找，数据问题通常很早就能发现。
这份清单可以帮你在一个下午内完成数据评估，弄清楚哪些已经就绪、哪些需要整理、哪些可能让项目彻底卡住。
1. 你清楚项目需要哪些数据吗？
从任务出发，而不是从你手头碰巧有的数据出发。
- 一个熟练的人要把这件事做好，需要哪些信息？
- 这些信息中，哪些已经存在于某个系统里，哪些只存在于员工的脑子里？
- 你有没有「做得好」的样例，比如优秀的回复、正确的分类，或者审批通过的文档？
好的工作样例往往是你最有价值的数据。它们能告诉 AI 什么叫「好」，也给了你测试 AI 的依据。
2. 你真的拿得到这些数据吗？
数据存在，不等于数据能用。
- 它存放在哪里：数据库、SaaS 工具、共享网盘、邮件，还是纸质文件？
- 能通过导出或 API 获取，还是只能手动整理？
- 每个数据来源归谁负责？他们会支持这个项目吗？
如果关键数据所在的系统根本没有可行的获取方式，最好第一天就知道。
3. 数据准确、一致吗？
- 重复： 同一个客户或产品被记录了好几次
- 冲突： 两份文档对同一个问题给出不同答案
- 缺失： 重要字段经常是空的
- 过时： 已经失效的政策、价格或流程仍在流传
- 格式不统一： 不同来源里的日期、名称、单位或分类写法不一样
你不需要完美的数据，但需要知道问题出在哪里，并修正那些会影响目标任务的问题。
4. 格式能直接用吗？
- 干净的文本和结构化数据最容易处理。
- 扫描件、图片、复杂表格和幻灯片需要额外处理，也更容易出错。
- 很长的文档可能需要拆分成能独立理解的章节。
尽早拿最难处理的格式做小样本测试，质量问题通常就出在这里。
5. 你被允许这样使用数据吗？
这是团队最常跳过的问题，也是最可能在项目后期把项目叫停的问题。
- 数据里有没有个人信息？如果有，适用哪些隐私法规？
- 和客户或合作方签的合同，是否限制了他们数据的用途？
- 是否有数据只对特定团队或岗位开放？
- 数据会不会被发送给外部的 AI 服务商？这符合你们的政策吗？
拿不准的时候，在动手之前就请法务或合规同事参与，而不是事后补救。
6. 数据能保持更新吗？
- 底层信息多久变化一次？
- 更新能自动同步到 AI 系统里吗？
- 上线之后，由谁负责保持内容准确？
一个照着去年的政策回答问题的助手，比没有助手还糟糕。
7. 能用它来衡量质量吗？
预留一批有标准答案的真实案例，并且不要把它们挪作他用。这套测试集能告诉你 AI 是否够好，以及每次修改是让结果变好了还是变差了。
把清单变成计划
逐项检查完之后，把发现的情况分成三类：
- 已就绪： 可以直接使用的数据来源
- 可修复： 投入适量精力就能补上的缺口，比如整理一批文档，或者增加一个导出功能
- 阻碍项： 可能让项目停摆的问题，比如拿不到数据、没有使用许可，或者没有好的工作样例
先用已就绪的数据启动项目，同时修复可修复的部分；在投入大笔预算之前，先解决阻碍项。
总结
数据准备不是使用 AI 之前必须先做完的另一个项目，它本身就是工作的一部分。事先做一次简短的评估，能省下之后好几周的意外麻烦。
如果你想评估自己的数据是否适合某个具体的 AI 应用场景，我们很乐意和你一起看看。
