企业已有的数据资产其实够用了，缺的是把业务副产品变成可查询资产的那份 schema

说“我们没有数据”的人，多半在说另外三件事

一位运营负责人告诉我，AI 落地上最大的障碍是没有数据。这句话按字面理解几乎从来不成立：四年的扫码记录和异常代码一直躺在他的仓储系统里，从没有人导出过。这家公司里，“数据”已经等于“仪表盘”：没有仪表盘，就没有数据，这个结论写进预算，代价是买一批本来不需要的数据。

企业已有的数据资产通常不是不够，是没被整理过。只有一种处境真缺数据，另外两种是别的问题：没有人标注过任务的样本，比如哪一张发票的科目后来被改过，这是 schema 问题；数据在，但没有谁有权决定谁可以读，这是需要法律负责人签字的治理决定。真正算缺失的，是流程本身没被记录——纸质单据、口头沟通、某个人的本地表格。

企业已有的数据资产通常已经够用：真正缺的是那份把运营副产品变成可查询资产的 schema，而 schema 是一次性成本，不随数据量或查询次数增长，也不必为每一次提问重新购买。

决策对象就此换掉：买数据集、招数据团队、等数据仓库立项，都在解决错误的问题。

你已经付过钱的系统里躺着什么

每一套系统都已采购、已备份，而且有人的工作依赖它准确——有人要对正确性负责的数据，才会被持续修正。

把第三列再看一遍：没有一行写“需要更多数据”。每一行要求的都是对身份、结果或结构做决定，这些决定属于 schema，做完一次就固定下来。

副产品与资产之间隔着六个属性

六个属性，一个下午就能审计完一份数据算不算资产。

实体身份稳定：一个真实对象对应一个主键，别名归并干净；事件时间落在同一个时区；状态迁移保留下来，“怎么走到这一步”通常比“最后停在哪”更值钱；有一个结果字段，哪怕很粗；有来源信息，让审阅的人能追回原系统；以及一条在写入第一个 embedding 之前就定好的访问边界。

身份这一条卡住的项目最多。我核过的一套账里，同一家中型供应商有十一种写法：三种带法律后缀，两种拼错，一个商号，五种尾部多了空格。在这件事解决之前，回答“我们在这家供应商身上花了多少”的模型都在回答假问题。归并它用了一个下午：和应付账款负责人过规则，写一个规则文件，再加四十条人工例外——这笔成本此后所有下游问题都在继承。

schema 要花多少钱，为什么说是一次性

两种成本性质不同。抽取和 embedding 是边际成本，且很小：供应商公开价目表上，一款主流小型 embedding 模型约每百万 token 零点零二美元（写这篇时的挂牌价），三百万 token 的历史文档（一家中型后台的规模）嵌入一次大约六美分。在这部分报出大数字的，定价定错了对象。

schema 是固定成本，由人做出来。我最近界定范围的三个项目里，这项工作落在八到十五个工作日：一个工程师，加过程负责人断断续续的时间——只有他知道例外在哪。按工程师全负荷每天九百美元算，一次性支出七千二百到一万三千五百美元。多数团队的替代方案是带指导委员会的数据平台立项，报价单位是季度。

代价也要说清楚：一次性指的是它不随数据量放大，也不是每次查询重新买一遍；不是指它永不改动——新增产品线、子公司或审批规则，schema 就要扩展。买的是能便宜吸收这些变化的底座，而不是每次重建。身份、结果、来源三类字段怎么落到具体列上，把运营副产品变成可查询资产的 schema 到底包含什么那篇（英文版）里有更细的拆解。

哪些数据应该主动排除在外

范围纪律决定一次性成本是不是真的只发生一次。写抽取代码前，我会先提三条排除：访问边界无法书面达成一致的，第一版不进来，后加比试点期间打官司便宜；决策用不到的个人数据，在抽取时就丢掉——存储之后再脱敏是承诺，不是控制；负责人说不清一行代表什么的那张表不建模，建在没人理解的字段上的 schema 只会高效地产出自信的错误答案。

捕获率只有六成、价值却依赖完整的数据，通常比没有数据更糟。

什么情况下确实需要新数据

有三种情况我会承认：决策靠口头完成、没有系统记录；要预测的结果从没被写下来过；决策依赖第三方掌握、对方不愿共享的信息——最后一种先是商业问题，然后才是技术问题。

这三种情况下的第一份交付物是埋点，不是模型：用九十天把决策和结果记下来，格式要小到做事的人愿意维护。它同时给你一份 schema 和一份数据集，比建在假设上的试点便宜一个量级。

批预算之前，先问清楚三件事

问 schema 是什么、谁拥有它、建起来要多少钱。如果没有人答得上来，被推销的其实是“一个模型加一批从未被整理过的数据”，失败会以模型效果差的形式出现，尽管问题从一开始就是身份和结果字段没定义。

schema 这份资产的寿命比这一季在用的模型长，它让同一职能里的第二条流程明显比第一条便宜。把预算留给无聊的那一半，拿六个属性审计一条真实流程，再用自己的数字做决定。多数自认数据贫乏的企业其实只是 schema 贫乏，后者好解决得多。