一、先从一个问题切入

问AI「1 2 3… 100等于多少」，这事跟企业信息化毫无关系——有人把知识喂给AI了，AI张嘴就来。

但如果问「我们公司月度毛利是多少」，AI事先没有数据，答不出来。

AI要拿到这个数据，只有两条路：

• 有人提前准备好：定期上报、定期填报、定期维护——这不是AI自己动的，是人推着走的。可以用，但不够高级。

• AI自己去找：AI要知道去哪里拿数据、数据是什么含义、拿到的数据能不能对上账——这就开始涉及信息化了。

注意，这里说的是信息化，还不是数字化。

---

二、说说信息化

几乎没有几家企业会说自己「信息化做得不好」——这话说出来显得自己太差了。

但很多企业会说「我们数字化做得还不够好」。言下之意是：我及格了，只是离高分还差点。

而实际情况是：相当多企业连信息化都没做明白。

大数据热潮的教训

十五年前，每个企业都往自己的系统里塞大数据技术。应集尽集，应采尽采。仿佛「数据不增长就没有未来」。

结果呢？上游加一个字段，全量重来。上游改一条数据，要对时间戳。上游删一条——对不起，Hadoop对不上了。

这些年，行业多少有点被“大数据”这个概念带偏了。

那些听上去很震撼的预言，真正落地的其实并不多：除去 to C 场景不谈，真的有多少企业经历了所谓指数级的数据爆发？

现实往往更朴素，大多数企业的数据量依然停留在 TB 级，真正关键的核心数据，很多甚至不过是 GB 级。

说到底，很多人把自己的体量想得太大了。哪怕原本并没有那么大的规模，也要硬生生营造出一种“规模惊人”的感觉。

大多数企业所谓的大数据系统——无论BI还是数仓——能做的只有报表。

十五年前的逻辑

十五年前，业界普遍担忧：数据指数增长，摩尔定律线性提速，跑不赢。

于是分布式技术大行其道——堆硬件来扛。

但现实中，百GB才是标准规模，有用的数据少之又少。

跟风建设的代价

为了不让上级觉得自己在新时代（尤其是AI）面前无动于衷，很多企业选择先上了再说。

• 先集中，避免因为收集不齐全影响以后分析

• 但要分析什么、怎么分析，其实不知道

• 能埋点的地方全埋

• 能收集的数据都收

这不是信息化，这是盲目的数据囤积。

---

三、说说数字化

有些企业请我去讲数字化转型。我心想，这么大的央企还要讲这个？对方说要的。

很多年前，曾有位领导提过一个很直接的想法：「每个子公司都在用自己的Excel，彼此之间的数据谁也摸不清，这事怎么解决？其实不复杂，把这些Excel统一装进数据库表里，打通就行了。」

说实在的，有点震惊。

但看下来，好像各企业都是这么做的。

而实际情况是：上传之后，大家继续下载到本地操作。库是库，表是表，文件是文件，反正对不上。

这时候你问AI：「我们公司月度毛利是多少？」

AI能告诉你什么？上游的数据对不上，AI再强也是巧妇难为无米之炊。

---

四、AI真正需要的是什么

AI的价值，不只是「能生成」，更关键在于「能推理」和「能解释」。

而这背后，说白了就是——你怎么处理数据。

现实是，大多数企业数据乱得一塌糊涂：

• 结构化数据扔MySQL

• 图数据上Neo4j

• 日志数据跑Elasticsearch

• 向量数据配个Milvus

不同类型数据分布在不同系统里，最后靠ETL拼命打补丁。

很多AI项目一上来就死在数据整合上。

说白了，不是AI不行，是系统本身一地鸡毛，AI根本插不上手。

---

五、最终回答：基础还是包袱？

做得好，就是基础。做不好，就是包袱。

这不是一句正确的废话，而是结论：

• 信息化和数字化做扎实的，AI接上去就能用，数据可信、链路清晰、推理有据——这是真正的基础。

• 信息化和数字化做虚的，AI接上去只会放大混乱——数据不准，AI给你生成一个自信的错答案，这才是真正的包袱。

历史包袱的本质，不是技术过时，是当年那波跟风建设留下的烂摊子。

信息化没做明白，数据中台只是ETL加Hadoop全家桶；数字化没做明白，数据库只是Excel的另一种存放方式；这些欠的账，AI时代迟早要还。

---

六、一点建议

企业在谈智能化之前，建议先问自己三个问题：

• 数据对得上吗？ 月末关账后，经营数据能不能自洽？

• 数据找得到吗？ AI问一个业务问题，能不能定位到具体系统、具体表、具体字段？

• 数据可信吗？ 同一笔收入，在财务系统、CRM系统、ERP系统里能不能对上？

这三个问题回答不清楚，AI上的越早，包袱越重。