在 AI 技术迅猛发展但企业智能化转型落地效果欠佳的背景下，行业专家联合直播聚焦'数据可信'主题，多位专家指出当前企业 AI 落地核心瓶颈已转向数据与知识的质量与供给，'数据焦虑'成为关键生死线；明确了可信数据的多维度标准，提出企业应结合行业标准与核心场景、按数字化成熟度分阶段推进数据基座建设，同时需突破组织协同壁垒与认知误区；并强调可信数据基座不仅能为企业带来降本增效、员工赋能等价值，更将支撑 Agentic AI、具身智能等发展推动企业智能进化，是 AI 时代企业实现自主智能的核心基建。
在 AI 技术迅猛发展的今天，企业对智能化转型的需求日益迫切，但落地效果却普遍不理想。据 MIT 报告显示，企业垂直场景 AI 应用真正上生产的比例仅 5%。2026 年 1 月，一场年度重磅专栏直播围绕'数据可信——如何构建支撑可信 AI 与决策的数据基座'主题展开，墨创数迹 CEO 汪丹担任主持人，邀请了中国信通院云计算与大数据研究所主任姜春宇、软通动力 AI 研究中心总经理吴基术、矩阵起源产品副总裁邓楠三位专家，深入探讨了企业 AI 落地的数据挑战、可信数据标准、建设路径及业务价值。
一、AI 落地瓶颈：从'模型焦虑'到'数据焦虑'的生死线
随着大模型能力的快速迭代，'算法与算力'已不再是企业 AI 应用的主要障碍。三位专家一致认为，当前企业 AI 落地的核心瓶颈已转向'数据与知识的质量与供给'。
- 数据焦虑成'最后一公里'生死线
软通动力吴基术指出，企业 AI 落地正面临'三重焦虑'——模型焦虑、智能体焦虑和数据焦虑，其中'数据焦虑'最为突出。数据已成为 AI 项目验收的'生死线'：'AI 项目以效果和准确率验收，而非功能。2023 年我们为医疗企业处理 2 万多份文档时，因部分文档质量问题，准确率调优耗时远超开发周期，直接影响项目验收。'
- 行业普遍困局：数据质量决定场景落地效果
信通院姜春宇观察到，2025 年作为'智能体元年'，企业普遍规划了数十个 AI 场景，但落地效果好的仅 1-2 个，核心原因是这些场景的数据质量更高。'领先企业已开始建立数据集和知识管理体系，意识到 AI 时代的知识管理与传统体系截然不同。'
- 模型适配难题：缺乏企业 context 导致效果打折
矩阵起源邓楠补充道，大模型在企业落地效果不佳的关键在于缺乏内部知识和数据的 Context。'一些企业用大模型解决合同审核等场景时，仅依赖 DeepSeek 一体机而未构建内部 Context，效果大打折扣。MIT 报告显示，仅 5% 的垂直场景真正上生产，知识建设是破局关键。'
二、'可信数据'的四维标准：从静态认证到动态工程
何为'可信数据'？三位专家从技术、工程与业务视角给出了多维度定义，形成了一套可落地的标准体系。
- 信通院云大所姜春宇：高质量、观点正、安全性、专业够格
信通院云大所姜春宇从研究角度提出四维定义：
- 高质量：结构化数据需满足完整性、一致性，非结构化数据需评估丰富度、均衡性，且不同场景需定制化评价维度
- 观点正：数据集需符合正确价值取向；
- 安全性：覆盖数据全生命周期安全；
- 专业够格：知识内容需具备权威性与含金量
- 软通动力 AI 研究中心总经理吴基术：动态工程化闭环管理
软通动力从工程实践出发，强调'数据可信'是动态过程而非静态认证：'企业需通过工具和流程，将业务数据实时转化为高质量 AI 数据集，实现从采集、清洗、加工到训练 / 测评 / RAG 的全链路闭环。例如，我们为大型客户构建的数据可信体系，需保证每一环节可追溯，为决策提供可靠依据。'
