# AI 不好用,99%是数据问题
**作者**: Miles.
**日期**: 2026-05-24T15:26:38.000Z
**来源**: [https://x.com/ma_zhenyuan/status/2058570376431747361](https://x.com/ma_zhenyuan/status/2058570376431747361)
---

今天做了一个企业端的AI培训,主题是:企业AI升级的核心是数据治理,价值5999,把内容分享给大家。
## AI 的盲区
ChatGPT、Claude 这些公网 AI,能写文案、写代码、搜索公开信息。看起来无所不能。
但它们碰不到你的核心数据。
你的销售数据在本地数据库,客户信息在内部系统,业务文档在私有服务器。这些企业最值钱的东西,公网 AI 一个都访问不了。
我们遇到过一个客户,做电商的。他们想让 AI 分析销售趋势,结果发现 AI 只能分析公开的行业报告,自己的销售数据根本读不到。数据躺在 MySQL 里,AI 看不见。
最需要 AI 帮忙的地方,恰恰是 AI 够不着的地方。

## 没数据就是拍脑袋
去年有个做 SaaS 的朋友,开会讨论要不要砍掉一个功能。产品经理说用户不喜欢,运营说数据不错,技术说维护成本高。吵了两小时,没结论。
后来他们把用户行为数据拉出来,发现这个功能的活跃用户只有 3%,但这 3% 贡献了 40% 的付费。数据一出来,决策就清楚了:不能砍,得优化。
没有数据的决策,就是拍脑袋。有数据的决策,才能追溯、能优化。
企业 AI 改造的核心,不是让 AI 写更好的文案,而是让 AI 能访问你的私有数据。打通数据这一关,AI 才能真正干活。

## 一句话背后的 5 个决策
你对 AI 说:"查 2026 年 3 月,某品牌在某平台的销售数据和客户反馈。"
看起来一句话,AI 背后要做 5 个决策。
第一步:选数据源
销售数据在数据库?客户反馈在 Excel?还是文档里?
我们见过一个公司,销售数据在 MySQL,客户反馈在钉钉群聊天记录里,产品信息在 Notion 文档。三个地方,三种格式。AI 得先判断去哪找。
第二步:理解条件
"3月"是 3月1日到 3月31日,还是最近 30 天?"某品牌"具体是哪个?"某平台"是天猫还是京东?
自然语言很模糊,AI 得翻译成精确的查询条件。
第三步:挑字段
数据库有几百个字段,你只要品牌、平台、销售额、反馈这几个。
有个客户的 ES 数据库,一条记录 800 多个字段。从里面挑出需要的 5 个,不容易。
第四步:定查询方式
数据库用 SQL,Excel 用 Python,Notion 用 API。不同数据源,不同方法。
第五步:验完整性
数据完整吗?有缺失吗?符合预期吗?
我们遇到过一次,查出来的销售数据比上个月少了 80%。一查,原因是数据库迁移,部分数据还没同步过来。要是不验证,直接拿去做报告,就出大问题了。
这 5 步,每一步都可能出错。

## 三类数据,三种方法
知识库:让 AI 读懂文档
知识库用的是 RAG 技术。把文档切片、向量化,AI 就能检索。
向量化就是把文字变成数字。比如"请假流程"这四个字,变成一串数字 [0.23, 0.45, 0.67...]。AI 能理解这串数字,能搜索。
复杂点的知识库,表格和文档混在一起。优化检索方式,AI 才能找到最相关的内容。

场景 1:智能客服
一个做在线教育的公司,每天几千条客服咨询。"怎么退款?""课程有效期多久?""老师资质怎么样?"
他们把历史对话记录、FAQ、标准答案,全扔进知识库。AI 自动回复常见问题。
但关键是:AI 辅助,不是替代。
AI 先答常见问题,复杂的转人工。客服能看到 AI 的建议答案,改改就能用,效率提高 60%。
为什么不能全交给 AI?因为大多数人看到智能客服,第一反应就是打"转人工"三个字。我自己买东西也这样。

场景 2:员工培训
一个 200 人的公司,新员工入职,HR 要讲一遍公司制度、请假流程、报销规则。每次讲 2 小时,一个月入职 10 个人,HR 要讲 20 小时。
他们把公司制度、流程文档、培训资料、工作手册,全放进知识库。新员工随时问 AI,快速上手。
新人问"请假流程是什么?",AI 从知识库里找答案,30 秒搞定。HR 只处理特殊情况,比如病假、产假这些需要审批的。
培训时间从 20 小时降到 5 小时。

## MCP:连接数据库
MCP(模型上下文协议)让 AI 能访问数据库。MySQL、PostgreSQL、ES,AI 自动写代码,提取数据。
为什么重要?
我们遇到过这种情况:客户的 ES 宽表,一条数据 1200 个字段。销售额、客户 ID、订单时间、支付方式、优惠券、物流信息、售后记录...全在一张表里。
从 1200 个字段里精准定位需要的 10 个,非常难。业务逻辑复杂,字段之间的关系和含义,得理解透。
比如"实付金额"和"订单金额"不一样,前者扣了优惠券,后者没扣。"发货时间"和"签收时间"也不一样。这些业务逻辑,AI 得懂。
传统数据库接口是给程序员用的,得写代码查询。程序员写 SQL,跑一遍,看结果,改 SQL,再跑一遍。一个复杂查询,得折腾半天。
MCP 不一样,它是给 AI 用的。
后端写硬核代码,处理复杂逻辑。前端用自然语言,AI 自动调 MCP。
用户说"查 3 月销售额前 10 的商品",AI 自动生成 SQL,调 MCP,返回结果。用户不用懂 SQL,不用懂数据库结构。
这是个范式转变。以前设计 Excel、数据库,都是给写代码的人用。现在得给 AI 设计接口。

代码 + 搜索:其他数据
Excel 文件用代码处理。一个客户有 300 个 Excel 文件,每个文件几千行数据。人工整理要一周,AI 写代码处理,半小时搞定。
行业趋势数据网上搜。比如"2026 年电商行业增长率",AI 去搜,找到权威报告,提取数据。
这些也是数据治理的一部分。
## 多 Agent 协作
单 Agent 不够用
一个 AI Agent 能力单一,上下文有限,不能并行。
生成"销售经营分析报告",得整合多个数据源:
- 数据库查销售数据
- Excel 读客户反馈
- 知识库查产品信息
- 网上搜行业趋势
单个 Agent 干不了。就像一个人,既要查数据库,又要读 Excel,还要搜网络,忙不过来。

多 Agent 怎么配合
多 Agent 就像一个团队,分工明确。
1. 用户提需求:"生成 3 月销售经营分析报告"
2. 主 Agent 理解意图,拆任务:
- 任务 A:查销售数据
- 任务 B:读客户反馈
- 任务 C:查产品信息
- 任务 D:搜行业趋势
3. 分给 4 个子 Agent,各管一块:
- A 连 MCP,查数据库
- B 写代码,读 Excel
- C 连知识库,查文档
- D 网络搜索,找报告
1. 4 个子 Agent 同时干活,并行处理
2. 子 Agent 把数据返回主 Agent
3. 主 Agent 交给写作 Agent,生成报告
4. 输出完整报告
整个过程 5 分钟。

效果对比
我们有个客户,以前做月度经营分析报告,要 2 天:
- 第 1 天:数据分析师从数据库导数据,整理 Excel,做图表
- 第 2 天:运营写报告,加图表,改格式
现在用多 Agent,5 分钟:
- AI 自动查数据、整理、做图表、写报告
- 人只需要看一遍,改改细节
效率提升 200 倍。
## 核心要点
企业数据治理,记住这几点:
数据治理是核心
企业 AI 升级,不是让 AI 写更好的文案,而是让 AI 能访问私有数据。文案谁都能写,数据只有你有。
自然语言查数据不简单
背后有 5 个决策:选数据源、理解条件、挑字段、定查询方式、验完整性。每一步都可能出错。
知识库解决客服和培训
RAG 技术让 AI 能读懂文档。但要 AI 辅助人工,不是替代。AI 答常见问题,人处理复杂情况。
MCP 连接复杂数据库
传统接口给程序员用,MCP 给 AI 用。后端硬核代码,前端自然语言。这是范式转变。
多 Agent 协作处理复杂任务
单 Agent 能力有限,多 Agent 分工明确、并行处理。效率提升不是 2 倍,是 200 倍。

## 从公网到私有
企业 AI 改造,就是从公网 AI 到私有 AI。
公网 AI 是通用能力,谁都能用。私有 AI 是企业专属能力,只有你能用。
打通数据,AI 才能真正干活。
这不是技术问题,是系统工程。知识库、MCP、多 Agent,三个缺一不可。
你的 AI 能访问你的销售数据、客户信息、内部文档,它才真正是你的 AI。
## 相关链接
- [Miles.](https://x.com/ma_zhenyuan)
- [@ma_zhenyuan](https://x.com/ma_zhenyuan)
- [13K](https://x.com/ma_zhenyuan/status/2058570376431747361/analytics)
- [Upgrade to Premium](https://x.com/i/premium_sign_up)
- [11:26 PM · May 24, 2026](https://x.com/ma_zhenyuan/status/2058570376431747361)
- [13.6K Views](https://x.com/ma_zhenyuan/status/2058570376431747361/analytics)
- [View quotes](https://x.com/ma_zhenyuan/status/2058570376431747361/quotes)
---
*导出时间: 2026/5/25 12:04:07*