企业打算上 AI 的时候，有两个问题几乎一定会被提出来：
一是"我们数据中台还没建完，是不是得先建好再说"；二是"要不要训练一个我们自己的行业大模型"。
这两个问题的答案，可能和很多人想的不一样。
| 问题 | 结论 | 真正的前提 |
|---|---|---|
| 要不要先把数据中台建好？ | 不必等全企业级的数据中台建完 | 但"这一个场景"的数据必须可用、口径必须对 |
| 要不要训练自己的大模型？ | 绝大多数企业不需要 | 先评估"现有模型 + 企业知识 + 工具调用"的组合 |
最常见的错误，是把"建设工作"当成了"前提条件"。 数据中台和自训模型都是重投入的长周期工程，一旦把它们设成门槛，AI 落地基本就无限期推迟了。
很多人说"数据没治理好，所以不能上 AI"，其实混淆了三件不同粒度的事：
问数类 AI 出问题的典型原因，往往不是数据没治理，而是同一个指标在不同系统里定义不一样：
AI 会照着它拿到的口径，给出非常自信的错误答案。
一个立刻能做的检查： 挑几个管理层常用的指标，要求 AI 的回答显示数据来源、时间范围、筛选条件和计算口径，然后和原报表逐条核对。这一条做下来，能挡掉大部分问数类事故。
不必问"数据中台建没建完"，问这四个：
四个都过，就可以起步。
第一，成本高、难度大。 2024 年流行过企业微调自己的垂类模型，实践下来投入和复杂度都远超预期。
第二，不划算。 通用大模型的迭代速度和泛化能力，已经明显超过企业自己微调的垂类模型。你花大力气训出来的效果，可能几个月后就被新一代通用模型追平了。
第三，有更便宜的解法。 企业真正缺的往往不是"更懂行业的模型"，而是让模型能够访问企业私域知识和业务系统。
| 手段 | 解决什么 | 投入 |
|---|---|---|
| 提示优化 | 让模型更好理解任务 | 最低 |
| 检索增强（RAG） | 让模型用上企业私域知识 | 低 |
| 工具调用 | 让模型查真实数据、调业务系统 | 中 |
| 模型训练/微调 | 改变模型本身行为 | 最高 |
注意：这四步不是必须依次完成的阶梯。 别默认"先提示词、再 RAG、最后微调"，应该针对具体问题直接比较效果和成本。
三个条件同时具备：
通常先明确场景，再选模型。
因为问答、预测、文档处理和系统执行这四类任务，对准确性、时延、费用和隐私的要求完全不同。场景没定，模型无从比较。
企业AI 的起点不是一个宏大的建设计划，而是一个具体的业务问题。
不要等数据中台，先把这一个场景的数据和口径解决掉；不要急着训模型，先让现有模型接上你的知识和系统。省下的时间，投到"选一个高频、规则清晰、可量化的场景先跑起来"上，比什么都值。
