最近一个厂长跟我吐槽，前后说了好几次。

他们厂去年做过一轮数据治理。做完之后，日常生产指标分析跑得挺顺，大家觉得数据问题算翻篇了。

然后AI上线了。

问题从这里开始。他说：“以前我们的报表是固定的，每天几个关键指标，看一年都没事。现在有了AI，我和技术员可以随便问炉温趋势、能耗对比、同类型机组的性能偏差。结果有时候，数一拉出来，是错的。”

不是AI错了。是他之前以为“治理好了”的数据，其实只是“够报表用”。

他说了一句话让我印象很深：AI把数据问题放大了。以前数据不准，只有做报表的那几个人知道。现在数据不准，每个人都能问出来。

这不是一家厂的问题。工业AI规模化过程中，这件事一直被低估：当你给用户一个能自由发问的工具，你同时也把底层数据的所有问题暴露到了每个人面前。

我最近越来越觉得，AI的普及正在让企业被迫补一堂之前没补完的课。这几年做AI很性感——大模型、智能体、自主决策，每一个词都让人兴奋。经过十年数智化浪潮的洗礼，数据的重要性没人否认了。但数据治理、数据标准、数据质量，这些词听着还是像上世纪的遗留问题，没人愿意为它们开庆功会。

但现实是，AI越强，数据越重要。AI就像一个放大镜，能做的和做不了的，都被放大了。做不了的那部分，原因往往在于数据。

厂长后来跟我说了一句很实在的话：前面那轮数据治理，是够MES用、够报表用。AI来了之后发现，我们得再做一轮，这次是够AI用。而且这轮更难，因为以前你只需要保证几个固定报表的数据是对的。现在你得保证"任何人问任何问题，数据都对"。

我问他那你现在还觉得AI是下一代生产力吗。他想了想说：“是。但你得先告诉我，我现在的数据到底能不能喂给AI。”

这个回答挺实在的。

而“够AI用”的下一站，是把数据背后的工艺机理和专家经验结构化成AI能理解的知识。不过那是另一个话题了，改天细说。

Dr. Lu · 2026年9月

关于作者：Dr. Lu，昆仑数据创始人陆薇。虽然是计算机博士，大部分时间不在机房，而在工厂和去工厂的路上。20年来专注一件事：让数据真正理解工业。她是IEEE TCSVC Woman in Services Computing第一位华人女性获奖者，也是最早参与制定中国工业大数据路线图的那批人之一。这个专栏是她在一线的思考——关于工业AI、关于本体模型和控制论、关于AI在工厂落地那些事儿和人。