2 什么是 AI-Ready Data
2.1 一个容易被技术名词遮蔽的概念
AI-Ready Data 正在成为企业数据领域的高频词，但不同团队使用它时，常常指向完全不同的对象。基础设施厂商强调面向训练和推理的高性能存储、网络与数据编排；数据平台团队强调统一采集、湖仓和实时处理；治理团队强调质量、目录、血缘和合规；大模型团队则可能把它理解为经过清洗、切分、标注并可供检索或训练的数据。
这些理解都触及了 AI Ready 的一部分，却都不能单独构成完整定义。如果企业只把它理解为存储性能，模型可能快速读到错误数据；只理解为治理，数据可能有完善目录却无法在任务需要时被调用；只理解为向量化，结构化事实可能失去精确计算和权限控制；只理解为模型训练集，便忽略了生产运行中的实时状态、工具行动和反馈闭环。
本书采用一个面向业务任务的工作定义：
AI-Ready Data 是能够在明确业务场景下，被人、应用和 Agent 及时发现、正确理解、可信使用、安全调用，并在使用后持续评估和改进的数据及其上下文。
这个定义包含四个关键限定。第一，Ready 总是相对于场景而言；第二，数据与上下文不可分离；第三，能够读取不等于能够可信使用；第四，Ready 不是上线时的一次检查，而是运行中的持续状态。
2.2 Ready 是相对状态，不是数据的永久标签
一张客户订单表可能非常适合分析月度销售，却不适合让 Agent 自动判断客户信用。原因不一定是数据“质量差”，而可能是它缺少信用政策、付款历史、争议状态和授权边界。同一份设备手册适合回答通用维修问题，但如果没有产品型号、固件版本和生效日期，就不适合指导现场操作。
因此，不能脱离消费者和任务问“这份数据是否 AI Ready”。更可执行的问题是：“对于某类用户在某个时间窗口内完成某项任务，这些数据是否提供了足够事实和上下文，并满足允许的风险水平？”
可以把 Ready 表达为一个条件函数：
Ready = f（任务，消费者，时间窗口，错误后果，数据与上下文，控制能力）任务决定所需事实，消费者决定访问方式和解释形式，时间窗口决定新鲜度，错误后果决定验证与人工介入程度，数据与上下文决定系统能否形成有依据的判断，控制能力决定判断能否安全进入行动。
这也解释了为什么不同数据域可以有不同成熟度。售后助手依赖的产品、设备、手册和工单数据需要优先治理，暂时不参与场景的其他域无需同时达到同一水平。用场景驱动的局部 Ready 逐步沉淀通用能力，比等待全企业数据完美更现实。
2.3 数据、上下文、服务与控制
AI-Ready Data 不只是一个数据集，可以拆成四个相互依赖的组成。
数据是任务所依据的事实和内容，包括结构化记录、文档、事件、图片、音频、日志和模型反馈。数据层要处理完整性、准确性、去重、版本、时间和标识一致性。
上下文解释数据的含义与边界，包括业务术语、指标口径、实体关系、所有者、质量结果、血缘、新鲜度、分类、政策、合同、数据契约和历史决策。上下文回答“这是什么、从哪里来、能否相信、由谁负责、适用于哪里”。
服务使数据能够被稳定消费，包括 SQL、API、语义查询、检索、特征服务、事件订阅、工具和 MCP。服务要有契约、服务等级、版本、容量和错误语义。把数据库账号交给 Agent 不是成熟的数据服务，因为消费者需要理解底层结构，也难以限制用途和行动。
控制确保使用过程可治理，包括身份、授权、用途限制、最小权限、脱敏、审批、审计、拒答、回滚、评估和反馈。数据本身正确，如果被错误的人在错误场景中使用，仍然不 Ready。
四者可以类比为一条道路：数据是货物，上下文是标签和地图，服务是运输网络，控制是交通规则与检查机制。只有货物而没有其他三项，无法保证它安全抵达正确目的地。
2.4 八个评价维度
为了让定义可评估，本书使用八个维度。
2.4.1 可发现
Agent 能否在大量资产中定位与任务相关的数据，而不是依赖工程师把表名写进提示词？可发现不仅包括关键词搜索，还包括业务术语、同义词、数据域、实体关系、使用热度和认证状态。发现结果必须经过权限过滤，避免“看得见但拿不到”甚至泄露敏感资产名称。
2.4.2 可访问
是否存在稳定、受控、符合任务抽象的访问方式？分析师可以直接写 SQL，面向业务流程的 Agent 更适合调用语义查询或领域 API。访问还包括可用性、延迟、限流、重试和错误返回。临时脚本能够跑通一次，不代表数据产品具备可访问性。
2.4.3 可理解
字段、指标、文档和关系是否有机器可读的含义？“amt”“status=3”“有效客户”如果没有定义，模型只能猜测。可理解性要求技术模式与业务语义连接，也要求说明适用范围和版本。OpenMetadata 将资产与术语、指标、域、产品和关系连接的模式，说明上下文图如何帮助机器从技术名称抵达业务概念 (OpenMetadata Contributors, 不详)。
2.4.4 可信
数据是否经过质量检查，来源和加工过程是否可追溯，当前状态是否新鲜，是否被认证？可信不意味着没有任何错误，而是风险可见。Agent 应能区分认证数据、实验数据和已发生事故的数据，不应把所有检索结果等价对待。
2.4.5 及时
数据是否在业务决策窗口内到达？及时性需要端到端度量，从现实事件发生到 Agent 能够使用，而不是只观察仓库作业完成。超时后系统应有明确行为：继续但提示、使用上次可信快照、转人工或停止动作。
2.4.6 安全
是否遵循身份、角色、属性、用途和最小权限？文档切分和向量索引不能破坏原有访问控制，缓存不能让一个用户读到另一个用户的结果，工具调用不能因为 Agent 代表用户就自动获得用户全部权限。安全还包括隐私、保留期限和跨境要求。
2.4.7 可操作
数据是否能够支持任务完成，而不只用于回答？可操作包括把事实转化为建议、生成结构化输出、调用受控工具和触发工作流。越接近行动，对输入验证、审批、幂等、回滚和审计的要求越高。
2.4.8 可评估
团队能否知道数据和 Agent 是否产生了正确结果？需要离线评估集、线上任务指标、业务反馈和失败分类。只看模型响应时间，无法判断回答是否有依据；只看用户点赞，也无法发现被用户忽略的系统性错误。
八个维度并非平均打分。高风险场景会设置门槛：安全或可信不达标时，即使发现和访问表现优秀，也不能进入自动执行。
2.5 与相邻概念的区别
AI-Ready Infrastructure 关注计算、存储、网络和数据管道是否能够承载 AI 工作负载，是必要基础但不是全部。基础设施可以高性能地提供数据，却不负责定义“净收入”的业务含义。
高质量数据 是 AI Ready 的组成。准确、完整的数据如果无法及时访问、缺少语义或违反权限，不适合当前任务；相反，某些探索性场景可以接受不完整数据，只要不确定性被明确表达。
训练数据 服务于模型训练或微调，强调样本、标签、代表性、偏差和许可；AI Ready Data 还覆盖推理时上下文、实时状态、工具输入和运行反馈。
RAG 数据 通常指经过解析、切分和索引以供检索的文档或记录。它解决上下文获取的一种方式，但不能替代结构化查询、数据服务、权限和治理。把所有企业数据转成文本块，会丢失类型、约束和关系。
数据治理 提供定义、质量、血缘、所有权和政策等能力，但如果治理成果停留在门户页面，Agent 在运行时无法获取，它还没有转化为 AI Ready。治理必须能够通过 API、搜索、策略执行点或 MCP 被激活。
Data Mesh 和数据产品 强调领域所有权、面向消费者和自服务平台，与 AI Ready 高度相关。AI 带来的新要求是机器消费者、概率输出和工具行动，需要在产品契约中增加上下文、证据、评估和控制。
2.6 五种常见误区
第一种误区是“全部向量化”。向量索引适合语义相似检索，不擅长精确聚合、事务状态和复杂权限。订单金额应由查询或指标服务计算，手册段落可以通过向量检索召回，两者再在 Agent 层组合。
第二种误区是“全部实时化”。实时不是 Ready 的同义词。没有决策窗口和价值证明的实时化会增加复杂度，甚至降低稳定性。
第三种误区是“目录填满描述就完成”。描述覆盖率重要，但机器还需要质量、血缘、版本、关系和访问方式。人工填写的长描述如果无人维护，同样会过期。
第四种误区是“模型可以自己理解”。模型能推断字段含义，不代表推断符合企业定义。对关键指标和行动条件，猜测不是能力，而是风险。
第五种误区是“上线后再评估”。没有上线前评估集和基线，团队无法判断新版本变好还是变坏；没有反馈采集设计，上线后也得不到有效数据。
2.7 场景化判断示例
回到“山城精工”的售后助手。用户输入设备序列号和故障现象，希望获得诊断步骤与备件建议。
如果只看文档，手册解析完整、检索准确，看似已经 Ready。但任务还需要序列号对应的产品型号、生产批次和固件版本，需要识别当前客户的保修状态，需要读取最新库存，并验证建议零件没有停产。手册段落要携带版本、生效范围和权限；库存要在请求时查询；诊断建议要引用证据；创建工单或预留备件要由用户确认。
对“生成可能原因”这一低风险子任务，文档和历史工单达到一定可信度即可；对“自动预留高价备件”这一动作，则必须增加客户身份、库存一致性、审批额度和幂等控制。同一数据在两个子任务中的 Ready 标准不同。
2.8 本章产物：AI Ready 声明
团队可以为每个场景写一份简短声明：
对于【消费者】在【业务场景】中完成【任务】，系统需要在【决策窗口】内提供【数据与上下文】，通过【访问方式】使用，并满足【质量、权限和风险门槛】；结果通过【任务与业务指标】评估，失败时采取【降级、拒答或人工接管】。
例如：
对于授权售后工程师在客户现场诊断设备故障，系统需要在三秒内提供适配当前序列号的手册、历史工单、设备状态和备件库存，通过受控检索与领域 API 使用；回答必须引用有效版本来源，库存信息不得超过五分钟，预留动作须人工确认；结果以首次解决率、工程师修正率和错误建议事故数评估，证据冲突时转人工。
这份声明把 Ready 从抽象口号变成可评审的产品承诺。它也是后续需求、架构、契约和评估的共同起点。企业不需要一次证明“所有数据已经 AI Ready”，而要持续证明：对最重要的任务，正确的数据和上下文能够在正确时间，以正确方式抵达被授权的消费者，并形成可以改进的反馈。