大多數企業 AI 專案失敗不是因為技術限制,而是因為準備差距。模型工作得很好——是資料、團隊、基礎設施或組織對齊不到位。而當這些差距在十二個月專案的第六個月浮現時,恢復成本是高昂的。
本評估提供了一種結構化方式,在承諾預算和人員進行本地 AI 部署之前,評估你組織在六個維 度上的準備情況。誠實完成大約需要一小時,結果將告訴你是否繼續、首先修復什麼,或是否等待。
如何使用本評估
使用以下標準對六個維度中的每一個按 1 到 5 分評分。要誠實——誇大分數對任何人都沒有幫助,並會導致後來痛苦的意外。對所有維度評分後,加總並使用末尾的解讀指南。
為獲得最準確的結果,讓多個利害關係人獨立評分,然後比較。分數之間的差距往往與分數本身一樣具有資訊性——它們揭示了你組織的自我認知與現實不符的地方。
維度 1:資料準備
這是感知與現實之間差距最大的維度。幾乎每個組織都認為他們的資料「大部分已準備好」。幾乎每個組織都是錯的。
評分標準
1 分——未準備
- 沒有與 AI 使用案例相關的結構化資料
- 資料存在於電子郵件線程、PDF 和部落知識中
- 沒有可用資料源的資料目錄或清點
- 沒有資料品質流程
2 分——早期階段
- 一些相關資料存在於資料庫或文件存儲庫中
- 資料品質未知或不一致
- 沒有 AI 相關資料的標準化格式或架構
- 資料存取需要特定個人的手動提取
3 分——發展中
- 相關資料已識別且可通過 API 或資料管道存取
- 存在基本資料品質檢查(去重、空值處理)
- 部分資料已標注,但不系統化
- 資料需要標準化的 混合格式
4 分——已準備
- 主要使用案例有乾淨、結構化的資料集
- 存在自動化攝入和處理的資料管道
- 已建立標注流程(內部或外包)
- 帶有定義指標和閾值的資料品質監控
- 已記錄並遵循的資料治理政策
5 分——進階
- 帶有自動化品質保證的生產級資料集維護
- 帶版本控制和血統追蹤的持續資料管道
- 從模型輸出回到訓練資料的活躍反饋迴路
- 資料文件(資料卡、架構描述)保持最新
- 用於擴充和測試的合成資料生成能力
評估內容
拿出你的實際資料並回答以下問題:
- 量: 你有多少訓練資料?有效微調一個 7B 模型,對目標領域至少需要 1,000 到 10,000 個高品質示例。RAG 需要文件語料庫——有多少文件,它們有多新?
- 品質: 從你提議的訓練資料中隨機抽樣 100 條記錄。有多少百分比是乾淨的、正確標注的,且實際代表任務的?如果答案低於 80%,你面前有一個資料清理專案。
- 格式: 你的資料是 AI 管道可以消費的格式嗎?JSON、CSV 和純文本很直接。掃描 PDF、傳統資料庫格式和被困在專有系統中的資料需要提取工作。
- 新鮮度: 你的資料有多舊?在 2023 年產品文件上訓練的模型無法回答 2026 年功能的問題。你保持訓練和檢索資料最新的計劃是什麼?
- 標注: 如果你的使用案例需要監督學習(分類、提取、結構化輸出),誰標注資料?速度多快?每個標注示例的成本是多少?

