企业评估 AI 数据准备度，不能只看是否已经部署大模型，而要判断数据能否被持续、合规、稳定地用于训练、检索、分析和决策。核心问题不是“有没有数据”，而是“数据是否找得到、看得懂、用得准、管得住，并能进入具体业务闭环”。
先判断五项基础能力
第一是可发现性。企业应建立系统清单、数据资产台账、数据地图和血缘关系，明确数据存储在哪里、由谁负责、如何产生和流转。若同一客户、产品或组织分散在多个系统中，且没有权威来源，AI 很难形成稳定的业务语境。
第二是可理解性。检查核心指标、业务术语、字段含义和计算口径是否统一。管理层经常使用的指标，应明确名称、公式、来源系统和责任部门。模型接收到口径不一致的数据，可能生成逻辑自洽但业务错误的结果。
第三是质量与可用性。重点观察完整性、准确性、一致性、及时性、唯一性和有效性，并确认是否存在持续稽核与整改闭环。评估不应停留在抽样展示，而要追问：质量规则由谁维护，异常是否定责，整改后是否复核。
第四是安全与合规性。企业需要完成数据分类分级，建立最小必要的权限矩阵，对敏感数据实施脱敏、访问审批和操作审计。涉及客户个人信息、交易记录等数据时，能否说明使用边界和留痕机制，是 AI 项目能否上线的重要前提。
第五是业务闭环能力。数据准备度最终要由场景验证。企业应选择一个高价值、边界清晰的 AI 场景，检查从数据获取、处理、调用到结果反馈的完整链路，而不是用模型演示效果替代生产验证。
用成熟度而非单点指标决策
可参考 DCMM 的数据战略、数据治理、数据架构、数据应用、数据安全、数据质量、数据标准和数据生命周期八大能力域进行诊断。若只有数据平台，没有业务认责和质量运营，说明技术基础可能存在，但组织准备度不足；若数据质量尚可，却缺少权限、审计和使用边界，则不宜直接扩大 AI 应用范围。
评估结果应形成三张清单：可立即使用的数据、需要治理后使用的数据、暂不具备使用条件的数据。先围绕一个业务域完成“标准制定—清洗合并—权限控制—调用验证—效果复盘”的闭环，再扩展到更多场景。AI 能力可以买、算力可以租，但可信数据必须由企业通过持续治理建立起来。