Salesforce 以 80 亿美元全现金并购数据管理公司 Informatica，震动企业软件业界。
乔梁约 5 分钟1 引言：模型之外的关键战场
2025 年 5 月 27 日，
Salesforce以 80 亿美元全现金并购数据管理公司Informatica，震动企业软件业界。这是这家CRM先驱自 2021 年以 277 亿美元吞并Slack以来最大手笔的交易。Salesforce表示，此举将"打造业内最完整、适用于智能代理的全栈数据平台"，为其 AI 工具注入更强大的数据底座。面对多年来股东敦促其将巨额并购转化为利润，Salesforce此番押注也表明，更紧密的数据整合被视为下一阶段增长的关键。
上面这条新闻从一个侧面反应了当今 toB 企业在 AI 领域的竞争已经从模型本身转向了数据，而且，更多企业在关注人工智能和数字化转型的实效性。
当今世界，ChatGPT、Claude 和 Gemini 等大型语言模型的惊人能力让企业看到了 AI 的无限可能。各行各业都在积极探索如何将这些强大的 AI 能力整合到业务流程中，以提高效率、降低成本、创造新价值。然而，在这股 AI 热潮中，一个关键因素常常被忽视：数据。
正如一位 AI 研究者所言：**模型只是工具，数据才是灵魂。**无论多么先进的 AI 模型，如果没有高质量、多样化的数据支持，都难以发挥其真正潜力。本文将深入探讨为什么数据质量与多样性对企业 AI 战略至关重要，以及企业应如何构建数据优先的 AI 战略。
2 数据质量：AI 成功的基石
垃圾进，垃圾出
在 AI 领域，有一个广为人知的原则：垃圾进，垃圾出（Garbage In, Garbage Out）。这一原则在大模型时代尤为重要。无论模型架构多么精妙，参数量多么庞大，如果训练数据存在质量问题，生成的结果必然会受到影响。
以客户服务聊天机器人为例，如果训练数据中包含大量过时的产品信息、不准确的解决方案或不专业的客服对话，那么即使是最先进的大模型也会生成误导客户的回答，最终损害企业声誉和客户信任。
数据质量的关键维度
高质量的数据应具备以下特征：
- 准确性
：数据应准确反映现实，不包含错误或误导信息 - 完整性
：数据应尽可能完整，不存在关键信息缺失 - 一致性
：不同来源的数据应保持一致，避免矛盾 - 时效性
：数据应及时更新，反映最新情况 - 相关性
：数据应与特定业务场景相关
企业在引入 AI 能力前，应首先评估现有数据是否满足这些质量标准。数据清洗、标准化和验证是确保数据质量的必要步骤。
3 数据多样性：提升 AI 的适应性与公平性
为什么多样性至关重要
数据多样性指的是训练数据应覆盖目标应用场景的各种可能情况。多样化的数据有助于：
- 提高模型鲁棒性
：使模型能够应对各种复杂情况，而不仅限于常见场景 - 减少偏见
：避免模型对特定群体或情况产生偏见 - 增强泛化能力
：使模型能够更好地处理未见过的新情况
例如，一家全球性企业开发的客户服务 AI 如果仅使用英语数据训练，将无法有效服务非英语用户；如果仅使用某一地区的数据，可能无法理解其他地区客户的文化背景和需求特点。
构建多样化数据集的策略
企业可通过以下方式增强数据多样性：
- 多源数据整合
：整合来自不同渠道、部门和地区的数据 - 有意识地扩充边缘案例
：确保数据集包含足够的非主流案例 - 持续数据收集
：建立机制持续收集新的、多样化的数据 - 数据增强技术
：使用技术手段创建更多样化的数据变体
4 企业数据战略：AI 时代的制胜关键
数据优先的思维转变
成功的 AI 战略始于数据战略。企业需要从"我们有了 AI 模型，现在需要数据来训练它"转变为"我们有高质量的数据资产，如何利用 AI 充分挖掘其价值"。
这种思维转变要求企业：
- 将数据视为战略资产
：像管理财务资产一样重视数据资产 - 建立数据治理框架
：明确数据所有权、质量标准和使用规范 - 培养数据文化
：鼓励基于数据的决策和创新
构建数据基础设施
支持 AI 应用的数据基础设施应具备：
- 数据采集能力
：高效、准确地从各个来源收集数据 - 数据存储与管理
：安全、可扩展的数据存储和管理系统 - 数据处理与分析
：强大的数据处理和分析能力 - 数据共享机制
：在保障安全的前提下促进数据在组织内的流动和共享
5 实践建议：数据驱动的 AI 落地路径
从数据审计开始
在引入 AI 大模型前，企业应首先进行全面的数据审计：
- 评估现有数据资产
：了解数据的数量、质量、多样性和覆盖范围 - 识别数据缺口
：确定哪些关键数据缺失或质量不足 - 制定数据改进计划
：明确如何填补数据缺口和提升数据质量
建立数据质量保障机制
持续的数据质量管理至关重要：
- 建立数据质量标准
：定义明确的数据质量指标和标准 - 实施数据质量监控
：持续监控数据质量，及时发现和解决问题 - 自动化数据验证
：使用自动化工具验证数据准确性和一致性
数据与 AI 协同发展
数据战略与 AI 战略应协同发展：
- 迭代优化
：基于 AI 应用反馈持续优化数据收集和处理 - 领域专家参与
：让业务专家参与数据标注和验证 - 闭环管理
：建立从数据收集、AI 训练到应用反馈的闭环管理机制
6 结语：迈向数据驱动的 AI 未来
在这个 AI 大模型蓬勃发展的时代，我们见证了一个重要的转变：企业的竞争优势正在从"谁拥有最好的模型"转向"谁拥有最优质的数据"。正如一位数据科学家所言："在 AI 时代，算法可能是商品，但数据永远是王道。"
行动建议
如果你正在思考如何开启企业的数据优先战略，不妨从以下问题开始：
你的企业是否已经建立了完整的数据资产目录？ 现有的数据质量评估机制是否足够完善？ 数据治理框架是否能支撑未来的 AI 应用？
互动讨论
欢迎在评论区分享你的观点和经验：
你所在的企业在数据质量管理方面遇到了哪些挑战？ 在推进数据战略时，有哪些经验教训值得分享？ 你认为在未来 3-5 年内，数据将如何重塑你所在行业的竞争格局？
让我们一起探讨、分享，在这个数据驱动的 AI 时代互相启发，共同进步。如果你觉得这篇文章对你有帮助，也欢迎将它分享给更多同行，让我们一起为中国企业在 AI 时代的数据战略转型贡献一份力量。