数据垃圾是导致企业AI项目失败的真正元凶

数十亿美元砸进AI，换来的却是频频失望收场——一家新创公司说，找到了病灶。

企业正将数十亿美元投入AI领域，却频频收获令人失望的结果。一家新兴创业公司声称已找到问题根源，并打造出首个专门解决这一痼疾的平台。

Clario近日正式公开亮相，携600万美元种子轮融资，专攻联合创始人兼CEO优素福·汗所定义的数据“ROT”问题——即冗余（Redundant）、过时（Obsolete）和无效（Trivial）文件。这类文件不仅虚增了存储成本，更从源头上污染着企业的AI项目。

“ChatGPT问世已有四年，企业在AI项目上投入了数十亿美元，却未能产生实质性影响，”汗在一份声明中表示，“‘垃圾进、垃圾出’不是陈词滥调，而是代价极为高昂的错误。”

行业估算数据显示，企业存储数据中超过三分之一属于垃圾数据。Gartner预测，由于数据质量低劣，60%的AI项目将在今年底前被放弃。Clario通过早期客户实践得出的数字甚至更高——在与设计合作伙伴的测试中，公司发现垃圾数据比例最高可达60%。

汗曾五度出任CIO，先后在Pure Storage和Moveworks担任该职位，后转型为Ridge Ventures的普通合伙人。他坦言，在每一段职业经历中，都会撞上同一堵墙：“我试图用所有主流文件系统解决这个问题，但都没有成功。”ChatGPT发布后，AI生成内容大量涌入企业数据库，这一问题愈发严峻。

联合创始人兼CTO马杜·沃赫拉则带来了基础设施领域的深厚积累。她曾在NetApp主导集群SAN架构设计，在Nutanix扩建工程团队，并在Oracle主持OCI块存储与对象存储业务。“我一手构建了让人们得以不断积累数据的重要系统，”她对外表示，“所以现在，我来赎罪。”

技术实现层面

Clario可直接接入企业文件与内容系统，涵盖Google Drive、SharePoint、OneDrive、Box和Confluence，通过扫描元数据来识别垃圾文件，整个过程无需打开文件本身。沃赫拉介绍，当前分类采用启发式算法，综合利用文件校验码、命名规则、访问时间戳及格式支持状态等信息；基于AI和向量嵌入的检测能力已列入产品路线图。

一旦Clario标记某个文件，系统会通过Slack或Teams触发工作流，通知文件创建者或负责人，由其选择保留、归档或删除。系统从这些操作决策中持续学习，逐步演进为更具自主能力的清理引擎。Clario仅在客户对标记文件采取行动后才收费，这种基于结果的商业模式将公司利益与数据实际削减深度绑定。

ROT数据可细分为三类：冗余文件（重复及近似重复内容）、过时文件（无人能打开的遗留格式、多年未被访问的文档、离职员工遗留内容）以及无效文件（隐藏文件、噪声数据）。沃赫拉透露，早期客户分析已发现TB级别的垃圾数据，包括已停产产品线的知识库文章，以及离职员工下载的完整故事片。

为最大限度减少误报，Clario的模型在设计上侧重精确率而非召回率，仅对高置信度的垃圾文件进行标记。“凡是我们认为难以判断的文件，我们都希望先提出来，”汗说，“目标是先从最容易处理的部分入手，建立信心，再逐步进入更模糊的地带。”

数据质量直接关乎AI效果

引入这一时机的意义，远不止于削减存储账单。随着企业内部加速搭建智能体系统和基于RAG的应用，底层数据质量将直接决定这些系统能否正常运转。沃赫拉一针见血地指出：“你的AI产生幻觉，到底是模型本身的问题，还是因为你把1500万个文件都喂给它了？”

汗从Token经济的角度阐释这一问题：构建在混乱知识库之上的内部智能体，会迫使大语言模型在过时政策、已停产品文档和废弃支持文章中反复筛查，白白消耗算力预算。“你实际上是在用Token处理垃圾，”他指出。

某早期客户拥有550万个文件，发现其中逾20%属于ROT数据，追溯来源后发现主要来自四名离职员工。

市场空白与未来规划

汗坦承，目前这一细分赛道竞争对手寥寥。备份和归档厂商虽曾触及数据清理的边缘，但尚无任何公司打通从分类、员工通知、执行到持续学习的完整工作流。“如果有这样的解决方案，我早就用了，”他说，“但我还没见过哪家公司真正做到这一点。”

沃赫拉指出，压缩和存储效率工具解决的是数据“比特的成本”，而非数据“数量”本身。“问题的核心在于，你手上那1500万个文件，依然原封不动地是1500万个麻烦。”

投资方Preface Ventures合伙人萨阿德·西迪基表示：“企业数据危机并不是新问题，但如今继续无视它的代价已难以为继。我们投资Clario，是因为他们是唯一一家从根基层面帮助企业实现AI就绪的公司。”

目前，Clario已有约十余家客户处于早期分析和部署阶段。公司成立约六个月，计划在现有文件与内容系统之外，进一步拓展至图像库、视频存储，以及ServiceNow、Salesforce Service Cloud等平台的知识库。

汗将产品愿景浓缩为一句话：“我们的目标，是让数据卫生成为企业持续运营的日常流程。”

Q&A

Q1：Clario是什么公司，主要解决什么问题？

A：Clario是一家专注于企业数据治理的创业公司，刚完成600万美元种子轮融资。它主要解决企业存储系统中的“ROT”数据问题，即冗余、过时和无效文件。这类垃圾数据不仅推高存储成本，还会直接污染AI项目的数据源，导致大语言模型在处理时浪费大量算力，甚至产生幻觉或错误输出。

Q2：Clario是怎么识别和处理垃圾数据的？

A：Clario通过直接连接Google Drive、SharePoint、OneDrive、Box等企业文件系统，扫描文件元数据（如校验码、命名规则、访问时间戳等）来识别垃圾文件，无需打开文件本体。发现问题文件后，系统会通过Slack或Teams通知相关责任人，由其决定保留、归档或删除。Clario采用结果付费模式，只有客户实际对文件采取行动后才收费。

Q3：企业数据ROT问题有多严重？

A：根据行业估算，企业存储数据中超过三分之一属于垃圾数据。Gartner预测，60%的AI项目将因数据质量问题在今年底前被放弃。Clario的早期测试发现，部分客户的垃圾数据比例高达60%。某客户拥有550万个文件，其中逾20%是ROT数据，且主要来源于四名已离职的员工。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：数据垃圾是导致企业AI项目失败的真正元凶要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题