信息化与数字化是智能化基础还是转型历史包袱

一、先从一个问题切入

如果问 AI「1 2 3… 100 等于多少」，这件事和企业信息化几乎没有直接关系——本质上是有人提前把知识输入给 AI，AI 只是根据已有知识直接回答。

但如果换个问题，比如「我们公司月度毛利是多少」，AI 在事先没有接入业务数据的情况下，其实是无法准确回答的。

AI 要真正拿到这个数据，通常只有两条路径：

有人提前准备好：定期上报、定期填报、定期维护——这并不是 AI 自己完成的，而是依赖人工推动。虽然能用，但离真正的智能化还有距离。AI 自己去找：AI 必须知道去哪里获取数据、这些数据代表什么含义、拿到之后能不能和其他系统对上账——这时候就已经进入企业信息化建设的范畴了。

需要注意的是，这里谈的是信息化，还不是更进一步的数字化转型。

---

二、说说信息化

几乎没有哪家企业会主动承认自己「信息化做得不好」——因为这样说，往往显得企业基础能力太弱。

但很多企业会说「我们的数字化做得还不够好」。这句话背后的潜台词往往是：基础已经有了，只是离更高水平还有差距。

而现实情况却是：相当一部分企业，其实连信息化建设都没有真正做扎实、做明白。

大数据热潮的教训

十五年前，大数据概念火热，很多企业都把各种大数据技术往自己的系统里塞。能采集的尽量采集，能汇总的尽量汇总，仿佛「数据不持续增长，企业就没有未来」。

结果是什么？上游增加一个字段，就要整套流程重新处理；上游改动一条数据，就要重新对时间戳；上游删除一条记录——对不起，Hadoop 里的链路可能就对不上了。

这些年来，整个行业在某种程度上确实被“大数据”这个概念带偏过。很多听起来气势恢宏的判断，真正能落地的并不算多：先不谈 to C 场景，真正有多少企业经历了所谓指数级的数据爆发？现实往往更简单，大多数企业的数据规模依然停留在 TB 级，真正关键的核心业务数据，很多甚至只有 GB 级。说到底，不少企业高估了自己的数据体量，即使原本没有那么大规模，也要营造出一种“数据规模惊人”的氛围。

于是，大多数企业所谓的大数据平台——无论是 BI 系统还是数据仓库——最终能稳定发挥作用的，往往也只是做报表。

十五年前的逻辑

十五年前，业界普遍担心的是：数据会指数级增长，而硬件性能提升只接近线性，未来算力可能跟不上数据增速。

所以，分布式技术迅速流行起来——核心思路就是通过堆硬件、堆集群来承载增长压力。

但回到现实，大多数企业真正常见的数据规模也就是百 GB 左右，真正有业务价值、需要高频使用的数据其实并没有想象中那么多。

跟风建设的代价

为了不让上级觉得自己在新时代，尤其是在 AI 和数字化浪潮面前毫无动作：

先把系统上了再说先集中数据，避免因为采集不完整影响未来分析但到底要分析什么、怎么分析，其实并不清楚能埋点的地方全部埋点，能收集的数据尽量全收

这不是成熟的信息化建设，这更像是一种缺乏目标的盲目数据囤积。

---

三、说说数字化

有些企业会请我去讲数字化转型。我心里常常会想，这么大的央企，难道还需要从头讲这个？但对方通常会说，确实需要。

很多年前，曾有位领导提出过一个非常直接的想法：「每个子公司都在用自己的 Excel，彼此之间的数据口径谁也说不清，这个问题怎么解决？其实并不复杂，把这些 Excel 统一装进数据库表里，系统打通就行了。」

坦白说，第一次听到这种思路时，我是有些震惊的。

但后来接触下来会发现，很多企业在数字化建设中，实际上都是沿着这条路径在走。

而真实情况往往是：文件上传之后，大家还是继续下载到本地处理。数据库是数据库，数据表是数据表，Excel 文件还是 Excel 文件，彼此之间依旧对应不上。

这时候如果你再去问 AI：「我们公司月度毛利是多少？」

AI 又能告诉你什么？上游数据本身就无法统一、无法对账，AI 再强，也一样是巧妇难为无米之炊。

---

四、AI真正需要的是什么

AI 的价值，不只是「会生成内容」，更关键的是**「能够推理」和「能够解释」**。

而这背后，归根结底还是一个核心问题——企业究竟如何管理和处理数据。

现实情况是，大多数企业的数据环境都相当混乱：

结构化数据放在 MySQL图数据放在 Neo4j日志数据跑在 Elasticsearch向量数据再配一个 Milvus

不同类型的数据散落在不同系统中，最后只能依赖 ETL 不断打补丁、做拼接。

很多 AI 项目一开始就卡死在数据整合这一步。说到底，不是 AI 技术本身不行，而是企业系统已经一地鸡毛，AI 根本无从下手，也无法真正接入业务。

---

五、最终回答：基础还是包袱？

做得好，它就是智能化的基础；做不好，它就会变成历史包袱。

这不是一句看似正确却没有价值的空话，而是一个非常现实的结论：

信息化和数字化做得扎实，AI 接上去就能真正发挥作用，数据可信、业务链路清晰、分析与推理都有依据——这才是企业智能化的真正基础。信息化和数字化做得空、做得虚，AI 接上去只会把原有混乱进一步放大——数据不准，AI 还可能给出一个看起来很自信但实际上错误的答案，这才是真正的包袱。

所谓历史包袱，本质上并不是技术过时，而是当年那一轮跟风建设遗留下来的复杂烂摊子。

信息化没做好，所谓数据中台可能只是 ETL 加 Hadoop 全家桶；数字化没做好，数据库也不过是 Excel 的另一种存放形式；这些过去欠下的账，到了 AI 时代，迟早都要补回来。

---

六、一点建议

企业在讨论智能化、AI 落地之前，建议先认真问自己三个问题：

数据对得上吗？ 月末关账之后，经营数据和财务数据能不能自洽？数据找得到吗？ 当 AI 提出一个业务问题时，能不能准确定位到具体系统、具体数据表、具体字段？数据可信吗？ 同一笔收入，在财务系统、CRM 系统、ERP 系统里到底能不能对上？

如果这三个问题都回答不清楚，那么 AI 上得越早，企业未来背负的数据包袱往往就越重。