[{"data":1,"prerenderedAt":93},["ShallowReactive",2],{"blog:detail":3},{"id":4,"title":5,"body":6,"description":12,"extension":73,"meta":74,"navigation":88,"path":89,"seo":90,"stem":91,"__hash__":92},"content/blog/0142-2026-11-02.md","89% 的企业要重做 AI 用例：数据没在源头结构化",{"type":7,"value":8,"toc":64},"minimal",[9,13,17,20,23,26,29,32,36,39,42,45,48,51,54,58,61],[10,11,12],"p",{},"一份全球调研把企业 AI 落地的一个尴尬现状量化了出来。Cloudera 委托调查机构在 2026 年 9 月访问了全球 1500 名 IT 决策者，结果里有三个数字连起来看很有意思：89% 的企业已经因为 token 消耗成本上升，限制或重新设计过 AI 用例；98% 的企业曾因运行失败、模型幻觉或非预期行为，撤回或缩减过 AI 部署；如果给一次重来的机会，46% 的人表示会更早投入数据质量建设。前两个数字说的是现在为什么反复，第三个数字说的是当初该先做什么。三个数字指向同一个方向：AI 落地翻车的根子，常常不在模型，而在喂给模型的数据——而数据干不干净，取决于它在被写下来的那一刻有没有结构化，这正是 FlashTable 这类表单开发组件在做的事。",[14,15,16],"h2",{"id":16},"成本上升之外的根因",[10,18,19],{},"89% 这个数字，直接原因是成本。token 消耗涨上去之后，原先设想的用例算不过账，企业只能收窄范围、改设计。但把原因都归给成本，会漏掉成本背后的东西。一个 AI 用例反复失败、反复重做，烧掉的 token 里，很大一部分花在了处理脏数据、缺字段、格式不一致的输入上。模型越强，对输入越敏感，喂进去的数据不规范，输出就要来回纠正，token 自然越耗越多。换句话说，成本高不只是一个价格问题，它常常是数据质量问题的价格表现——数据越乱，模型越要反复试错，账单就越难看。",[14,21,22],{"id":22},"数据质量这件前置条件",[10,24,25],{},"46% 的人想重来会先做数据质量，这个数字的意味在于：数据质量被当成了一件可以后面再补的事，直到被反复失败教育过，才意识到它其实是前置条件。这种事后诸葛在企业里普遍存在。很多项目的顺序是先把模型接进来、把界面搭起来，数据怎么来、规不规范，留到上线前再想办法。等到用例跑不通，回头看才发现，卡点不在模型，而在最早那一层——数据从一开始就没有结构化地进系统。到那时再回头补数据，等于把项目重做一遍，而这正是 98% 的人经历过的撤回与缩减。",[14,27,28],{"id":28},"数据没结构化的具体样子",[10,30,31],{},"数据没结构化，在业务里是很具体的事。同一张采购单，一个部门叫供应商，另一个部门叫供货单位，两边的表对不上，要合并先得做一遍字段映射。一份原始记录，检测项目填的是\"合格/不合格\"还是具体数值，取决于当天填表人的习惯，同一个项目在不同批次里存成了两种格式。设备点检的结果写在纸面表格上，要进系统还得有人再录一遍，录的时候还可能录错。更大的场景里，一个工程项目从头到尾要填几十种表单——报审、签证、验收、结算——每种表的字段、格式、口径都是各做各的，最后要汇总到一套数据里，几乎不可能对齐。这些数据不是没有，而是没按统一的字段、类型、口径存下来。模型拿到的是一堆拼不起来的输入，跑出来的结果自然不可信，于是撤回来重做，重做时又发现数据问题没解决，于是再撤回——循环就这么形成了。",[14,33,35],{"id":34},"flashtable-在源头完成结构化","FlashTable 在源头完成结构化",[10,37,38],{},"要打破这个循环，得把功夫下在数据写入的那一刻，而不是事后清洗。FlashTable 做的，正是把结构化这件事前移到数据产生的源头。",[10,40,41],{},"它作为表单开发组件嵌入企业已有的系统，业务人员把正在用的采购单、原始记录直接复制粘贴进去，版式按原样还原，字段在生成时就定好类型和校验规则。同一张表，无论谁来填、在哪天填，供应商就是供应商这个字段，数值就是数值这个类型，检测结论只能从固定的选项里选——口径被表单本身锁住，不再取决于填表人的习惯。",[10,43,44],{},"原表粘贴进来后，系统会先根据每个单元格的内容和格式做识别，自动匹配对应的输入组件——文本、日期、下拉、单选各归其位，不用人工逐一拖拽。组件定下来的同时，字段该是什么类型、该走哪套校验，也随之确定，口径在生成时就被锁住。",[10,46,47],{},"这种\"录入即结构化\"带来的改变是具体的。字段名在源头就统一了，不用事后做映射；数据类型在源头就约束了，日期不会混进文本里，数值不会混进\"合格\"两个字；可变长度的记录——一份报告多条检测项目、一单多行明细——按动态行列扩展，每一条都落在同一套结构里。判定结论和计算字段，通过拖拽公式、定义行循环在配置里定义，由最清楚业务的岗位自己维护，改规则不用等开发排期。",[10,49,50],{},"结构化的同时，数据还留在企业自己手里。FlashTable 支持私有化部署，表单定义和填写的数据都在企业内网完成，不上传外部云端。这一点对数据质量同样重要——数据既要结构对，也要留得住、控得住，否则结构再整齐，也不敢放心地交给模型。",[10,52,53],{},"门槛降下来之后，用时上的变化很直观：LIMS 里的原始记录，从开发到可用能从两周缩到两小时；MES 里的标签也能从数天压到十分钟。这些数字背后是同一件事——数据不再是系统上线后要回头补的功课，而是在被写下的那一刻就已经结构化、可被直接取用。",[14,55,57],{"id":56},"干净的数据ai-用例才不用重做","干净的数据，AI 用例才不用重做",[10,59,60],{},"数据在源头结构化之后，下一步才谈得上喂给模型。FlashTable 的数据按表单定义的结构输出，写入企业自己的数据库，字段、类型、口径在源头就统一了，下游的报表、分析、模型可以直接取用，不必先做一轮清洗和映射。对正在推进 AI 用例的企业来说，这一步意味着：与其在模型层反复调参、在成本上反复纠结，不如先回到数据入口，把那张最前端的表做好。表做干净了，喂进去的东西才干净，AI 用例才不用一遍遍重做。",[10,62,63],{},"企业 AI 用例的重做，表面上是成本问题，往下一层是数据没在源头准备好。收缩、撤回、后悔，这几种反应连起来指向的是同一件事：数据能不能在最早的那一刻，以结构化的方式进系统。FlashTable 解决的正是这一刻——把表单作为数据的入口，让字段、类型、口径在填写时就被定住，而不是等数据进了系统再回头整理。对企业来说，这一步做在前面，模型才有干净的输入，AI 用例的重做才会少一轮。",{"title":65,"searchDepth":66,"depth":66,"links":67},"",2,[68,69,70,71,72],{"id":16,"depth":66,"text":16},{"id":22,"depth":66,"text":22},{"id":28,"depth":66,"text":28},{"id":34,"depth":66,"text":35},{"id":56,"depth":66,"text":57},"md",{"slug":75,"order":76,"date":77,"tag":78,"summary":81,"keywords":82},"enterprises-redesign-ai-use-cases-data",142,"2026年11月2日",[79,80],"行业热点","应用场景","Cloudera 最新全球调研显示，89% 的企业已因 token 消耗成本上升而限制或重新设计 AI 用例，98% 曾因运行失败或幻觉撤回部署，46% 表示若能重来会更早投入数据质量建设。三个数字连起来指向同一件事：数据有没有在源头结构化地进系统。本文拆解数据没结构化的具体表现，以及 FlashTable 如何通过复制粘贴还原、录入即结构化、动态行列、公式配置与私有化部署，把字段、类型、口径在填写那一刻就定住，让模型拿到干净的输入。",[83,84,85,86,87],"AI用例","数据质量","数据结构化","表单开发组件","FlashTable",true,"/blog/0142-2026-11-02",{"title":5,"description":12},"blog/0142-2026-11-02","894NLiLkSvnG4TCdKV-eaqFdJQJsudSm8lmqDr_CN8k",1794363091941]