我花了将近两年时间不在构建人工智能。我在清理数据。

当时，我们正在扩展追踪与追踪平台，我以为最难的工作会集中在人工智能层面，比如模型、算法和优化。但并没有。大约80%的精力投入到了远不如光鲜的事情上：修复数据基础。清洁错误。解决不一致之处。捕捉那些根本没有被记录的操作信号。

这并不令人兴奋。但这是必要的。因为在构建智能之前，你必须让数据配得上它。

这个教训现在无处不在。整个行业越来越意识到，大多数人工智能项目失败并非因为模型不足，而是因为底层数据不可靠。最新研究对此问题提出了明确的数字。供应链领域多达95%的生成式人工智能项目未能实现持续的投资回报率。不是因为模型。原因在于数据碎片化、系统孤立和手动工作流程。

人工智能没有失败。数据治理则是。

模型无法解决的问题

人们倾向于相信更好的模型能弥补不完美的数据。但实际上，情况正好相反。人工智能系统非常擅长生成听起来自信的答案，即使这些答案基于不完整或不准确的输入。

在供应链的背景下，这不仅仅是技术问题，更是运营风险。

大多数环境中的数据流动并不顺畅。它存在于孤立的系统中：这里一个仓库管理系统，那里一个标签平台，ERP更新落后于现实事件。当你在这些基础上叠加人工智能时，你不是创造清晰度，而是在扩大模糊性。

而且在大规模情况下，错误的答案往往比没有答案更具破坏性。真正看到成效的组织是那些彻底改变了局面的组织。他们并不是一开始就有人工智能。他们首先解决了数据的创建、捕获和连接方式。

真实数据所在之地

供应链中最被忽视的高质量数据来源之一，也是最普遍的：标签。每次标签被打印或扫描时，都会捕捉到一些有意义的东西。身份。地点。运动。状态。这些不是抽象的数据点，而是运营事实，在产品经过制造、分销和履约过程中实时记录。

随着时间推移，这些事件形成了一个连续的物品级历史。这才是真正的数字孪生，不是静态记录或供应商提供的声明，而是每一步发生的活时间线。它是通过成千上万次小而一致的数据采集片段逐步构建的。

这不是一夜之间组装出来的。随着时间推移，它成为一种持久的优势，是竞争对手难以复制的数据资产。

与此同时，外部压力也在增加。欧盟的监管要求如GS1 Sunrise 2027、FDA可追溯性规则以及数字产品护照计划，正迫使组织更加重视数据完整性。时间线已经不再是理论性的了。

但合规只是强制功能。真正的价值在于这些数据一旦变得可信，它所能带来的价值。

从纯净数据到真实结果

当数据基础扎实时，使用场景变得具体可行。你可以在网络中断前及早发现异常。你可以识别出静态报告中不会显示的供应商绩效模式。你可以从被动库存管理转向预测定位。

即使是小的改进也很重要。仅缺货就估计占许多组织每年收入损失的4%至7%。这不是建模问题。这是一个源于数据质量的可见性问题。接下来的讨论也将朝这里发展。

代理型人工智能，即由多个协调代理组成的系统，跨越边缘和云环境运行，正迅速成为下一个前沿。但这些系统更依赖干净、一致的输入。他们不仅仅是分析数据;他们会付诸行动。这就提高了赌注。

有一个值得问的问题

在公司进行人工智能投资之前，值得先停下来思考一个简单的问题：如果你今天将当前的运营数据输入模型，你会信任输出吗？如果答案是否定的，那就不是失败。这是一个起点。

因为那些真正从人工智能中获得价值的公司并没有等待更好的模型。他们更早就做了更艰难的工作，建立了一个支持未来发展的数据基础。其他一切都是从那里开始的。