企业AI从回答走向办事，数据门槛升高

投资还没跨过门槛

“四家企业中三家投资AI数据”是AITimes这篇署名文章的标题表述，正文没有交代对应调查的样本、地域和统计口径，不能据此认定韩国企业的普遍投资比例。可以追溯的另一组证据来自数据基础设施厂商Fivetran：其5月5日发布的调查覆盖400名数据专业人士，受访企业以中大型组织为主，只有15%自报已充分准备好让智能体在生产环境运行，近60%则表示投入了数百万至数千万资金。这里的“生产环境”指实际承接业务的系统。投资比例与准备程度衡量的是不同问题，这组结果也不能直接套到韩国。但它明确提示，预算已经进入企业，数据支持业务执行的能力仍有缺口。AI-Ready Data通常指适合AI使用的数据；Agent-Ready Data则强调，这些数据还要支撑智能体判断和行动。智能体是能够规划任务、调用工具并执行步骤的AI系统。

贷款审查要知道状态

韩国深度学习未来AI开发团队长金东贤在署名文章里用公司贷款审查解释了这个缺口。银行掌握客户、交易、信用和存量贷款记录，还要读取营业执照、财务报表、纳税证明与申请表。找到纳税证明上的数字，只完成了读取；审查还需要确认文件属于当前申请企业、处于有效期内，法人信息与其他文件一致。条件满足，申请才进入“可审查”状态；资料缺失或数值冲突，就应转入“需补充”或“需负责人确认”。这些是作者用来说明机制的例子，并非已披露的银行部署成果。智能体要接手的是一个带条件的业务流程，企业必须把条件写成系统可检查、可追踪的规则，不能让模型根据一段文字自行猜测能否往下走。

由此推论，企业需要保存的基本单元，应当包含提取值、原文位置、所属企业与申请、验证结果、采用的规则及当前处理状态。金东贤也明确提出要关联来源、业务对象和验证信息。这样的记录让负责人能够回答：这笔申请为什么停在这里，依据来自哪份文件，新文件进入后应重新检查什么。W3C的PROV文档把溯源定义为有关数据生成所涉及实体、活动和人员的信息，用来评估质量、可靠性与可信度。这为理解文档依据提供了基础：记录一个金额的同时，保留谁提供了文件、哪项处理产生了结果。让一次判断能够沿着依据回到原文，是业务人员接受结果并追究错误的基础。

规则必须有人维护

规则本身也要成为维护对象。KDL，即韩国深度学习，在9月11日的公司文章中介绍，9月2日已推出文档AI运营平台DEEP Ops，让业务人员通过自然语言调整提取标准，再保存版本、验证和审批。按KDL公布的流程，旧版本与新版本使用同一批文档，核对新增字段能否正确提取、既有字段是否受到影响，再由授权人员批准部署。公司还表示，所有修改保留版本，出问题可恢复到之前的版本。它卖的是一套持续变更的管理办法，客户实际能否用好，要看审批权限、测试文档和业务规则是否完整。KPMG对AI数据准备的解释同样指向责任归属：语义标准，即字段在业务中的统一含义，以及数据产品、运行控制和决策逻辑，都必须有人负责。能用自然语言修改要求，并不意味着修改可以绕过业务责任人。

验收要数剩下的工作

对负责验收的人来说，指标应跟着这条流程走。KDL把“无介入率”列为运营评价重点，也就是无需人工介入就能完成处理的比例。我的判断是，企业应把它与错误放行、异常转交及处理时间一起记录，才能知道自动化是否减轻了工作。验收必须逐件确认人工还在什么位置介入，以及介入是否必要。财务或质量部门需要确认哪些案件可以按规则完成，哪些必须交给有权判断的人，并把转交原因留在处理记录里。测试文档集也应覆盖实际业务中的缺件、数值冲突和规则边界，避免上线验收只挑整齐完整的文档。这样得到的结果才能告诉部门负责人，哪些重复劳动已经被系统接走，还有多少核对与审批需要安排员工承担。

把数据化搬到现场

数据化的起点正在往业务现场移动。KDL在10月7日介绍DEEP Agent移动端时称，现场人员拍摄文档后，系统可以提取所需字段和表格，并在网页端管理原图、结果及处理记录；网页端创建的提取模板也可用于移动端。公司称，产品发布前在14个现场预部署，重复录入工作相对原有流程减少86%。这是厂商披露的现场结果，文章没有列出各现场的样本量、观测时长或重复录入的计量方式，不能把降幅当作客户采购后的承诺。它仍提供了一个有价值的验收方向：追踪照片拍摄以后，信息是否还需要工作人员传递、查找和重新输入。若原图和按字段整理的结果没有进入下一步业务，现场人员与总部之间的核对工作就仍然存在。

员工仍然承担责任

权限和责任必须随着数据进入流程。韩国金融委员会6月18日公布的金融领域AI指南修订案明确，在现阶段，AI是业务辅助工具，最终决策及责任由员工承担；公告将6月22日列为计划施行日。公告同时提出可信数据与模型、管理层责任分工，以及安全检查和改进机制。这意味着，数据能够支持判断，并不自动赋予智能体批准贷款或执行交易的权限。银行应把“可审查”与“已批准”分别定义，并明确哪个岗位能够推动状态变化。从这些要求推论，业务状态中也需要记录授权条件和人工接手的位置，否则系统给出一个看似完整的结论，负责人仍无法确认自己应承担哪一步责任。

算力预算要接上业务

对关注AI基础设施的企业，这件事直接关系到预算怎样形成业务产出。Fivetran的调查把数据新鲜度、溯源、治理和互操作性列为准备程度的关键维度；数据新鲜度指数据是否及时更新，互操作性就是不同系统能按一致的方式交换、使用数据。结合贷款审查和文档运营的例子，我认为企业应给数据更新、规则维护和异常处理安排持续预算，并在采购时明确相应负责人。一次上传文档不能解决此后的规则修改，也不能替业务部门决定哪些行动允许自动执行。算力采购要接到一条可验收的业务链上：数据有依据，规则有版本，行动有权限，异常有人处理。企业AI能否产生价值，最终要看员工少做了哪些重复劳动，以及留下的决策是否仍能被解释和负责。