企业服务与营销技术领域长期存在一个假设：在部署人工智能之前，必须先完成数据治理，让数据达到干净、统一、可用的状态。The Brandtech Group新兴技术业务负责人、合伙人Rebecca Sykes对此提出不同判断。她认为，生成式AI能够处理模糊、孤岛化、有时标签质量不佳的数据，企业不必等到数据完全“ pristine ”才开始落地AI。
The Brandtech Group是一家专注于营销与品牌技术服务的集团，Sykes在该集团负责领导新兴技术实践。她的观点针对的是企业AI实施中一个普遍存在的瓶颈：数据质量问题往往导致项目在启动阶段即被搁置，企业将大量资源投入到数据清洗与整合，而AI应用的上线时间被不断推迟。
按照Sykes的判断，生成式AI的能力边界与传统分析型AI存在差异。传统模型对输入数据的结构化程度和标注准确性要求较高，而生成式模型在一定程度上能够容忍噪声与非结构化输入，这使得企业可以在数据资产尚不完善的阶段先行开展试点，再根据实际效果反推数据治理的优先级。
这一观点对当前企业AI落地路径具有现实意义。在营销、客户服务、内容生成等场景中，企业面对的数据往往分散在多个系统之间，标签体系不一致，历史数据质量参差不齐。若坚持“数据先洁净、AI后上线”的线性路径，许多项目难以在合理周期内产生回报。以生成式AI作为切入点，先验证业务价值，再针对性补齐数据短板，正在成为部分企业的替代方案。
需要指出的是，容忍模糊数据并不意味着放弃数据管理。Sykes的论述指向的是实施顺序的调整，而非对数据治理的否定。对于企业而言，如何在快速验证AI价值与长期数据资产建设之间取得平衡，仍是AI实施过程中的核心课题。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
