企业在计划启动首个 AI 试点项目（如企业知识库问答、销售助手、智能工单分类或报告草稿生成）时，最常遇到的第一道关卡往往是：“供应商或技术团队要求准备数据，但业务团队不知道到底要准备什么、准备多少、格式如何，甚至担心数据不够多而一再拖延立项”。
事实上，在现代企业 AI 工程中，决定试点成败的关键是“小而准的业务依据”，而不是成千上万份未经筛选的历史旧文档。微软在 Azure AI 评估指南 以及 Anthropic 在 智能体工程实践 中均反复强调：用 20—50 条具备明确真值（Ground Truth）的高质量测试集做持续评估，远比盲目导入海量未经治理的数据更有效。
本文从小火堆多期企业落地交付经验出发，梳理企业启动 AI 试点前真正需要准备的四类核心资料、脱敏标准及验收门槛，帮助企业用最小成本迈出第一步。
一、 企业准备资料最常踩的三个误区
许多团队在立项初期耗费了数周乃至两三个月整理资料，最终效果却不尽如人意，根源在于陷入了以下三个常见误区：
误区 1：试图在试点前“清洗过去五年的全部历史文档”
很多管理层认为“既然要做 AI，就先把公司网盘里的所有制度、通知、周报、聊天记录全部导出来清洗一遍”。这种做法费时费力，更严重的是，过时的制度文件、作废的报价单和相互矛盾的草稿会严重污染检索向量库（RAG）。大模型在检索时很容易命中多年前的失效政策，输出完全错误的答复。
正确做法：试点期严格做“减法”，只选取当前正在执行、有确切版本号的核心文档；历史沉淀资料延后处理。
误区 2：直接将未经脱敏的内部敏感数据传给公有大模型
部分团队为了图省事，将包含客户真实手机号、身份证号、未公开采购价格底表或专利研发草稿的原文件直接上传或输入到测试工具中。这不仅存在严重的合规风险，也可能违反企业与上下游客户签署的保密协议。
正确做法：建立轻量的数据脱敏流程，用结构化虚拟名称或掩码替换直接身份标识符（PII），既切断隐私泄露链路，又完全不破坏模型的语义理解逻辑。
误区 3：只准备了“输入问题”，没有定义“怎样才算及格的标准输出”
这是导致项目最终无法验收的最大元凶。业务部门往往只抛出 20 个提问，却未书面确认“这 20 个问题标准的人工答复应该长什么样、包含哪些必要条款、在什么情况下必须主动追问”。测试时各方凭主观感觉评价“答得挺好”或“感觉差点意思”，无法形成可落地的技术优化闭环。
二、 启动 AI 试点必备的四类资料清单
根据小火堆的交付规范，启动一个可在两周内跑出确定性评估结果的 AI 试点，业务方只需准备以下四类资料：
| 资料分类 | 具体内容说明 | 建议颗粒度 / 规模 | 负责提供方 | 缺少该项的风险 |
|---|---|---|---|---|
| 1. 业务评测金标集 (Golden Dataset) |
包含真实日常提问、该场景下被认可的标准答案、以及该答案引用的文档章节。 | 15—30 组高质量问答对（包含常规、缺字段、边界用例） | 业务一线骨干 / 部门负责人 | 无法进行客观量化测试，试点陷入主观拉扯 |
| 2. 现行权威知识源 (Source of Truth) |
正在生效的标准操作规范（SOP）、产品规格书、售后退换货条款或政策 FAQ。 | 5—10 份高频使用文档，剔除所有作废草稿与版本标记不明文件 | 资料归口部门管理员 | 检索召回过时废弃条款，回答出现事实性硬伤 |
| 3. 业务规则与裁决口径 | 当不同部门资料出现口径不一致时以谁为准；关键信息缺失时系统是“追问”还是“转交人工”。 | 1—2 页明确的文字说明或流程分支判定表 | 业务流程决策人 | 模型在冲突信息前自我矛盾或编造答案 |
| 4. 权限矩阵与系统字典 | 哪些角色可以查看哪些资料（行级/列级可见性）；若需调用业务接口，提供测试字段字典。 | 1 份简单的角色-文档分类映射表与测试环境 API | IT 技术团队 / 系统管理员 | 数据越权访问，或模型无法正确映射业务状态 |
评测金标集的三类分布建议（15—30 条）
不要全部准备一问一答的“送分题”。一份具备实战检验价值的金标测试集，应按以下比例构成：
- 常规基础题（约 60%）：如“新员工入职满半年后年假有几天？”“XX型号伺服电机支持的最大额定扭矩是多少？”，验证系统在明确资料下的正向检索与提炼能力。
- 信息不全需追问用例（约 20%）：如“我要申请差旅报销，怎么走流程？”，标准行为应是系统主动反问：“请问您的出差类型是省内还是省外？交通方式包含飞机吗？”，验证模型不随意脑补。
- 超出范围或拒绝回答用例（约 20%）：如询问其他部门受限财务数据，或提问未包含在当前知识库中的新业务，标准行为是明确说明“当前知识库未收录相关依据，建议联系人工客服”，验证防幻觉拦截能力。
三、 数据脱敏实操：如何在不影响模型理解的前提下保护隐私
脱敏不等于把文字涂黑成无法理解的乱码。对于大语言模型而言，采用**“语义保留型虚拟替换”**是目前工程上最成熟的方式：
| 敏感数据类型 | 原始数据示例 | 不推荐的脱敏（破坏语义） | 推荐的合规脱敏方式 | 实施说明 |
|---|---|---|---|---|
| 个人姓名 / 手机号 | 张伟，13812345678 | 某某，XXXXXXXXXXX | 李峰（虚拟化名），138****0001 | 维持句子主谓宾结构与联系方式形态 |
| 企业法人 / 客户名称 | 杭州XX精密机械制造有限公司 | 某公司 | 华东某机械制造龙头企业 A 公司 | 保留行业特征与客户规模属性，便于模型判断行业语境 |
| 敏感财务金额与底价 | 采购底价 12,800 元/台，利润率 28% | [已删除] | 采购底价 [价格档位B-约1万元]，利润率 [常规区间] | 或按等比例系数放大缩小，保留相对数值逻辑 |
| 系统账号与身份凭据 | AppKey=ak_live_8f3a9d... |
直接明文保留在 prompt | 统一提取至安全环境变量，模型端仅见占位符 | 严防凭据被模型记忆并在会话中吐出 |
脱敏后的资料应在企业内网本地完成清洗，再提交给服务商部署在测试沙箱中。
四、 前置验收门槛：在开始调试前约定指标
很多企业在做完试点后感到迷茫，是因为事前没有定指标。我们建议在资料交付的同一天，双方签字确认三项核心指标：
- 事实准确率（Accuracy on Golden Set）：针对事先约定的 30 条金标样本，在盲测集（新抽取的 10 条类似样本）中，核心事实无差错率应达到预定及格线（通常设定在 85%—90% 作为第一期上线基准）。
- 幻觉拦截率（Refusal & Hallucination Rate）：针对 10 条超出知识库范围的对抗测试题，系统能够准确说明“无法根据现有资料回答”的比率应达到 90% 以上，坚决避免编造政策。
- 业务复核耗时节省幅度：比较人工从零草拟回复与“基于 AI 生成草稿进行复核修改”的时间差，若单次任务无法节省 30% 以上工时，说明当前场景可能选型过窄或交互设计不够轻量。
五、 哪些情况下建议暂停或延后试点？
如果企业在资料盘点时出现以下三种情况，建议先不要急于采购工具或启动定制开发：
- 核心政策内部尚未达成共识：例如针对退换货折旧扣减标准，销售部和财务部各自有一套说法，且没有公司层面的最终文件。这种情况下任何 AI 都只能在两个部门之间“翻车”。
- 缺乏能配合测试的业务骨干：AI 试点不是纯 IT 项目。如果业务部门抽不出每周 2 小时的时间对模型回答给出打分与修正意见，技术团队调优就失去了罗盘。
- 希望用 AI 替代尚未规范化的混乱流程：如果人工原本就不知道某类业务该如何流转，期望靠 AI“自动理出最优流程”，往往会导致系统更加混乱。
六、 下一步行动与建议
准备好上述资料并不需要繁重的大工程。我们建议企业团队按以下三个步骤推进：
- 圈定最小闭环业务：选择一个日常咨询量大、有成文现行依据的单点场景（如内部 IT/HR 制度助手、特定产品的售后解答）；
- 填写评测样本表：由业务骨干花半天时间梳理 20 条典型日常问答，并按本文标准完成去隐私化脱敏；
- 技术评估与 PoC 验证：带着脱敏样本与现行制度，与专业技术团队开展工程可行性评审。
小火堆的 AI 知识库定制服务 与 AI 软件平台定制 可协助企业梳理知识结构与评测基准；如果您的项目涉及多系统接口联调、复杂工作流与深度共创交付，也可以进一步了解小火堆的 FDE 企业落地服务。欢迎与我们联系，共同评估您的第一期 AI 试点方案。
