从业务核心竞争力反推数据建设

这一章是整套分享的战略锚。

前面讲了 AI 时代、数据概念、高质量维度、生产方法、飞轮演进。但如果不锚回业务价值，听起来仍然像一套技术方案。

真正的问题是：

我们不是为了治理数据而治理数据，是为了让 AI 跑通业务闭环，最终提升核心竞争力和生产力。

行业最大的误区，是先治理数据，再想 AI 能做什么。这是十年前 BI 时代的思路，在 AI 时代会浪费海量预算。

数据到竞争力的价值链

正确的价值链应该反过来看：

核心竞争力和生产力提升，决定业务闭环；

业务闭环，决定需要什么 AI 能力；

AI 能力，决定需要什么高质量数据。

所以起点不是”我们有什么数据”，而是：

我们要打造什么样的 AI 驱动业务闭环？

以医疗集团为例，业务闭环可能是：患者来源、筛查、诊断、治疗、随访、保险协同、健康管理、再就诊。

每个环节都可以 AI 化，但每个环节需要的数据完全不同。

四步反推法

Step 1：业务诊断。
先画出 AI 化业务闭环，不要先盘数据库。问清楚业务要赢在哪里，AI 要插进哪个环节。

Step 2：AI 角色二分法。
判断这个 AI 是赚生产力，还是赚核心竞争力。

• 生产力 AI：提高效率、降低成本，通常可以外购
• 核心竞争力 AI：沉淀独有能力、形成业务差异，必须自建或联建

Step 3：数据反推。
回到第六章的五类燃料分类。生产力 AI 多是知识型或工作流型，主要需要外部知识库和内部 SOP；核心竞争力 AI 多是数据型、推理型、工作流型混合，必须自建数据资产。

Step 4：精准治理。
不是全院数据全治理，而是 AI 要用的数据重点治理。不是等数据治理完才能上 AI，而是用 AI 上线倒逼数据治理。

外购 vs 自建

外购不是退而求其次，自建也不是越多越好。它是策略选择。

该自建的东西：

• 核心竞争力相关：专科推理、患者档案、专家偏好、临床反馈
• 高敏感数据：患者隐私、商业机密、客户专属材料
• 别人没有的数据：自家专科队列、MDT 推理链、律所方法论

该外购的东西：

• 行业通用知识：医保政策、临床指南、药品说明书、法规库、合同模板
• 算法模型层：诊断 AI、CDSS 引擎、通用大模型
• 算力和基础设施
• 标注服务和通用平台能力

金句很简单：

决定竞争力的自己干，决定生产力的尽量买。

法律行业完全同理。法规库、合规库、合同模板库外购性价比最高；专家论证库、客户专属 Agent、律所方法论沉淀必须自建。

给 CIO / CTO 的三条建议

第一年不要做”全院数据治理大工程”。
选 3-5 个 AI 业务闭环立项，用真实业务倒逼数据治理优先级。

生产力 AI 用 3 个月跑出来。
先做知识型、办公型、流程型应用，快速建立 AI 信心，争取下一年预算。

核心竞争力 AI 给 2-3 年战略耐心。
专科数据资产、推理链生产线、领域本体，不可能一个季度见效。

这三条对律所合伙人和法务负责人也成立。

Palantir 的本体路

台下很多人知道 OpenAI / Anthropic，但未必理解 Palantir 对专业行业的启发。

OpenAI 走的是通用智能路线。Palantir 走的是另一条路：本体路。

Palantir 的本体 (Ontology)，就是把企业里的所有业务对象、属性、关系和动作，建成一张活的语义图谱：

• 对象：飞机、零件、订单、患者、病历、合同、判例、当事人
• 关系：属于、隶属、引发、组合、引用、援引
• 动作：采购、调度、诊断、转科、起草、审查、判决

LLM 不直接看原始数据，而是在这张本体图谱上查询、推理、执行动作。这解决了大模型”不懂企业业务”的根本问题。

为什么专业行业更该学 Palantir

医院和律所不可能自己训练 OpenAI 级别的基座模型。那条路走不通。

但 Palantir 路是可学的：

• 不需要训练通用大模型
• 需要建自己的领域本体：医疗本体、法律本体、专科本体、业务本体
• 通用大模型可以外购，本体必须掌握在自己手里

这也是第二章埋下”本体”概念的原因。

专业行业不卷大模型，卷领域本体。

本体之上，模型可换，Agent 可变，业务闭环不变。

这才是数据资产真正的护城河。

本章收口

先想清楚 AI 要支撑什么业务闭环，再想清楚 AI 是赚生产力还是赚竞争力，最后再决定数据怎么治、自建还是外购。

治理数据是手段，赢得业务是目的。别把手段当目的。

下一章，专门把这套逻辑映射给法律行业听众。