③AI 能不能成，看你自有数据转不转得起来

合肥会上，一家头部企业分享了一句让我记到笔记本上的话："自有数据越用越聪明，没有自有数据的 AI，发挥不了价值。"

这句话，比台上任何炫酷的功能演示都值钱。因为它说清了一件事：监理行业上 AI，护城河不在模型，在自有过程数据的飞轮。

前两篇我讲了"组织怎么变"（钻石结构）和"中小企该从哪切一刀"（基础层先做 60%）。这一篇，说更底层的东西——数据。很多同行一谈 AI 就焦虑"我哪有大厂的数据"，我恰恰想破除这个焦虑。

一、大厂的数据是吓人的，但起点不在那

合肥九家里，会晒数据的都不小：建基、江苏建科说他们有150 万张标注数据集（讲者口径·待核验）；四川明清说积累了1000 余万条履职行为记录（讲者口径·待核验）。听着吓人，好像没这体量就不配玩 AI。

但我在台下想的是另一件事：这些数据的起点，也是"每个项目、每天、一点一点标出来的"。江苏建科那 150 万张，来自 300 多个在施项目"每日标注照片"——它不是一天长出来的，是日积月累的纪律。

所以中小监理的焦虑，本质是"拿终点比起点"。大厂今天的数据厚度，是人家跑了几年的结果；我们的起点，就是"从今天这个项目、这条日志、这道隐患开始标"。先转小数据飞轮，比等大数据来得实在。

上篇我说安宇定了一套"监理规范 RAG 飞轮"。这里把核心逻辑摊开讲，因为它正是中小企能马上动手的机制。

行业里 AI 项目有个通病：数据堆了一大堆，全是"结果"，没有"过程"。很多企业上知识库，第一反应是录规范条文、传标准模板、导历史验收记录，然后问 AI："这处隐患按哪条规范处理？" AI 答得煞有介事，真到现场老员工一看："不对，这情况得结合上周浇混凝土的特殊工况……"

AI 懵了。因为它只记住了"规范说 A"，没记住"为什么这次算 B"。

安宇的解法，是把监理的"隐性经验"显形成五维度过程数据：

关键在"决策链"——采的是判断过程，不是结论。老师傅脑子里的东西，从来不是"规范第几条"，是"那天风大、混凝土来晚了、我凭经验觉得得盯紧接缝，后来果然开裂"。五维度，就是把这句话变成结构化、可检索、可喂养 AI 的数据。

更妙的是"影子模式"：监理员正常写日志（人主导），AI 在后台同步生成一份草稿（不抢方向盘），监理员每次修订 AI 草稿，那处改动就被采成五维度数据喂回知识库。人工修订不是一次性动作，是持续喂养。同行能复制功能，复制不了这台飞轮转出来的过程数据——因为它从真实项目、一次次人工修订里长出来。

合肥会上中韬华胜给了一个公式，我记下了：AI 应用效率 = 大模型能力 × 数据 × 规则。

大模型能力，哪家都能买（甚至开源）；规则，行业通用规范摆在那；唯独"数据"——你项目里沉淀的过程数据，是竞争对手抄不走的。这也是安宇"钻石监理"一直强调的：飞轮转起来，AI 越懂"你们家的判法"，别人替代不了。

这公式给中小企吃了一颗定心丸：你不用自己训大模型，你只要把"自家过程数据 + 自家规则"喂进去，护城河就起来了。模型是公共的，数据是私有的，乘积就是你的壁垒。

回到"中小企怎么办"。安宇的做法很朴素：

团队空间统一知识库当容器，不做分散的本地文档；

项目实操绑定"每项目每日标注"规则——监理日志、随手记、隐患闭环每次修订，都顺手采成五维度过程数据；

先厚一个场景（日志自动化），再外溢到方案审查、投标飞轮。

我们不追求"150 万张"的体量，我们追求"每天都在转"。飞轮转一年，过程数据自然厚起来；飞轮不转，买再多工具也是摆设。

合肥会让我更确信：行业公认的方向就是"自有数据 + 规则 + 飞轮"，安宇的双飞轮（RAG 飞轮 + 影子模式）完全同构、且已被头部印证。中小企的焦虑，不该是"我没大数据"，而该是"我今天有没有开始标第一条数据"。

数据不是大厂的专利，是每天现场的判断累积。先别焦虑体量，先让飞轮转起来——你项目里的每一次"为什么这么判"，都是别人抄不走的资产。

下一篇④，说一个比数据更根本、却最容易被忽略的问题：伦理。合肥会几家把 AI 用于考核甚至直连政府监管，恰恰反衬出"AI 不监控人"才是飞轮转起来的信任前提。