很多中小企業導入 AI 後，第一個反應是：「這個 AI 不太準。」
但我會先問另一個問題：它吃進去的資料準嗎？
AI 客服回答錯活動日期，可能不是模型笨，而是活動表有三個版本。AI 業務助理判斷錯客戶階段，可能不是 Prompt 寫不好，而是 CRM 欄位半年沒更新。AI Agent 自動開錯工單，可能不是工具不穩，而是跨部門交接欄位本來就缺一半。
AI 專案上線前，不能只驗收「會不會回答」或「有沒有省時間」。你要先驗收資料品質。資料不乾淨，AI 只是更快、更有自信地把原本的混亂放大。
這篇要談的不是建立知識庫，也不是定義哪份資料算正本。那兩件事都重要，但還不夠。資料品質驗收要回答的是：這批資料現在能不能拿來讓 AI 執行任務？如果不能，差在哪裡、誰要補、補到什麼標準才能上線？
為什麼 AI 專案要先驗資料品質？
傳統流程裡，資料錯通常還有人工判斷可以擋一下。客服看到怪怪的優惠，可能會問主管。業務看到客戶資料不完整，可能會回頭翻 LINE 紀錄。營運人員看到庫存數字不合理，可能會打電話確認。
AI 不一定會這樣停下來。尤其當你把 AI 接進客服、CRM、報表、庫存、廣告或自動化流程後，它會依照資料快速判斷、摘要、分派、提醒，甚至產生對外訊息。
如果資料本身有缺漏、重複、過期、格式不一致或來源衝突，AI 的錯誤會變成系統化錯誤。不是一個人做錯一次，而是一個流程每天重複做錯。
所以資料品質驗收不是資訊部門的潔癖，而是老闆該看的上線門檻。
哪些 AI 專案最需要資料品質驗收？
不是每個 AI 小工具都要做大規模驗收。如果只是請 AI 幫你改一段文案，資料品質問題比較小。但只要 AI 開始碰到「營運判斷」，就一定要驗。
第一種是客服與售後。常見問題、退換貨政策、保固條件、訂單狀態、客訴紀錄，只要資料錯，客戶會直接感受到。
第二種是業務與 CRM。名單來源、需求、預算、成交階段、上次接觸時間、禁忌話題，如果欄位不完整，AI 很容易幫業務追錯人、講錯話、漏掉高意圖客戶。
第三種是報表與營運監控。廣告、訂單、庫存、客服量、轉換事件，如果資料口徑不一致，AI 產出的異常摘要只會讓主管更混亂。
第四種是跨系統自動化。表單進 CRM、CRM 通知業務、客服開工單、庫存同步到電商平台，這類流程最怕欄位缺失或格式改版。AI 越自動，越需要先確認資料能不能穩定流動。
中小企業資料品質驗收，要看這 7 個指標
第一版不用複雜。先做一張表，把 AI 會讀、會判斷、會輸出的資料列出來，再用 7 個指標檢查。
| 驗收指標 | 要檢查什麼 | 不通過的風險 |
|---|---|---|
| 欄位完整率 | 必填欄位是否都有資料 | AI 判斷依據不足，亂分類或漏接 |
| 格式一致性 | 日期、電話、金額、狀態是否格式一致 | 自動化判讀失敗，報表無法合併 |
| 重複資料率 | 同一客戶、商品、訂單是否重複出現 | 重複跟進、重複通知、重複計算 |
| 來源衝突數 | 官網、CRM、Sheet、客服紀錄是否互相打架 | AI 不知道該相信哪一份 |
| 資料新鮮度 | 是否有最後更新日、有效期限、停用狀態 | AI 引用過期活動、舊 SOP、舊價格 |
| owner 覆蓋率 | 每類資料是否有人負責維護 | 發現錯誤後沒人修 |
| 抽樣正確率 | 隨機測試 AI 是否引用正確資料並做出合理判斷 | 上線後才發現錯誤已經進流程 |
這 7 個指標可以很樸素地放在 Google Sheet。重點不是做漂亮儀表板，而是讓團隊知道哪些資料已經能讓 AI 用，哪些還不能。
欄位完整率：先定義哪些欄位一定不能空
很多公司資料不是完全沒有，而是少了關鍵欄位。
客服資料有客戶問題，卻沒有處理結果。CRM 有姓名電話，卻沒有需求分類和預算區間。商品表有品名價格，卻沒有庫存狀態和退換貨限制。報表有廣告花費，卻沒有有效詢問數和成交結果。
AI 不是魔法。它沒有讀到的欄位，就只能猜。
做法很簡單：每個 AI 專案先定義「最低可用欄位」。例如客服 AI 至少要有問題類型、標準答案、轉真人條件、最新更新日、負責人。業務 AI 至少要有來源、需求、預算、階段、上次互動、下一步、負責業務。
欄位完整率低於門檻，就不要急著上線。先補資料，比上線後補救便宜太多。
重複與衝突：AI 最怕公司自己講法不一致
資料品質最麻煩的地方，不是空白，而是看起來都有資料，但互相矛盾。
同一個客戶在 CRM 有兩筆，一筆顯示「已成交」，一筆顯示「待跟進」。同一個商品在官網寫現貨，客服表寫缺貨。退貨政策在官網寫 7 天，客服 SOP 寫 10 天，業務簡報又寫特殊專案不適用。
這種情況下，AI 不會自動懂公司內部脈絡。它可能挑到錯的那一份，還回答得很有把握。
所以資料品質驗收一定要抓兩件事：重複資料率和來源衝突數。
重複資料要合併或標記主檔。來源衝突要回到可信資料來源表，定義哪一份算準、哪一份停用、衝突時問誰。不要把衝突資料直接丟給 AI，然後期待 Prompt 解決。
資料新鮮度：不是有資料就可以用
很多 AI 專案會死在舊資料。
活動早就結束，檔案還在。價格已經調整，業務簡報沒改。SOP 換了負責人，但舊流程還在知識庫。這些資料如果沒有最後更新日、有效期限、停用狀態，AI 很難穩定避開。
資料品質驗收要把每批資料分成四種狀態：
- 可直接使用：已審核、未過期、owner 明確。
- 需人工確認：內容大致可用，但牽涉價格、退款、客訴、合約或例外。
- 待更新：已知不完整或可能過期，暫不讓 AI 對外引用。
- 禁止使用：舊版、草稿、歷史紀錄、敏感資料或錯誤資料。
上線前用 20 題真實案例測試
資料表看起來通過，不代表 AI 真的能穩定使用。上線前一定要用真實案例抽測。
不要只問簡單題。要拿最近客戶真的問過、員工真的處理過、流程真的卡過的案例來測。
客服 AI 可以測：過期活動、退款例外、保固爭議、負評客訴、高單價詢問。業務 AI 可以測：重複名單、已成交客戶再詢問、預算不明、需求模糊、主管指定客戶。營運 AI 可以測：庫存異常、欄位缺漏、資料來源衝突、通知失敗、SLA 逾期。
每一題都要記錄四件事：AI 引用了哪份資料、判斷是否正確、有沒有該轉真人卻沒轉、錯誤原因是資料問題還是流程規則問題。
如果 20 題裡有 5 題以上是資料品質造成錯誤，先別上線。那不是 AI 表現不好，是資料還沒準備好。
老闆要設定「資料品質上線門檻」
資料品質驗收最後要變成決策，不是討論。
建議第一版門檻可以這樣抓：
- 必填欄位完整率達 90% 以上。
- 重複資料率低於 3%。
- 高風險資料 100% 有 owner 和審核人。
- 活動、價格、政策、SOP 100% 有最後更新日或有效期限。
- 抽樣測試 20 題，重大錯誤不超過 1 題。
- 所有「需人工確認」情境都有轉真人規則。
門檻沒過，就先做資料補強；門檻過了，才進入小範圍試點。這樣老闆不用靠感覺判斷 AI 能不能用，團隊也不會把問題都推給工具。
7 天資料品質驗收流程
第一天，列出 AI 專案會使用的資料來源：官網、CRM、客服紀錄、Google Sheet、訂單系統、庫存表、內部 SOP。
第二天，定義最低可用欄位。哪些欄位空白就不能判斷？哪些欄位錯了會造成客訴、漏單或錯報？
第三天，檢查欄位完整率、格式一致性與重複資料。
第四天，找出來源衝突。把互相打架的資料標出來，決定正本、停用舊版、指定 owner。
第五天，補資料新鮮度。加上最後更新日、有效期限、審核狀態與 AI 可用狀態。
第六天，用 20 題真實案例測 AI。記錄錯誤原因和需轉真人情境。
第七天，老闆看驗收結果：哪些資料通過、哪些不能上線、哪些要先人工確認、哪些流程需要延後。
這 7 天跑完，不一定會讓資料完美，但會讓公司知道 AI 專案的風險在哪裡。
常見問題
資料品質驗收一定要買新系統嗎？
不用。第一版用 Google Sheet、Notion 或 Airtable 就夠。重點是把欄位、owner、狀態、抽測結果固定下來。系統可以之後再換，驗收規則要先建立。
資料不完整，可以先讓 AI 上線再慢慢修嗎？
可以，但只能用在低風險、內部輔助、有人審核的流程。只要會對外回覆、修改資料、分派任務、影響客戶權益，就不該帶著明顯資料缺口上線。
驗收不通過，是不是代表 AI 專案失敗？
不是。驗收不通過代表你提前看到風險。這比上線後才發現 AI 引用舊價格、漏接客訴、重複通知客戶好多了。真正失敗的是明知道資料有問題，還硬把 AI 接進正式流程。
結論：AI 要可信，資料要先可驗收
中小企業導入 AI，不要只追工具功能，也不要只看 Demo 漂不漂亮。真正會決定專案穩不穩的，是資料品質能不能被驗收。
可信資料來源回答「哪份算準」，資料新鮮度回答「現在能不能用」，資料品質驗收則回答「這批資料能不能支撐 AI 正式上線」。
當公司能看懂欄位完整率、重複資料率、來源衝突、資料新鮮度、owner 覆蓋率與抽樣正確率，AI 導入就不再靠感覺。老闆可以清楚決定：哪個流程可以上線，哪個流程先試點，哪個流程要補資料後再談。
RMM 企業陪跑可以協助你盤點客服、業務、行銷、營運與跨系統自動化資料，建立資料品質驗收表、上線門檻、抽樣測試題庫與人工確認規則。想讓 AI 專案從「感覺可用」變成「真的可驗收」，歡迎預約 30 分鐘 AI 陪跑諮詢。
