用自己的数据训练AI：什么可行，什么不可行

用自己的数据训练AI。打电话来的老板们大多这么说。他们想要一个懂自家价目表、合同、说明书，以及当年和某位客户谈定条款的助手。不是懂互联网的AI，而是懂他们公司的AI。完全合理。只不过十次里有九次，要做的并不是训练，而这能省下不少钱。

这篇文章讲三件事：这一句话背后藏着的三种含义、你多半指的是哪一种，以及实际操作中会在哪里出问题。有数字，没有技术黑话。

用自己的数据训练AI可能指的三件事

三位老板说同一句话，往往指的是三件不同的事。把它们分开很值得，因为它们之间的价格能差上一千倍。

• 把文档带进一次对话。你把一个pdf拖进聊天窗口然后就它提问。免费、即时，对话结束就没了。
• 让AI在你自己的档案里查。你的文档经过处理，使得每个问题先调出正确的段落，答案基于这些段落，并注明出自哪份文件。
• 改造模型本身。你让一个现成的AI模型在你的材料上继续学习，从而改变它的行为方式。

第一种几乎人人都在用了。第三种是大多数人说训练时心里想的。而第二种才是他们真正想要的。

为什么再训练一个模型几乎从来不是答案

再训练改变的是模型的行为方式：它的语气、它保持的格式、它使用的行业词汇。它做不好的，恰恰是记住事实。而当你想知道2023年那份合同里写的保修期是多久时，你要的正是事实。

• 事实会变模糊。再训练过的模型给出的回答听起来像你的文档，但未必是文档里写的内容。
• 你无法核查答案从哪里来。没有文件、没有页码、没有把关。
• 每次变动都要再来一轮。一月份换了新价目表？那就重来。
• 删除很麻烦。客户问他的数据是不是真的删干净了，他不会接受大部分这种答复。
• 它比其他做法贵得多，无论是花钱还是花时间。

有一个例外，说实话在中小企业里很少见。如果你每天要大量产出完全相同类型、格式固定的文本，比如成千上万条标准化的简短评估，那么再训练可能有意义。那时你买的是形式，不是知识。如果你不属于这种情况，那它就不适合你。

真正管用的做法：先查，再答

你几乎总是需要的那件事，反而更好理解。你的文档，也就是说明书、报价单、合同、会议纪要和价格约定，经过处理后可以按含义检索，而不只是按字面词句。有人用日常语言提出一个问题。系统调出真正相关的那几段。之后才根据这几段写出答案。

和你现在的搜索功能的区别是：那个找到的是文件，这个找到的是答案。今天你搜太阳能板保修，会得到十二个文件名，然后自己去读。换成另一种，你得到的是：安装五年，面板本身二十五年，下面还标着这出自哪份文件。

标注来源不是装饰。它是别人在照着答案行动之前唯一能核实对错的依据。说不出来源的系统，对企业使用来说就是没做完。

我会先与你进行一次免费交流，了解哪些工作耗时、你使用哪些系统，以及自动化能在哪些方面帮忙。随后，你会收到包含自动化机会、系统连接、时间安排和费用的方案。

问题出在哪：不在技术，而在你的文档

几乎每一个卡在这里的项目，原因都不是AI。五种常见情况。

• 版本互相打架。文件夹里放着三份价目表而没有一份为准，那你有时拿到这份、有时拿到那份。这不是AI的错，是你的档案的问题。
• 扫描件没有文字。拍照拍下来的附件，对电脑来说只是一张图。能解决，但要花工夫。
• 权限。一旦什么都能检索，人事档案也就能检索了。谁能看什么要事先定好，而不是等有人翻出来之后。
• 只存在脑子里的经验。哪里都没写下来的东西，也就找不出来。有时第一步是：把那十件老被问到的事先写下来。
• 问得太少。如果一周只查五次，你回不了本。那答案是把文件夹整理好。

我们想要本国语言的模型，为什么这是个误解

想法很合理：你的文档是某种语言写的，所以你想要专为这门语言做的模型。2025年9月出现了第一份认真检验这一点的研究。安特卫普大学的语言技术研究者做了MTEB-NL，一套包含四十个荷兰语测试集的标尺，其中还有法律文本和招标文件。

结果与直觉相反。专门基于荷兰语文本构建的模型，BERTje和RobBERT，在找出正确段落这项上得了17.6和18.3分。国际通用的多语言模型达到59.1。而在识别和归类文本上，同样这些模型表现还算可以，50.9对60.2。它们对语言的理解没问题。只是什么都找不到。

解释就在同一份研究里：检索是一项单独的能力，模型必须单独为它调校。把同一个模型拿来针对检索调校一遍，分数就从18.3跳到51.6。所以关键不在模型是哪种语言的，而在它有没有在你的语言上就检索能力做过检验。要问的是这个。它是本国语言的模型并不能回答这个问题。

你的文档留在国内吗？

这是被问得最多、却最少被认真回答的问题。检索这一块有好消息：那份研究里表现最好的模型都是公开可得的，可以跑在你自己的服务器上。其中一个成绩不错的还小到不需要什么重型机器。也就是说，你的档案不必离开你的办公楼。

写答案这一块就不同了。那里通常用的是大厂的大模型，问题就变成它在哪里运行。有的厂商提供在欧洲境内处理，有的不提供，而且同一家不同产品之间也有差别。要问清楚，写进合同，别接受一句没问题就算了。

档案要多大，这件事才划算？

有个经验法则。只有几份文档时，你每次直接带上就行。这样很好用，也更便宜。超过大约四十页，天平就倒过来了：不管你用得多频繁，把全部内容都带上都会比有针对性地查更贵。而在那之后档案越大，差别反而越小。用有针对性的检索，问一千页的问题和问四十页的问题，花费几乎一样。

实际来说：一份产品目录、一个合同文件夹或一套安装规程，总是远远超过这条线。五份流程加一本员工手册则不然。

中小企业现在走到哪一步

这不是一场注定要输的仗，但也不是你已经落败的赛跑。据荷兰统计局的数据，2025年有33%的十人及以上企业使用了AI，2024年是23%，2023年是14%。在十到五十人这一档，这个比例是28%。

而且这种使用很浅。荷兰政府2025年9月发布的中小企业AI使用调查显示，用途主要集中在写文字、沟通和总结文档。更专门化的应用很少见。也就是说，恰恰是在与你自己的文档绑在一起的那部分工作上，位置还空着。

比百分比更有意思的是企业不动手的原因。在同一批数据中，未使用者提到缺乏知识和经验的次数，大约是提到成本太高的四倍。所以这不是钱的问题。这是我不知道从哪儿开始的问题。

该怎么着手

• 用两周时间记下真正被问到的问题，以及答案在哪儿。不要凭记忆，要写下来，连同找答案花掉的时间。
• 数一数实际涉及多少页。通常只是文件夹里那一堆的一小部分。
• 每个主题指定一份为准的文件，其余的从来源里拿掉。项目成败就在这一步。
• 从一个团队的一类问题开始。不是什么都能检索，而是我们的技术员可以调出安装规程。
• 要求每个答案都标出来源，并安排两个人抽查一周。
• 一个月后，测和第一步同样的指标。如果查找时间没下降，那就停。

这么做出来的东西，看上去很少有多惊艳。不会出现什么聪明的机器人。出现的是一个不用再打电话问三位同事、就知道适用哪种保修期的人。顺带一提，交付之后我们听到最多的一句话不是关于AI的，而是关于文档的：没想到乱成这样。

如果你的文档还得先写出来而不是找出来，如果一周只有几个问题，或者真正的问题是没人知道哪份文件为准，那就别做。最后这一条要靠一个约定来解决，而不是靠软件。