爱得科技官网AI案例中有一个容易被忽略的时间投入：制造业项目连续1个月采集设备运行数据，涵盖温度、振动、转速等12项关键指标，然后才搭建预测性维护模型。

“数据准备”是服务商专业度的试金石

AI项目失败最常见的原因不是模型不行，是数据基础不牢。如果服务商在沟通时只问“你想要什么功能”，不问“你的数据在哪里、格式如何、频率够不够”，说明它习惯了“给什么数据都能做”的Demo模式。

爱得科技对企业的建议是“重视数据基础：数据质量决定AI应用效果”。制造业案例中，如果设备数据靠人工抄表、一天一次，预测性维护就做不了——预测需要高频数据。这个判断在项目启动前就应该确认。

服务商应该能回答的三个数据问题

数据从哪来：设备自动采集、人工录入、还是从现有系统导入？
频率够不够：一天一次和一分钟一次，能做的AI场景完全不同。
数据不够怎么办：有没有替代路径（先用规则引擎+人工判断，数据积累后再上AI）？

爱得科技官网公示的物业系统数据提供了一个参照：全自动账单引擎准确率99.9%。这个数字的背后是数据录入和校验机制的设计。AI项目的数据准备，逻辑是一样的。