关键要点：对于希望产出可靠成果的法律团队而言，高质量的数据是起点。要使数据能够用于人工智能，团队必须就“优质数据”的标准以及如何据此使用数据达成共识。要构建最佳数据集，需要持续的协调、持久的关注、投入以及对实现这一目标所需后续工作的坚定执行。由此，知识产权团队将获得值得信赖、经得起推敲且可扩展的洞察。 

当你以为数据已被理解，但实际并非如此时，会发生什么？干净、准备充分的数据是知识产权团队利用人工智能、分析和自动化开展一切工作的基石。本系列的第一篇《数据就是新“培根”》探讨了这一基础的价值。

致力于将数据质量置于首位的企业，必须面对干净数据所要求的持续改进这一挑战。 

数据或许完整且一致，但这并不意味着无需解读即可始终如一地使用。在数据准备就绪之前，还有一些关键问题亟待解答：数据代表什么？应如何解读？其局限性是什么？ 

这种基础性的理解不仅能加速进程，更能让团队充满信心地扩展人工智能和分析应用的规模。 

法律数据中的“信心陷阱” 

知识产权部门往往仅仅因为数据能产出报告、仪表盘和看似一致的指标，就认为这些数据是可用的。这种肤浅的视角掩盖了在理解底层数据方面存在的不一致和缺口。 

这种可报告性营造出一种错觉，让人以为源信息已被正确对齐和解读。正如任何由可疑原料制成的产品一样，产出结果可能看起来不错，直到有人不得不“消化”它为止。这就是组织目前面临的区别：可用性不等于可靠性，可靠性也不等于就绪性。 

可靠数据背后的隐形工作 

团队通常基于看似可靠的数据推进工作并做出决策。而在幕后，他们其实一直在弥补数据中的缺口。他们需要调和不一致的数据，处理不符合标准流程的例外情况，并弥合对数据含义的不同解读。这包括在分享结果前手动验证输出内容、调整报告以消除不一致之处，或者依靠辅助分析和机构知识来确认数据是否可靠。这是让输出结果具有实用价值所必需的隐形工作。那些能够捕捉并标准化源自机构知识的洞察的团队，为他们所追求的输出结果奠定了基础。 

知识产权（IP）部门以外的职能部门也意识到了这一动态。Gartner指出，许多组织对其数据是否真正做好了迎接人工智能的准备缺乏信心。他们看到，当准备不足时，相关举措往往难以达到预期效果，这进一步印证了理解和协调上的差距如何削弱了本着良好意愿所做的努力。 

状态不一致问题持续存在的原因 

知识产权数据的动态特性是造成这一问题的主要原因。新的申请、状态变更以及持续的活动会实时重塑数据集。处理这些数据的团队通常认为自己对数据理解足够透彻，因此可以依赖这些数据。这种认知差距在实际应用中表现得尤为明显。专利状态便是常见的例子。机构通常使用自定义值，即使标签已标准化，这些状态的适用方式也会随时间推移或因团队不同而发生变化。因此，同一状态并不一定具有相同的含义。 

申请之间的关系也存在类似问题，因为延续申请、分案申请和临时申请之间的关系具有不同的法律含义，这些含义可能无法被一致地记录。当不同系统中存在相似信息时，这些挑战会进一步加剧。 

例如，在案件登记系统中，某项状态可能反映一个法律里程碑，而在报告或计费系统中，它可能代表工作流进度或财务活动。如果这些含义不一致，投资组合报告可能会高估正在处理的事项、低估待办工作，或者暗示审查工作有所放缓，而实际问题只是各系统对状态的定义和更新方式存在差异。各团队表面上看似达成了一致，但在实际操作中却有不同的解读。这导致结论不一致且存在缺陷，并需要额外的手动工作来解释或协调这些差异。 

这些问题反映了数据理解上的差距。负责构建系统和生成输出结果的团队虽然能够访问数据，却无法掌握其背后的关键业务或法律背景。领域专家虽然理解这些背景，但在数据进入系统和工作流后，却不总能了解数据的结构或解释方式。 

这种脱节正是问题的症结所在。虽然从技术上讲数据可能是正确的，但使用这些数据的人对其的解读却不尽相同。这正是可靠性崩溃的根源。 

IP数据的复杂性和动态特性意味着团队会预见到这种理解上的偏差。好消息是，这种差距是可以管理的，但第一步是识别出理解出现偏差的具体环节，团队才能在此基础上设计出可持续的解决方案。这意味着要找出解释不一致的地方，在各团队之间就数据的实际含义达成共识，并长期维持这种共识。 

若未能贯彻执行，AI将使风险加剧 

兰德公司（RAND Corporation）的研究表明，AI项目往往因团队对所解决的问题存在误解或沟通不畅而失败。如果向AI输入自己并不完全理解的数据，就无法识别输出结果何时出错。缺乏这种洞察力，团队便无法对结果进行验证。 

AI会利用这些漏洞，生成更快但同样存在根本性不一致的输出结果。 

这些问题并非无法解决，但确实需要另一种形式的投入。挑战在于认识到：要使数据可被有效利用，需要持续的协调、共同的理解以及持之以恒的努力。这并非呼吁进行一次性的数据清理工作，而是呼吁将解读、协调和后续落实视为可靠知识产权数据运营模式的一部分。 

首先要确保清晰明确，保证关键数据点在各团队间具有统一的定义且被正确理解。建立透明度，使解读数据的人员能够理解数据在不同流程和平台中的结构、转换及应用方式。最后，随着数据和流程的演变，要建立必要的纪律机制，以长期维持这种一致性，防止定义和假设出现偏差。有了这一坚实的基础，人工智能便能发挥倍增效应，减少人工验证工作并确保一致性。 

落实是团队常被忽视的关键考量。必须将共同的理解融入日常工作流程中，确保团队在实践中能一致地解读数据。领导层有责任将此工作列为优先事项，并通过投入关注和资源来支持其长期持续。 

您将获得您所设计的数据 

面临这一挑战的团队往往低估了确保数据可靠性以支持科学决策所需的努力。需统一定义、消除不一致之处，并就信息所代表的含义达成共识。随着项目组合、系统和业务需求的变动，团队必须始终保持这种严谨性。 

有了共同的理解，团队才能信任结果，并充分发挥其技术的全部潜力。 

了解更多关于 Epiq 知识产权咨询与实施服务的信息。 


詹妮弗·卡尔（Jennifer Karr），Epiq Advisory 知识产权运营高级经理 

詹妮弗·卡尔被公认为法律运营和知识产权管理领域的领军人物，在融合法律、技术与商业战略方面拥有超过 20 年的经验。她通过担任思想领导者角色塑造了行业标准，包括担任 CLOC 知识产权能力委员会和 LegalOps.com 供应商管理委员会的联合主席。 

凭借在管理知识产权全生命周期方面的丰富经验，她深刻理解如何加强人员、流程与技术之间的协同配合。