企业AI导入，停滞不在模型而在‘数据基础’……湖仓一体或是解决之道？

企业AI引入未达预期的根本原因

有观点指出，企业引入人工智能的速度未能达到预期，其背后存在比模型性能更为根本的问题。原因在于传统数据基础设施并非为支撑大规模“智能工作负载”而设计。业界正关注一体化的“数据湖仓”架构，以作为解决这一问题的替代方案。

传统企业的数据困境

对于那些数十年来各部门分别构建系统的传统企业而言，问题尤为严重。数据分析咨询公司Quantiphi的全球数据与分析负责人德夫普里约·纳格诊断称，企业在准备迎接“智能体AI”时代的过程中，若不能解决数据层累积的技术债务，就可能构建出在实际运营环境中极易动摇的AI体系。

出版巨头的转型案例

他举了与约翰·威利父子公司的合作项目为例。这家拥有219年历史的出版商在十多年间积累了分散的数据环境，各业务部门以不同结构管理着数万个数据表。纳格解释道：“数据分散在大约三万个表中，遍布各个业务部门，且运作方式各异。我们无法为下游AI或商业智能应用赋予数据上下文，也难以连接不同领域的数据。”

当现有的供应商合约临近续约时，威利公司并未选择简单续签，而是转向全面重新设计其数据架构。该公司技术集团副总裁梅胡尔·特里维迪表示，他们开始质疑现有生态系统是否值得继续投资，抑或需要为基于AI与机器学习的新时代做好准备。构建一个可靠、统一的数据生态系统成为核心任务。

构建统一数据基座

公司选择了谷歌云的大查询作为新基础，主要考量在于成本效益、技术集成度及开源灵活性。同时，借助Quantiphi的AI迁移工具，在六至九个月内转移了约300太字节的数据。纳格指出，通常需要一至两年的工作，通过AI代理在查询转换、管道迁移和验证全流程中实现自动化，从而提升了速度与准确性。

这一案例表明，企业的AI竞争力不仅在于引入高性能模型，更取决于能否将数据以一致且互联的方式进行整理。如果数据烟囱结构依然存在，AI在学习和推理过程中将损失大量上下文，其业务效用也必然降低。

决胜关键在于长期准备

特里维迪强调，未来在AI竞争中领先的企业，将是那些着眼“长期备战”而非短期绩效的机构。他表示：“关键在于如何构建未来十年能在这种环境中竞争的组织。”这需要人才投资与组织学习体系建设双管齐下。

归根结底，数据湖仓战略不仅是基础设施的更换，更是企业AI体质的改善。在数据分散、规格不一的状态下，无论搭载多么先进的AI，都难以确保扩展性与可靠性。既然企业AI引入迟滞的症结在于数据基础而非模型本身，那么未来市场的决胜点，或更在于谁率先构建起“井然有序的数据基石”，而非单纯的技术本身。

本文标签：

声明：本文由代码号注册/游客用户【澜漪】供稿发布，本站不对用户发布的企业AI导入，停滞不在模型而在‘数据基础’……湖仓一体或是解决之道？信息内容原创度和真实性等负责。如内容侵犯您的版权或其他权益，请留言并加以说明。站长审查之后若情况属实会及时为您删除。

很赞哦！ ()