一、 数据的真相：人人都有，但并非都有用
企业并不缺乏数据——代码库、文档、提案、合同、客户数据库浩如烟海。但这些数据真的能直接“喂”给 AI 吗？ 根据波士顿咨询集团（BCG）和思科的调查，68% 的决策者认为缺乏高质量数据是关键挑战，仅有 35% 的企业拥有干净、集中且可供 AI 实时集成的数据。IDC更是预测，到 2027 年，忽视数据质量将导致 AI 扩展受阻，直接造成 15% 的生产力损失。
二、 CIO面临的三大数据陷阱
2.1语义的泥沼（Semantic Confusion）
当企业通过并购或新项目积累了多个数据源，同一类型的信息（如“客户”）往往有着不同的定义和结构。如果缺乏统一的语义映射，AI 模型就会在相互冲突的标准中“迷路”。
专家建议：即使数据看起来很干净，也要进行语义映射练习。先从一个小数据量的用例开始，做对之后再扩展。
2.2非结构化的混乱（Unstructured Chaos）
将 OneDrive 或文件存储直接连接到聊天机器人听起来很美，但后果往往是灾难性的。AI 难以区分“项目计划_v2”和“项目计划_v2_最终版”。过时的文档和未编辑的草稿会严重污染 AI 的输出。
2.3安全的后门（Security Blind Spots）
这是一个常被忽视的巨大风险。传统的软件界面有严格的输入限制（例如数字字段不能输入字母），但 AI 代理（Agentic AI）通过 MCP 服务器自主查询数据库时，它可能绕过这些传统的 UI 防护。
现状：仅有 27% 的企业拥有动态且详细的 AI 访问控制。当所有数据被一股脑倒入数据湖时，细粒度的权限控制就失效了。
三、 速度陷阱：欲速则不达
Sutherland Global 的 CIO Doug Gilbert 指出，CIO 们犯的最大错误就是“跑得太快”。许多人将数据治理和测试视为拖慢进度的障碍，这完全是误解。 如果在没有完善基础设施和测试的情况下匆忙上线，最终只会被审计叫停，甚至被迫推倒重来。记住：建立正确的基础设施不是减速，而是为了后续能安全地加速。
四、 破局：用 AI 治理 AI
虽然数据问题看似无解，但 AI 本身也许就是解药。Unisys 的高管 Manju Naglapur 认为，AI 工具正变得越来越成熟，它们可以帮助企业在 12 到 18 个月内完成过去需要三年才能完成的数据清理和整合工作，实现真正的 360 度客户视图。
结语：2026 年，区分 AI 项目成败的关键不在于谁的模型更聪明，而在于谁的数据底座更坚实。别让你的 AI 输在起跑线上——现在就开始清洗你的数据。
多年来，公司一直在收集数据，希望有朝一日能派上用场。随着生成式人工智能（Gen AI）的到来，时机已经成熟，但艰难的工作才刚刚开始。
生成式 AI 正成为几乎颠覆所有行业的力量，但仅使用最好的 AI 模型和工具是不够的。大家都在使用相同的模型，真正能创造竞争优势的是能够训练和微调你自己的模型，或者为模型提供独特的背景上下文，而这需要数据。
贵公司庞大的代码库、文档和变更日志？那是你的编码智能体（Coding Agents）的燃料。你过去的提案和合同库？那是你的写作助手的素材。你的客户数据库和支持工单？那是你的客户服务聊天机器人的知识库。
但仅仅因为这些数据存在，并不意味着它们是好数据。
“将模型指向任何可用的数据是非常容易的，” Unisys 云、应用和基础设施解决方案高级副总裁兼总经理 Manju Naglapur 表示，“在过去三年里，我们一次又一次地看到这种错误。那句老话‘垃圾进，垃圾出’依然适用。”
根据波士顿咨询集团（BCG）去年 9 月发布的一项调查，在 1250 名高级人工智能决策者中，有 68% 的人表示，缺乏高质量数据的访问权限是采用 AI 时面临的关键挑战。其他最新研究也证实了这一点。在思科 10 月份对 8000 多名 AI 领导者的调查中，只有 35% 的公司拥有干净、集中化且能与 AI 智能体实时集成的数据。根据 IDC 的数据，到 2027 年，那些不优先考虑高质量、AI 就绪（AI-ready）数据的公司，将难以扩展生成式 AI 和代理式解决方案，从而导致生产力下降 15%。
一、语义层的混乱
将所有数据混合使用的另一个问题是语义层会变得混乱。当数据来自多个来源时，同一类型的信息可能以多种方式定义和结构化。随着新项目或并购导致数据源数量激增，挑战也随之加剧。对于许多公司来说，仅仅是追踪“客户”这一最关键的数据类型以及处理基本数据问题，都非常困难。
邓白氏（Dun & Bradstreet）去年报告称，超过一半的受访组织对他们用于 AI 的数据质量和可信度表示担忧。例如，在金融服务行业，52% 的公司表示 AI 项目失败是因为数据质量差。根据去年 12 月发布的一项针对 2000 多名行业专业人士的调查，44% 的人认为数据质量是他们 2026 年最大的关注点，仅次于网络安全。
云咨询公司 Lemongrass 的首席技术官 Eamonn O'Neill 表示，拥有多个相互冲突的数据标准对每个人来说都是挑战。
“每一次不匹配都是风险，”他说，“但人类总能找到绕过的方法。”
他补充说，如果你了解挑战所在，并投入时间和精力去解决，人工智能也可以被配置来处理类似的问题。即使数据是干净的，公司仍应进行语义映射练习。如果数据不完美，整理它则需要时间。
“拿一个数据量小的用例，把它做对，”他说，“这是可行的。然后再进行扩展。这才是成功应用（Adoption）该有的样子。”
二、无管理且非结构化的数据
O'Neill 说，公司在将 AI 连接到企业信息时犯的另一个错误是，将 AI 指向非结构化的数据源。诚然，大语言模型（LLM）非常擅长读取非结构化数据并理解文本和图像。问题在于，并非所有文档都值得 AI 去关注。
例如，文档可能已经过时。或者它们可能是尚未编辑的早期版本，甚至包含错误。
“人们经常看到这种情况，”他说，“我们将你的 OneDrive 或文件存储连接到聊天机器人，突然之间它分不清‘版本 2’和‘版本 2 最终版’的区别。”
他补充说，对于人类用户来说，保持适当的版本控制非常困难。“微软可以帮你处理不同版本，但人们仍然习惯用‘另存为’，最终你会得到大量混乱的非结构化数据，”O'Neill 说。
三、被忽视的安全问题
当 CIO 们通常思考与 AI 系统相关的安全性时，他们可能会考虑模型的护栏，或者对训练数据及 RAG（检索增强生成）嵌入数据进行保护。但随着基于聊天机器人的 AI 演变为自主智能体 AI（Agentic AI），安全问题变得更加复杂。
举个例子，假设有一个员工薪资数据库。如果员工对薪资有疑问，向嵌入其 AI 门户的聊天机器人提问，传统的 RAG 方法是使用传统代码从数据库仅收集相关数据，将其嵌入提示词中，然后将查询发送给 AI。AI 只看到它被允许看到的信息，而传统的、确定性的软件栈则负责保护其余员工数据的安全。
但当系统演变为代理式系统时，AI 智能体可以通过 MCP（模型上下文协议）服务器自主查询数据库。由于它们需要能够回答任何员工的问题，因此需要访问所有员工数据，防止数据落入错误之手就成了一项艰巨的任务。
根据思科的调查，只有 27% 的公司拥有针对 AI 系统的动态且详细的访问控制，且不到一半的公司对保护敏感数据或防止未经授权的访问有信心。
O'Neill 说，如果所有数据都被收集到一个数据湖中，情况会更加复杂。
“如果你输入了来自许多不同来源的数据，每个独立来源可能都有自己的安全模型，”他说，“当你把所有东西堆进块存储时，你就失去了那种细粒度的控制能力。”
事后尝试添加安全层可能会很困难。他说，解决方案是直接访问原始数据源，完全跳过数据湖。
“过去的做法是永远保留历史数据，因为存储成本极低，而且机器学习可以从中发现长期模式和趋势，”他说，“此外，如果混合不同来源的数据，还可以发现跨领域的模式。”
数字化转型咨询公司 Sutherland Global 的 CIO 兼 CDO Doug Gilbert 表示，一般来说，当参与者从人类变成 AI 智能体时，数据访问会发生巨大变化。
“对于人类来说，围绕着操作者有着大量的安全措施，”他说，“例如，大多数用户界面都经过编写，如果是仅限数字的字段，你就无法输入字母。但一旦你接入了 AI，这些限制都消失了。这相当于给你的系统开了一个原始的后门。”
四、速度陷阱
但 Gilbert 认为 CIO 们犯的第一大错误就是动作太快。“这就是大多数项目失败的原因，”他说，“这就好比一场竞速赛。”
他补充道，CIO 们常常将解决数据问题视为拖慢进度，但忽略这些问题会带来巨大的风险。“很多做人工智能项目的人都会面临审计，到时候他们将不得不停下来，把所有事情推倒重来，”他说。
所以，把数据做对并不意味着变慢。“当你建立了合适的基础设施时，你就能加速创新进程，顺利通过审计，并确保持续合规，”他说。
另一个可能让人觉得浪费时间的领域是测试。在 AI 领域，“快速行动、打破常规（Move fast and break things）”然后部署后再修复，并不总是明智的策略。
“一个以光速传播的错误，代价是什么？”他问道，“我总是会先进行测试。令人惊讶的是，我们看到有多少产品在没有任何测试的情况下就被推向了市场。”
五、利用 AI 修复数据
缺乏高质量数据可能让人觉得是一个无解的问题，而且随着 AI 应用场景的扩大，情况只会变得更糟。
根据 AvePoint 10 月份基于对 775 位全球企业领袖的调查发布的报告，81% 的组织已因数据管理或数据安全问题推迟了 AI 助手的部署，平均延迟了六个月。
与此同时，不仅 AI 项目数量持续增长，数据量也在激增。近 52% 的受访者表示他们的公司管理着超过 500PB 的数据，而一年前这一比例仅为 41%。
但 Unisys 的 Naglapur 表示，借助 AI，获得客户的 360 度全景视图，以及清理和协调其他数据源将变得更加容易。
“这就是悖论所在，”他说，“AI 会帮你解决一切。如果你以此前需要三年才能完成的数字化转型为例，现在利用 AI，你可以在 12 到 18 个月内完成。”他说，这些工具正逐渐接近实用阶段，它们将加速变革的步伐。
