企业正全力推进AI（人工智能）领域，但数据无法支撑AI。以下是表明你当前的数据管理可能需要系统性升级的关键警示信号。
图源：Wesley Tingey / Unsplash
如果无法获取丰富且准确的数据，AI将无法发挥价值。不幸的是，许多企业所存储数据的方式，对于AI应用来说无法使用。
EY Americas（安永美洲：Ernst & Young Americas，业务咨询公司）的税务技术与转型负责人Daren Campbell（达伦·坎贝尔）表示，AI数据适配不足是普遍问题，即使在那些积极投资AI的组织中也是如此。
他说：“生成式AI和agentic AI（代理型人工智能）的采用正在加速，但只有极少数组织具备有效扩展AI所需的数据治理成熟度。这有助于解释为什么许多公司虽有AI活动，但却没有持续的业务影响，因为其战略期望超前于数据底座能力。”
你的企业生产力是否正被不准确、有缺陷或过时的数据所束缚？以下是快速罗列的七个关键迹象，表明你的组织需要进行数据改造。
一、你的数据战略偏向合规而非业务决策而设计的
与AI不兼容的数据通常是多年来数据孤岛系统、不一致标准和薄弱数据治理的结果。
Campbell（坎贝尔）说：“如今的许多企业数据是为合规和静态报告而设计的，并非为学习、自动化或实时决策而设计。未管理的非结构化数据、缺失的元数据、不明确的所有权以及有限的数据可溯源性，使问题更加复杂，所有这些都使得AI系统难以可靠地解释数据。”
Campbell（坎贝尔）补充说，生成式AI和agentic AI都在迅速加速发展，但只有极少数组织具备有效扩展AI所需的数据治理成熟度。
二、你在数据管理方面薄弱
金融服务公司Capital One的高级杰出工程师David Harmony（大卫·哈莫尼）表示，一个关键的数据管理问题是，团队在当前环境中难以使用现有数据。
“数据治理是AI落地的前置关键，是能够将数据用于AI的必要前提，”他说。
Harmony（哈莫尼）认为，企业领导者必须始终清楚他们的数据在哪里以及数据包含什么。“如果没有良好管理的数据战略，随着AI的加速发展，很难充分利用数据，”他说。
Harmony（哈莫尼）表示，Capital One正在通过对其云数据生态系统进行现代化改造，并构建支持数据发布、使用、治理和基础设施管理的企业平台来解决这个问题。目标是为AI计划创建一个管理良好的基础。“AI建立在管理良好的数据的强大基础上时，最为有效，”他说。
三、你的数据治理未能有效治理
University of Tennessee, Knoxville（田纳西大学诺克斯维尔分校）的副校长助理兼AI主任Vasileios Maroulas（瓦西莱奥斯·马鲁拉斯）表示，如果IT和企业领导者无法清楚地解释他们的数据存储在哪里、谁拥有这些数据以及这些数据是否可靠，那么企业就没有为AI做好准备。“如果每次分析都需要手动核对，AI会放大数据不一致风险，”他警告说。
Maroulas（马鲁拉斯）说，系统的自然增长、部门的孤立、不一致的定义以及缺乏治理，都导致了数据的不可预测性。他指出，大多数企业构建其基础设施是为了运行业务运营，而不是为了实现预测或自动化。“AI暴露了这些结构上的差距，”他指出。
为了提高数据的可预测性，Maroulas（马鲁拉斯）建议专注于治理和互操作性。“明确所有权，标准化术语，并有意地使数据管道现代化，”他说。
四、你的商业智能战略用户流失、使用率低
研究咨询公司ISG（Information Services Group，IT和业务流程服务的全球咨询公司）的AI和数据工程技术总监Olga Kupriyanova（奥尔加·库普里扬诺娃）表示，商业智能的低采用率是一个关键指标，表明一个组织的数据根本没有为AI做好准备。商业智能与AI有什么关系呢？ 她说：“息息相关。BI（商业智能）是企业数据的试验场。”
Kupriyanova（库普里扬诺娃）说，当BI表现不佳时，业务用户不会等待——他们会绕过它。“他们会导出数据、自建本地模型，创建本地定义，并将自己的业务逻辑硬编码到电子表格或自定义分析中。”随着时间的推移，这种非官方的业务语义层会不断增加。“它们都不会回流到企业数据仓库中，而这正是真正的危险所在，会产生一种虚假的健康感，”她说。
Kupriyanova（库普里扬诺娃）解释说，从外部看，组织似乎没有重大的数据问题，因为仍在生成报告并做出决策。“然而，实际上，用户已经悄悄地不再依赖核心数据平台，也不再向IT部门寻求帮助。”
五、你的数据与AI可影响的业务成果不一致
技术咨询公司Concentrix的智能体解决方案负责人Guy Bourgault（盖伊·布尔戈）警告说，当AI系统突然开始给出不一致、过时或与预期体验不同步的答案时，这是数据不兼容的明显迹象。“这类失误通常指向缺乏持续治理的底层知识库，”他说。
Bourgault（布尔戈）指出，当领导者很难在他们可用的数据和AI预期影响的业务成果之间建立直接联系时，往往会看到数据不兼容的警告信号。“当这种清晰度缺失时，这表明数据基础还没有准备好大规模支持AI。”
Bourgault（布尔戈）说，与AI不兼容的数据通常源于最初是为人类解释而编写的信息，而不是为机器处理而编写的。
他指出：“许多知识库都属于这一类，因为它们依赖人类直觉来填补缺失的上下文或导航AI无法可靠遵循的决策树。随着权限老化或权限过宽，AI可能会访问它从未打算查看的内容，从而导致不准确或潜在有风险的回复。”他认为，随着时间的推移，过时的内容、不明确的结构和宽松的治理的混合，创造了一个脆弱的数据环境，AI难以正确解释。
六、你被数据负债（遗留问题）压得喘不过气
City University of New York’s School of Professional Studies（纽约城市大学专业研究学院）的数据科学学术主任Arthur O’Connor（亚瑟·奥康纳）观察到，数据质量是大多数人宁愿抱怨也不愿修复的问题。
他说：“这需要解决过去积累的问题，包括不一致的数据格式、缺失的值、相互冲突的业务规则以及不同的接口和协议。这是关于纠正走捷径的遗留问题。” 他观察到，很少有组织有时间、精力和意愿去做这件事。
O’Connor（奥康纳）说，这个数据负债（遗留问题）问题不仅是一个技术挑战；它也是一个组织问题。他说：“企业内部数据集在整个企业中难以被发现或管理不善的主要原因是，使用数据的IT人员和业务团队都没有资源或动力去实现数据的全部价值。虽然数据用户想要完全准确、干净且管理良好的数据，但单个数据所有者通常没有预算、财务激励或组织权力来确保高水平的质量和透明度。”
O’Connor（奥康纳）说，基本问题是，虽然AI很有吸引力、令人兴奋且有趣，但数据治理往往是乏味、枯燥且痛苦的。
七、基础分析难以高效输出
商业与税务咨询公司Eisner Advisory Group的AI咨询服务总监Jen Clark（珍·克拉克）表示，一个可靠的警示信号是，你所在组织的团队获取基本洞察的难易程度。
她警告道：“如果标准报告和分析都很困难，如果要整合出清晰的图景需要跨团队和资源付出努力，那么AI将会放大这一挑战，而非解决它。同样地，如果数据相互脱节或孤立，且没有明确的整合路径，这通常意味着在AI能够带来真正价值之前，需要先开展基础工作。”
Clark（克拉克）观察到，数据代表着现实世界，而现实世界是高度碎片化的。她指出，数据几乎从未（如果有过的话）为理想的AI场景做好完美准备，而且总是存在权衡取舍。“问题不在于不兼容性是否存在，而在于你如何围绕它划定范围，以创造实际价值。”
