AI成功的关键：AI准备数据平台
随着人工智能和高级分析技术的快速普及，企业竞争的标准也在发生变化。现在，关键不再是是否引入AI，而是企业是否具备基于可信数据创造实际商业价值的环境。换句话说，在AI时代，企业竞争力的核心在于“数据准备（Data Readiness）”。 许多企业已经意识到数据的重要性，并加快了对AI的投资，但现实并没有想象中那么顺利。最近，克劳德拉对包括韩国在内的14个国家的1200多名IT领导者进行了调查，结果显示，89%的全球受访者（国内为93%）认为管理层将数据基础设施视为推动AI普及的核心任务。 此外，86%的受访企业已经制定了与商业目标相关的数据战略，并且同样比例的企业表示正在扩大数据基础设施和云投资。这表明数据不再仅仅是IT部门的资产，而是企业管理的核心议题。 然而，投资和关注并不一定会直接转化为数据竞争力。最大的障碍是组织内部的数据孤岛和低数据可及性。调查结果显示，只有30%的企业表示数据已完全整合，而超过一半的企业则表示数据仅部分连接。 在国内企业中，情况更为严峻，80%的受访企业表示数据尚未完全连接。大部分数据分散在不同系统中，导致全公司范围内的利用困难。 这种数据准备不足会导致业绩不佳。根据克劳德拉与哈佛商业评论分析服务的《克服AI数据准备复杂性》报告，73%的商业领导者在数据准备方面遇到困难，主要原因包括数据孤岛和源整合困难（56%）、缺乏数据战略（44%）、质量和偏见问题（41%）、使用限制（34%）。 实际上，兰德研究所的调查也显示，约80%的AI项目未能实现预期的商业成果，这一比例几乎是一般IT项目失败率的两倍。 海外案例清楚地展示了数据准备不足可能带来的致命后果。美国房地产平台Zillow曾雄心勃勃地推动其AI模型“Zestimate”来预测房价并进行买卖。然而，由于疫情后市场数据的快速变化，模型未能及时反映，导致房价持续被高估，最终在2021年第三季度亏损4.21亿美元，并缩减了25%的员工。即使是再精密的算法，如果没有新鲜和可信的数据，也可能适得其反。 相反，先行投资于数据整合并取得成效的案例也存在。全球投资银行渣打银行为了有效管理分散在全球各国的数据和不同的监管环境，建立了企业数据架构。该架构整合了从数据收集到访问权限、安全政策和数据溯源的管理，同时遵循各国的数据主权和金融监管，确保企业数据能够用于分析和AI。标准化的数据管道将数据管道开发周期缩短了约40%，显著提高了数据利用速度和运营效率。 问题并未就此结束。在企业急于引入AI的过程中，各组织之间重复投资不同工具的“AI孤岛”现象也成为新的挑战。如果各部门使用不同的工具，将破坏数据和模型的一致性，治理将变得更加复杂。专家建议，企业应建立统一的数据和AI平台，以解决这一问题。 AI只有在基于高质量数据的情况下才能取得成效。如果数据分散在多个系统中，或访问权限和治理不足，即使引入再优秀的AI模型，也难以获得预期成果。最终，数据准备的关键在于如何整合数据，并以可信的形式进行管理，以便在需要时安全地利用。 AI竞争如今已不再是模型竞争，而是数据竞争。企业不仅要存储数据，更要将数据无论身处何地都连接为一个资产，并为AI和分析环境提供自由利用的基础。 Zillow的失败与渣打银行的成功，归根结底在于如何将数据作为可信的资产进行管理。只有建立了“AI准备数据平台（AI-Ready Data Platform）”的企业，才能在快速变化的市场中创造新的商业价值，并获得可持续的竞争优势。※ 本报道经人工智能（AI）系统翻译与编辑。
2026-08-11 02:04:00
