亚马逊网络服务（AWS）的完全托管生成型AI服务“贝德洛克”（Bedrock）正受到关注，作为解决各部门AI孤岛问题的技术方案。其核心在于，允许各部门在单一平台上自由使用所需模型，同时在安全和数据标准上实现全公司统一。 19日，AWS提出了通过贝德洛克解决企业内部AI孤岛的方案。贝德洛克是一个集成平台，提供包括亚马逊、Anthropic、OpenAI、Meta、Mistral、Cohere、AI21 Labs等行业主要基础模型的单一API。该服务以无服务器的方式提供，无需基础设施管理，只需按使用量计费。 AWS AI技术总监崔永俊表示：“贝德洛克通过单一API访问多种基础模型，整合分散的公司知识，并通过安全框架和代理核心统一实施公司范围内的责任AI政策。” 贝德洛克的关键在于同时确保部门的自主性和公司的治理。首先，“托管知识基础”功能将公司文档、数据库、存储等分散的数据连接起来，提供完全托管的搜索增强生成（RAG）。通过自动化数据收集、分块、嵌入和搜索管道，消除部门间的信息孤岛，使整个组织共享相同的知识源。 安全和责任AI政策也在中央统一实施。“安全框架”功能将内容过滤、个人信息（PII）屏蔽、幻觉防止的证据确认、提示攻击防御等应用于所有AI应用的公司统一标准。此外，结合AWS的身份管理（IAM）体系，精细控制谁可以使用哪些模型和数据。 代理领域的解决方案也已制定。贝德洛克的“代理核心”是一个基础设施平台，能够支持使用任何框架（如CrewAI、LangGraph、LlamaIndex、Google ADK）开发的代理。 △支持最长8小时的会话的完全隔离执行环境 △将API、Lambda、MCP服务器转换为代理兼容工具的网关 △用自然语言定义代理行为边界的政策 △基于13个预构建标准监控质量的评估功能等。 即使各部门独立开发代理，也能在共同的安全、监控和质量管理基础设施上运行，确保治理无缝扩展至全公司。 崔总监强调：“如果企业犹豫不决地引入AI，生产力差距将加大；而如果各部门无序独立引入AI，模型、数据和安全标准将会碎片化，跨部门的AI代理实现将更加困难。各部门的自主创新与公司治理并存的结构，正是AI孤岛的技术解决方案。”※ 本报道经人工智能（AI）系统翻译与编辑。

调查显示，尽管国内10名职场人中有4人表示公司提供工作用AI，但仍有许多人使用个人支付的AI进行工作。实际使用AI代理的比例不足20%，出现了所谓的“企业AI与员工AI分开”的现象，即“AI孤岛”现象日益严重。 根据三星SDS于19日对1750名国内企业职员进行的调查，发现未经公司批准，个人自费使用生成型AI的比例高达38%，远超公司正式合同提供的企业版使用比例（24%）。与此同时，生成型AI的工作使用时间显著增加。截至5月，平均每日使用时间达到3.25小时，半年内超过2小时的使用比例从18%激增至72%。 AI代理是指能够自主规划和执行工作的自律型AI，与简单的对话型AI不同。由于个人构建所需的服务器和数据对接成本较高，通常由公司提供的AI更为普遍。然而，调查显示，实际在工作中使用AI代理的企业员工仅占17%。 无法使用的原因中，‘公司内缺乏AI代理指南和政策’（34%）位居第一，其次是‘公司未提供所需功能’（33%）。 这种差距在业界被称为“代理蔓延”和“AI孤岛”。代理蔓延是指各部门和个人在缺乏统一治理的情况下，AI代理随意涌现；而AI孤岛则是指组织内部不同部门各自使用不同的AI，导致数据和工作流程的断裂。 调查还发现，已经在使用代理的企业员工（39%）选择通过个人电脑或公司封闭服务器自行搭建（41%），或与公司系统和数据库进行个别对接（40%）。 由于在工作中使用未经授权的AI，安全漏洞也随之出现，例如对机密数据进行学习等。47%的受访者表示“公司的AI安全指导不足”，54%则表示“自己小心谨慎”，显示出政策空白由个人自行弥补。 相反，如果提供安全可靠的企业级AI代理平台，95%的受访者表示会积极使用，这表明员工对AI的回避并非意志不足，而是公司层面缺乏替代方案。 在平台选择标准方面，这一诊断更加明确。员工在选择AI工具时，最看重的是‘遵守企业安全政策和数据保护’（54%）以及‘与现有公司系统的兼容性’（51%）。如果公司提供的AI无法满足这两点，即使再怎么推动，员工也会回归到熟悉的外部AI。 这种AI孤岛现象并非仅限于民营企业，公共机构和司法机构等也面临类似困难，显示出这一问题在各类组织中广泛存在。 最高法院引入的AI也遭到部分法官的冷遇。一位在首尔工作的法官表示：“这只是聊天机器人水平，模型与全球前沿水平差距很大，因此不建议同事使用。”而警方去年引入的“警务调查支持AI（KICS-AI）”也因性能和实用性大幅下降而被内部指责几乎被搁置。 IT行业人士强调：“个人工具存在泄露公司机密或客户数据的风险，因此企业应尽快制定经过验证的‘企业级生成AI解决方案’战略。”

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。