人工智能成功依赖数据底座，而非仅靠模型

关键信息

数据底座不仅实现数据集成，还能安全扩展AI、协调跨系统决策，并确保自动化符合真实业务优先级。传统数据仓库在迁移过程中丢失语义信息，是现代AI的重大限制。

资讯摘要

随着人工智能从实验阶段进入财务、人力资源、供应链和客户服务等日常运营，领导者发现最大挑战不是计算能力或模型准确性，而是数据质量和上下文。SAP的Irfan Khan指出，人工智能需要理解数据不仅是什么，还为什么重要。若缺少这种上下文，AI可能行动迅速但做出错误决策。

例如，两家公司分析供应链中断时，如果一家包含战略客户状态、合同义务或政策约束，另一家没有，结果将完全不同。解决方案在于设计良好的数据底座，连接云、应用和流程中的数据，同时保留业务语义，从而实现智能、协调且可信的人工智能结果。

资讯正文

人工智能需要强大的数据架构才能创造商业价值

赞助

与SAP合作

人工智能在企业中的发展迅速，正从实验阶段走向日常应用。组织正在金融、供应链、人力资源和客户运营等领域部署协作助手、智能代理和预测系统。根据最近的一项调查，到2025年底，一半的公司将至少在三个业务领域中使用人工智能。

但随着人工智能深入核心工作流程，企业领导者发现，最大的障碍并非模型性能或计算能力，而是支撑这些系统的数据质量和上下文信息。人工智能实际上引入了一个新要求：系统不仅要能访问数据，还要理解背后的企业业务背景。

SAP数据与分析部门总裁兼首席产品官Irfan Khan表示：“人工智能在生成结果方面非常出色，它运行速度快，但如果缺乏上下文，就无法做出良好判断，而良好的判断才是为企业带来投资回报的关键。没有判断的速度不仅无益，反而可能带来损害。”

在自主系统和智能应用兴起的新时代，这种上下文层变得至关重要。Khan指出，要提供上下文，企业需要一个设计良好的数据架构，它不仅要整合数据，还要实现更深层次的功能。合适的“数据架构”能够让组织安全地扩展人工智能应用，协调跨系统和代理之间的决策，并确保自动化反映真实的业务优先级，而不是孤立地做决定。

认识到这一点，许多组织正在重新思考其数据架构。他们不再仅仅将数据集中到单一存储库中，而是寻找方法，在应用程序、云环境和运营系统之间连接信息，同时保留描述企业运作方式的语义信息。这一转变正在推动人们对数据架构作为AI基础设施基础的兴趣日益增长。

失去上下文是人工智能面临的一个关键问题

传统数据策略主要聚焦于数据聚合。过去二十年里，企业投入大量资源从运营系统中提取信息，并加载到集中式仓库、数据湖和仪表板中。这种方法便于生成报告、监控绩效并获得全局洞察，但在这一过程中，数据所承载的大部分意义——比如它如何与政策、流程和现实决策相关联——往往丢失了。

举个例子，两家公司都用人工智能管理供应链中断问题。如果一家仅使用库存水平、交货时间和供应评分等原始信号，而另一家则加入了涵盖业务流程、政策和元数据的上下文信息，两个系统虽然都能快速分析数据，却可能得出不同的结论。

Khan指出，诸如哪些客户属于战略客户、短缺期间可接受哪些权衡、以及长链供应状态等信息，能让一个AI系统做出战略性决策，而另一个则因缺乏适当上下文而无法做到这一点。

两者都移动得很快，但只有一种是朝着正确的方向前进，

技术上讲，构建数据编织层需要多种能力。数据必须通过联邦方式在多个环境中实现访问，而不是强制集中。还需要一个语义层或知识层，以协调不同系统之间的含义，通常由知识图谱和基于目录的元数据支持。治理和策略执行也必须贯穿整个数据编织层，以便AI系统能够安全且一致地访问数据。

这些要素共同构成了一个基础，在这个基础上，AI与业务知识互动，而非原始存储系统——这是从实验走向真正企业自动化的重要一步。

超越数据隔离和仪表板

在代理型AI兴起的时代，监控、分析并基于数据做出决策的责任越来越多地转移到软件上。AI代理可以实时监控事件、触发工作流并作出决策，往往无需直接的人类干预。这种速度带来了新的机遇，但也提高了风险。当多个代理在财务、供应链、采购或客户运营等领域协同工作时，它们必须基于对业务优先级的同一理解进行操作。

如果没有一个将分散数据连接起来的通用知识层，系统间的协调很快就会崩溃。一个系统可能优化利润率，另一个优化流动性，还有一个优化合规性，每个系统都基于不同的数据片段运行。

重要的是，Khan表示，大多数企业已经拥有让这一切运转所需的知识。多年来的运营数据、主数据、工作流程和策略逻辑早已存在于各类业务应用中——企业只需要让这些数据变得可访问即可。部署数据编织的企业对其数据的信任度更高，超过三分之二的企业表示，他们提升了数据的可访问性、可见性，并增强了对数据的控制力。

“机会不在于从零开始创造上下文，而在于激活并连接你企业中已存在的上下文，”他继续说道，并补充说，数据编织是“一种架构，确保数据语义、业务流程和策略作为一个统一系统贯穿所有云环境。”

本内容由MIT Technology Review的定制内容部门Insights制作，未由MIT Technology Review编辑团队撰写。内容由人类作家、编辑、分析师和插画师研究、设计和撰写，包括调查问卷的编写和数据收集。可能使用的AI工具仅限于辅助生产流程，并经过严格的人工审核。

人工智能需要强大的数据架构才能实现商业价值。

要充分发挥人工智能的潜力，企业必须构建坚实的数据基础。这包括确保数据的质量、一致性和可访问性，以便模型能够准确学习并生成可靠的结果。

缺乏高质量数据支持的人工智能系统往往表现不佳，甚至可能产生误导性的结论。因此，投资于数据治理、数据集成和数据管道建设，是释放人工智能商业价值的关键步骤。

来源与参考

1. 原始链接
2. AI needs a strong data fabric to deliver business value