AI應(yīng)用的“最后一公里”，模型再?gòu)?qiáng)也繞不開(kāi)數(shù)據(jù)困境丨ToB產(chǎn)業(yè)觀察

如今，大模型已經(jīng)從拼參數(shù)、拼算力的“軍備競(jìng)賽”，逐漸進(jìn)入了拼落地、拼效果的“深水區(qū)”。一個(gè)越來(lái)越清晰的共識(shí)是：AI應(yīng)用的天花板，不在模型本身，而在數(shù)據(jù)。

如果說(shuō)2023年到2025年，企業(yè)關(guān)心的是AI能做什么，那么到了2026年，問(wèn)題已經(jīng)變成了AI憑什么能做，AI憑什么能給出準(zhǔn)確的回答？憑什么能做出可信的決策？答案只有一個(gè)：數(shù)據(jù)。

但現(xiàn)實(shí)是，絕大多數(shù)企業(yè)的數(shù)據(jù)，還遠(yuǎn)沒(méi)有做好準(zhǔn)備。

數(shù)據(jù)拖了AI的后腿

Gartner曾在一份報(bào)告中指出，到2025年，80%的數(shù)據(jù)與分析計(jì)劃將無(wú)法大規(guī)模創(chuàng)造業(yè)務(wù)價(jià)值，其中數(shù)據(jù)孤島和數(shù)據(jù)質(zhì)量問(wèn)題是核心障礙。雖然這個(gè)預(yù)測(cè)多少有些悲觀，但企業(yè)在實(shí)際落地AI項(xiàng)目時(shí)的感受確實(shí)與之吻合——模型訓(xùn)練出來(lái)了，推理框架搭好了，可一接上企業(yè)內(nèi)部的真實(shí)數(shù)據(jù)，問(wèn)題就全暴露了。

Denodo全球銷售副總裁兼大中華區(qū)總裁何巍向筆者分享了一個(gè)頗具代表性的案例：一家車企在推進(jìn)AI問(wèn)數(shù)項(xiàng)目時(shí)，雖然所有數(shù)據(jù)都放在一家頭部云廠商提供的數(shù)據(jù)倉(cāng)庫(kù)里（也就是數(shù)據(jù)源是單一的），但查詢結(jié)果卻完全不可控。同一個(gè)問(wèn)題問(wèn)兩次，答案截然不同。

問(wèn)題出在這個(gè)單一的數(shù)據(jù)源本身，其就像一個(gè)堆滿雜物的巨大倉(cāng)庫(kù)，不同部門、不同時(shí)期產(chǎn)生的數(shù)據(jù)，雖然有統(tǒng)一的物理存放位置，但定義方式千差萬(wàn)別。

這并非個(gè)案。一家企業(yè)內(nèi)部的訂單可能在三套系統(tǒng)里有三種完全不同的定義：銷售簽了合同叫訂單，財(cái)務(wù)收了錢才叫訂單，售后開(kāi)始服務(wù)了才叫訂單。當(dāng)AI被要求計(jì)算訂單轉(zhuǎn)化率時(shí)，如果沒(méi)有人提前告訴它該用哪個(gè)系統(tǒng)的訂單做分子，它只能隨機(jī)抓取，結(jié)果自然是不可信的，且每次計(jì)算出來(lái)的結(jié)果也會(huì)不一樣。

更麻煩的是，企業(yè)每天產(chǎn)生的數(shù)據(jù)量正在以指數(shù)級(jí)增長(zhǎng)。IDC的預(yù)測(cè)顯示，到2026年全球數(shù)據(jù)量將超過(guò)220ZB，其中企業(yè)級(jí)數(shù)據(jù)占比持續(xù)攀升。傳統(tǒng)通過(guò)ETL（抽取、轉(zhuǎn)換、加載）將數(shù)據(jù)物理復(fù)制到一個(gè)集中的數(shù)據(jù)倉(cāng)庫(kù)或數(shù)據(jù)湖中的數(shù)據(jù)集成方式，正在變得越來(lái)越昂貴和低效。一家大型制造企業(yè)的IT負(fù)責(zé)人曾算過(guò)一筆賬：每復(fù)制一份數(shù)據(jù)到數(shù)據(jù)中臺(tái)，就意味著存儲(chǔ)成本、計(jì)算成本、運(yùn)維成本的疊加，而數(shù)據(jù)中臺(tái)的規(guī)模還在不斷擴(kuò)大。

打個(gè)比方，傳統(tǒng)的數(shù)據(jù)集成方式就像線下會(huì)議，所有人必須坐在同一個(gè)會(huì)議室里。但當(dāng)企業(yè)遍布全球、數(shù)據(jù)分散在幾十個(gè)甚至上百個(gè)系統(tǒng)中時(shí)，這種“物理集中”的成本和難度已經(jīng)高到不現(xiàn)實(shí)的地步。

而AI對(duì)數(shù)據(jù)的實(shí)時(shí)性要求，讓這個(gè)問(wèn)題更加尖銳。傳統(tǒng)的數(shù)據(jù)中臺(tái)定期搬運(yùn)數(shù)據(jù)，可能是T+1，甚至更慢。但AI問(wèn)數(shù)要求的是“即問(wèn)即答”，即用戶輸入一個(gè)問(wèn)題，系統(tǒng)必須立刻從最新數(shù)據(jù)中給出答案。用昨天的數(shù)據(jù)回答今天的業(yè)務(wù)問(wèn)題，在AI時(shí)代已經(jīng)無(wú)法接受。

不搬家也能用上全公司的數(shù)據(jù)

這種背景下，企業(yè)需要一種科學(xué)的數(shù)據(jù)架構(gòu)方式，來(lái)應(yīng)對(duì)AI時(shí)代對(duì)數(shù)據(jù)實(shí)時(shí)性、準(zhǔn)確性、安全性和可解釋性的全新要求。

此時(shí)，數(shù)據(jù)虛擬化技術(shù)成為企業(yè)數(shù)據(jù)管理架構(gòu)中不可或缺的中間件。與傳統(tǒng)的ETL不同，數(shù)據(jù)虛擬化并不物理復(fù)制數(shù)據(jù)，而是通過(guò)軟件在分散的數(shù)據(jù)源之上建立一個(gè)“邏輯層”。打個(gè)比方：傳統(tǒng)做法是把所有食材搬到一個(gè)中央廚房再開(kāi)始做菜；數(shù)據(jù)虛擬化則是保留食材在各自倉(cāng)庫(kù)，只給廚師一張“地圖”，告訴他每種食材在哪、怎么取用。

這個(gè)“地圖”就是諸如Denodo這類企業(yè)所構(gòu)建的AI數(shù)據(jù)層。它不存儲(chǔ)數(shù)據(jù)本身，只存儲(chǔ)數(shù)據(jù)的“映射關(guān)系”，也就是一份關(guān)于“數(shù)據(jù)在哪、什么意思、誰(shuí)能用”的目錄。

這么做有什么好處呢？首先，它不需要遷移數(shù)據(jù)，而是連接所有數(shù)據(jù)源，避免了數(shù)據(jù)復(fù)制帶來(lái)的成本與延遲。根據(jù)Denodo公開(kāi)的案例數(shù)據(jù)，使用了其數(shù)據(jù)虛擬化平臺(tái)的企業(yè)，數(shù)據(jù)準(zhǔn)備時(shí)間平均減少67%，相比傳統(tǒng)ETL方式節(jié)省65%的時(shí)間。

比如，某企業(yè)原先處理一天的數(shù)據(jù)需要8小時(shí)，采用數(shù)據(jù)虛擬化后，處理一整月的數(shù)據(jù)只需不到30分鐘。這種效率提升在AI時(shí)代尤其關(guān)鍵，AI應(yīng)用需要頻繁調(diào)用、組合不同系統(tǒng)的數(shù)據(jù)，如果每次都要等ETL跑完，用戶體驗(yàn)和業(yè)務(wù)響應(yīng)速度都會(huì)大打折扣。

其次，在數(shù)據(jù)虛擬化架構(gòu)中可以通過(guò)“語(yǔ)義層”，解決前文提到的各部門對(duì)“訂單”這個(gè)詞認(rèn)知不統(tǒng)一的問(wèn)題。企業(yè)可以在邏輯層預(yù)定義一套統(tǒng)一的業(yè)務(wù)語(yǔ)義，比如明確告訴系統(tǒng)財(cái)務(wù)訂單和銷售訂單的區(qū)別，以及在不同場(chǎng)景下該用哪個(gè)。這樣，當(dāng)AI接收到用戶的自然語(yǔ)言提問(wèn)時(shí)，首先是語(yǔ)義層將問(wèn)題翻譯成數(shù)據(jù)能理解的語(yǔ)言，再由虛擬化層去各個(gè)數(shù)據(jù)源找到對(duì)應(yīng)的數(shù)據(jù)。

最后，這套架構(gòu)解決了AI時(shí)代安全方面最為關(guān)鍵的權(quán)限和合規(guī)的問(wèn)題。在一個(gè)物理集中式的數(shù)據(jù)架構(gòu)中，權(quán)限控制往往“一刀切”，要么能看全部數(shù)據(jù)，要么什么都看不到。而數(shù)據(jù)虛擬化層可以做到行級(jí)、列級(jí)的精細(xì)權(quán)限控制。更重要的是，對(duì)于跨國(guó)經(jīng)營(yíng)的企業(yè)，數(shù)據(jù)跨境傳輸是巨大的合規(guī)風(fēng)險(xiǎn)。數(shù)據(jù)虛擬化的邏輯連接方式，使得原始數(shù)據(jù)可以留在原地、不出境，只通過(guò)查詢接口被調(diào)用。這對(duì)于正在大規(guī)模出海的中國(guó)企業(yè)來(lái)說(shuō)，是一個(gè)極具吸引力的架構(gòu)選擇。

事實(shí)上，數(shù)據(jù)虛擬化并非全新概念，而之所以近年來(lái)才獲得廣泛關(guān)注，根本原因在于企業(yè)數(shù)據(jù)環(huán)境的復(fù)雜度已經(jīng)到了傳統(tǒng)方法無(wú)法承受的地步。一家企業(yè)的數(shù)據(jù)可能分布在本地機(jī)房、多個(gè)公有云、SaaS系統(tǒng)、IoT設(shè)備等數(shù)十個(gè)來(lái)源中。要全部物理集中，不僅成本高昂，而且永遠(yuǎn)跟不上業(yè)務(wù)變化的速度。

Denodo基于數(shù)據(jù)虛擬化技術(shù)構(gòu)建的“AI數(shù)據(jù)層”，恰好承接了企業(yè)當(dāng)下的核心訴求。依托這套架構(gòu)，企業(yè)無(wú)需大規(guī)模遷移原始數(shù)據(jù)，就能打通全域數(shù)據(jù)鏈路，讓 AI 真正用上全域、實(shí)時(shí)、口徑一致的企業(yè)數(shù)據(jù)。

數(shù)據(jù)架構(gòu)的重構(gòu)

2026年初，Gartner在悉尼舉行的數(shù)據(jù)與分析峰會(huì)上發(fā)出警告：59%的IT領(lǐng)導(dǎo)者表示在尚未做好準(zhǔn)備的情況下，便被推動(dòng)采用生成式AI工具；61%的受訪者感受到來(lái)自高層的壓力。在這種被迫上馬的背景下，夯實(shí)數(shù)據(jù)基礎(chǔ)變得比以往任何時(shí)候都更加緊迫。

如果說(shuō)過(guò)去兩年企業(yè)討論的是“AI能幫我看數(shù)據(jù)嗎？”，那么進(jìn)入2026年，問(wèn)題已經(jīng)變成了“AI能替我用數(shù)據(jù)嗎？”在AI+BI已經(jīng)成為一種業(yè)務(wù)模式的時(shí)候，AI對(duì)數(shù)據(jù)的調(diào)用不再是“用戶問(wèn)一次、系統(tǒng)查一次”的簡(jiǎn)單模式，而可能是一個(gè)智能體在完成一個(gè)復(fù)雜任務(wù)時(shí)，自主發(fā)起幾十次甚至上百次的數(shù)據(jù)查詢，這對(duì)數(shù)據(jù)架構(gòu)提出了全新的要求。

換句話說(shuō)，AI下一階段的競(jìng)爭(zhēng)，不再只是模型之間的競(jìng)爭(zhēng)，而是企業(yè)數(shù)據(jù)基礎(chǔ)設(shè)施之間的競(jìng)爭(zhēng)。誰(shuí)能在這個(gè)問(wèn)題上率先給出令市場(chǎng)信服的答案，誰(shuí)就有可能定義下一代企業(yè)AI的基礎(chǔ)設(shè)施標(biāo)準(zhǔn)。

在這個(gè)過(guò)程中，數(shù)據(jù)的“可發(fā)現(xiàn)性”變得格外重要了。過(guò)去，數(shù)據(jù)主要是給數(shù)據(jù)分析師、業(yè)務(wù)人員等，通過(guò)BI工具查詢、使用數(shù)據(jù)。但在智能體時(shí)代，數(shù)據(jù)的消費(fèi)者很大一部分變成了機(jī)器人。人可以通過(guò)經(jīng)驗(yàn)判斷這個(gè)數(shù)據(jù)大概在哪個(gè)系統(tǒng)里，但機(jī)器人沒(méi)有這種直覺(jué)。它需要一個(gè)清晰、標(biāo)準(zhǔn)化的數(shù)據(jù)目錄，告訴它每個(gè)數(shù)據(jù)集在哪里、什么含義、怎么訪問(wèn)。此時(shí)，據(jù)何巍介紹，Denodo推出的AI SDK，其核心價(jià)值之一就是為開(kāi)發(fā)者提供標(biāo)準(zhǔn)化的接口（如MCP協(xié)議），讓AI智能體能夠像調(diào)用API一樣調(diào)用企業(yè)數(shù)據(jù)。

此外，AI時(shí)代，語(yǔ)義層也已成為企業(yè)數(shù)據(jù)管理的必選項(xiàng)。何巍向筆者坦言，如果三個(gè)月前問(wèn)他“模型是否足夠聰明到自己去理解數(shù)據(jù)”，他的答案可能還不同。但在最近服務(wù)了數(shù)百家企業(yè)之后，他得出的結(jié)論是：模型再?gòu)?qiáng)，也解決不了語(yǔ)義不統(tǒng)一的問(wèn)題。因?yàn)檎Z(yǔ)義問(wèn)題本質(zhì)上是業(yè)務(wù)問(wèn)題，而不是技術(shù)問(wèn)題，不是靠喂更多數(shù)據(jù)給模型就能解決的。

Denodo 搭建的 AI 數(shù)據(jù)層，作為承載統(tǒng)一業(yè)務(wù)語(yǔ)義、統(tǒng)籌合規(guī)數(shù)據(jù)資產(chǎn)的核心樞紐，能夠補(bǔ)齊企業(yè)數(shù)據(jù)治理的關(guān)鍵短板。在今年 7 月上線的新版本 Denodo Platform 9.5，更是大幅強(qiáng)化了平臺(tái)內(nèi)部語(yǔ)義與上下文智能能力，同時(shí)簡(jiǎn)化企業(yè)內(nèi)各團(tuán)隊(duì)搭建、管理、共享可信數(shù)據(jù)產(chǎn)品的流程，讓智能體、BI 分析工具、自助數(shù)據(jù)應(yīng)用均可獲取統(tǒng)一、實(shí)時(shí)、具備完整業(yè)務(wù)釋義的數(shù)據(jù)底座，從根源解決 AI 自主取數(shù)時(shí)口徑混亂、信息缺失的難題。

在這套全新的數(shù)據(jù)管理體系下，企業(yè)不需要推翻原先的數(shù)據(jù)中臺(tái)。對(duì)此，何巍表示，AI數(shù)據(jù)層可以作為數(shù)據(jù)中臺(tái)的補(bǔ)充而非替代，將中臺(tái)也作為一個(gè)數(shù)據(jù)源連接起來(lái)，避免重復(fù)搬運(yùn)。

今天的世界復(fù)雜到不會(huì)用一個(gè)技術(shù)解決所有問(wèn)題。數(shù)據(jù)中臺(tái)適合處理需要大量清洗、加工、貼標(biāo)簽的確定性場(chǎng)景；數(shù)據(jù)虛擬化適合應(yīng)對(duì)靈活、多變、實(shí)時(shí)的查詢需求。兩者是互補(bǔ)關(guān)系，而非替代關(guān)系。

AI 競(jìng)爭(zhēng)的下半場(chǎng)，勝負(fù)手在于數(shù)據(jù)。企業(yè)若想突破 AI 落地的瓶頸，關(guān)鍵在于構(gòu)建堅(jiān)實(shí)的數(shù)據(jù)基礎(chǔ)設(shè)施。通過(guò)數(shù)據(jù)虛擬化等技術(shù)打造統(tǒng)一的 AI 數(shù)據(jù)層，打通數(shù)據(jù)孤島、統(tǒng)一業(yè)務(wù)語(yǔ)義，才能真正修好通往 AI 的“最后一公里”，讓模型發(fā)揮出應(yīng)有的價(jià)值。

（文｜Leo張ToB雜談，作者｜張申宇，編輯丨楊林）