北京
周三下午，一家大型車企的AI團隊再次跑了一遍對話分析查詢。同一個問題，系統給出了與上一次完全相反的答案。這不是模型故障，而是他們在調用一個存有全部運營數據的云數倉時，發現數據本身根本不可信。
過去兩年，AI落地的敘事一直圍繞模型能力展開。參數規模的軍備競賽、算力堆疊，讓不少人相信只要模型夠強，一切應用水到渠成。但當企業把訓練好的模型接入內部實時數據的那一刻，系統性缺陷暴露無遺，一場關于“誰才是真正瓶頸”的爭論也隨之而來。
模型派曾堅信，更大的參數量和更精妙的架構是解決問題的鑰匙。可到了2026年，企業高層的提問完全變了味：AI的輸出憑什么站得住腳？答案的準確性和決策的可信度怎么保證？現實給出的回應很直接——離開高質量數據，這些追問根本無解。
轉向數據派，他們的判斷則更貼近一線。Gartner早前預測，到2025年會有80%的數據與分析項目無法規模化產生業務價值，數據孤島和低質量被明確列為頭號瓶頸。起初這個數字顯得有些悲觀，但現在越來越多正在部署AI的企業正在親身經歷同樣的挫敗感——模型訓練已完成，推理框架已就緒，可一旦插上內部數據，整個系統就失真。
Denodo全球銷售副總裁兼大中華區總裁何偉提到一個極具代表性的案例。前述那家車企想做一個AI驅動的對話分析項目，所有數據已經整齊存放在頂級云廠商提供的一個數倉里，但查詢結果卻完全不可預測。根本問題出在這座看似統一的“數據倉庫”上：各部門、各年代的數據雖然物理上放在一起，命名規則和定義卻五花八門。AI在沒有明確指引的情況下隨機抽取作為計算分子，輸出自然飄忽不定。
這絕非個案。同一家企業里，一個“訂單”在三個系統中能出現三種完全沖突的定義：銷售認為合同簽妥就算訂單，財務必須收到現金后才記錄，客服部門則在客戶開始上手培訓時產生訂單記錄。讓AI去算訂單轉化率，卻不告訴它該用哪個系統的數據做分子，模型就會隨機拉扯，每次結果都不一樣，完全喪失可靠性。
雪上加霜的是企業數據的爆發式膨脹。IDC預測到2026年全球數據總量將超過220ZB，其中企業數據占比越來越大。過去那種靠ETL管道把數據物理復制到中央數倉或數據湖的傳統集成手段，正變得不可持續地昂貴。如果不優先解決數據定義一致性和治理問題，最強模型的推理能力也將被鎖死在混亂的信息孤島里，所謂AI落地的最后一公里，卡住的從來不是模型，而是數據本身。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
