全球AI投資在2024年突破1500億美元，但Confluent的EMEA區(qū)域首席數(shù)據(jù)官Kris Jenkins發(fā)現(xiàn)，超過60%的企業(yè)在把生成式AI項(xiàng)目從試點(diǎn)推向生產(chǎn)時(shí)，遭遇了同一個(gè)尷尬：數(shù)據(jù)基礎(chǔ)設(shè)施根本接不住AI的野心。

這不是技術(shù)問題，是考古問題。很多企業(yè)的數(shù)據(jù)系統(tǒng)還停留在"各自為政"的年代，就像試圖讓F1賽車在鄉(xiāng)村土路上跑出成績(jī)。

AI跑得越快，數(shù)據(jù)裂縫越明顯

企業(yè)部署AI的速度和數(shù)據(jù)準(zhǔn)備的成熟度之間，正形成一道危險(xiǎn)的剪刀差。

對(duì)話式AI界面被快速上線，目的是減少摩擦、提升效率。但界面背后的數(shù)據(jù)流往往是一團(tuán)亂麻：重復(fù)錄入、字段缺失、與現(xiàn)有記錄不同步。員工沒省掉的時(shí)間，轉(zhuǎn)移到了核對(duì)AI輸出和修正錯(cuò)誤上。

Jenkins打了個(gè)比方：「你在前臺(tái)裝了個(gè)智能迎賓，但后臺(tái)的庫(kù)存系統(tǒng)還在用Excel手動(dòng)更新?？腿藛?這件有貨嗎'，AI只能瞎猜。」

這種"表面智能、底層混沌"的架構(gòu)，讓AI從降本工具變成了隱性成本中心。企業(yè)為AI算力付費(fèi)，同時(shí)為數(shù)據(jù)清洗和人工復(fù)核買單。

實(shí)時(shí)數(shù)據(jù)流：被忽視的AI燃料

大多數(shù)AI項(xiàng)目的失敗，不是算法不夠聰明，是喂進(jìn)去的數(shù)據(jù)已經(jīng)餿了。

傳統(tǒng)數(shù)據(jù)架構(gòu)的設(shè)計(jì)假設(shè)是"先存后算"——數(shù)據(jù)批量入庫(kù)，夜間跑批處理，第二天出報(bào)表。這種節(jié)奏在AI時(shí)代成了致命傷。當(dāng)AI代理（agentic AI，具備自主決策能力的人工智能系統(tǒng)）需要實(shí)時(shí)感知業(yè)務(wù)變化并立即行動(dòng)時(shí)，卻發(fā)現(xiàn)數(shù)據(jù)源頭的更新延遲以小時(shí)甚至天計(jì)。

Confluent的調(diào)研顯示，采用流數(shù)據(jù)處理（stream processing，實(shí)時(shí)連續(xù)處理數(shù)據(jù)的技術(shù)）架構(gòu)的企業(yè)，其AI模型的響應(yīng)延遲平均降低83%，決策準(zhǔn)確率提升34%。但這類企業(yè)在整體樣本中占比不足15%。

差距不在預(yù)算，在認(rèn)知。很多技術(shù)負(fù)責(zé)人仍將數(shù)據(jù)流視為"高級(jí)選項(xiàng)"而非"基礎(chǔ)基建"，就像20年前有人爭(zhēng)論"企業(yè)是否需要網(wǎng)站"。

數(shù)據(jù)治理的隱性債務(wù)

AI放大了企業(yè)原有的數(shù)據(jù)債務(wù)，而大多數(shù)CIO直到賬單來了才意識(shí)到欠了多少錢。

碎片化系統(tǒng)、割裂的數(shù)據(jù)標(biāo)準(zhǔn)、部門間的數(shù)據(jù)孤島——這些問題在BI時(shí)代被容忍，因?yàn)槿斯し治隹梢造`活填補(bǔ) gaps。但AI沒有這種彈性，它會(huì)忠實(shí)地執(zhí)行訓(xùn)練數(shù)據(jù)中的偏見，會(huì)嚴(yán)格按照字段映射傳遞錯(cuò)誤，會(huì)在數(shù)據(jù)不一致時(shí)給出看似合理實(shí)則離譜的結(jié)論。

Jenkins提到一個(gè)典型案例：某零售企業(yè)的AI推薦系統(tǒng)持續(xù)向北方用戶推送羽絨服，因?yàn)槠?地理位置-氣候"數(shù)據(jù)表三年未更新，而系統(tǒng)從未被設(shè)計(jì)為自動(dòng)同步氣象數(shù)據(jù)源。

「AI不會(huì)抱怨數(shù)據(jù)爛，它只是安靜地產(chǎn)生爛結(jié)果?！?/p>

從"數(shù)據(jù)驅(qū)動(dòng)"到"數(shù)據(jù)就緒"：一字之差的鴻溝

企業(yè)常把"我們有數(shù)據(jù)"和"數(shù)據(jù)能用"混為一談，這個(gè)誤會(huì)正在讓AI投資打水漂。

數(shù)據(jù)就緒（data readiness）包含三個(gè)維度：實(shí)時(shí)性（數(shù)據(jù)更新頻率匹配決策節(jié)奏）、一致性（跨系統(tǒng)數(shù)據(jù)無沖突）、可解釋性（數(shù)據(jù)血緣清晰，能追溯AI結(jié)論的來源）。滿足這三項(xiàng)的企業(yè)，AI項(xiàng)目投產(chǎn)成功率達(dá)到78%；僅滿足一項(xiàng)的，成功率驟降至23%。

更隱蔽的風(fēng)險(xiǎn)在于合規(guī)。歐盟AI法案要求高風(fēng)險(xiǎn)AI系統(tǒng)具備"數(shù)據(jù)治理和管理的適當(dāng)措施"，包括訓(xùn)練數(shù)據(jù)的完整性、準(zhǔn)確性、時(shí)效性文檔。數(shù)據(jù)架構(gòu)的漏洞，可能直接轉(zhuǎn)化為法律風(fēng)險(xiǎn)。

一些企業(yè)開始調(diào)整策略。某歐洲銀行將AI項(xiàng)目預(yù)算的40%重新分配給數(shù)據(jù)基礎(chǔ)設(shè)施改造，包括統(tǒng)一事件流平臺(tái)、建立實(shí)時(shí)數(shù)據(jù)質(zhì)量監(jiān)控、重構(gòu)數(shù)據(jù)血緣圖譜。其CIO的反饋是：「以前覺得這是在拖慢AI進(jìn)度，現(xiàn)在發(fā)現(xiàn)是在避免建一座隨時(shí)會(huì)塌的樓?！?/p>

流數(shù)據(jù)架構(gòu)：AI時(shí)代的隱藏賽道

當(dāng)市場(chǎng)注意力集中在模型參數(shù)和算力軍備競(jìng)賽時(shí)，數(shù)據(jù)管道正在成為新的戰(zhàn)略高地。

Apache Kafka（開源流處理平臺(tái)）的商業(yè)化公司Confluent觀察到，2024年其金融和零售客戶的流數(shù)據(jù)采用率同比增長(zhǎng)217%，其中明確標(biāo)注"支持AI/ML工作負(fù)載"的項(xiàng)目占比從12%躍升至41%。

這個(gè)趨勢(shì)揭示了一個(gè)反直覺的事實(shí)：AI的瓶頸正在從"模型不夠強(qiáng)"轉(zhuǎn)向"數(shù)據(jù)不夠快"。GPT-4級(jí)別的模型能力已經(jīng)商品化，但能讓模型實(shí)時(shí)感知業(yè)務(wù)變化、持續(xù)學(xué)習(xí)反饋的數(shù)據(jù)架構(gòu)，仍是稀缺能力。

Jenkins的判斷是，未來18個(gè)月，"數(shù)據(jù)就緒度"將成為AI項(xiàng)目評(píng)估的核心指標(biāo)，就像云原生改造曾成為數(shù)字化轉(zhuǎn)型的入場(chǎng)券?！脯F(xiàn)在買顯卡的人太多，修水管的人太少。但洪水來的時(shí)候，水管比顯卡重要?！?/p>

某制造業(yè)客戶的產(chǎn)線AI質(zhì)檢系統(tǒng)，最初因圖像數(shù)據(jù)與MES（制造執(zhí)行系統(tǒng)）的時(shí)序不同步，誤報(bào)率高達(dá)15%。接入統(tǒng)一流數(shù)據(jù)平臺(tái)后，圖像、傳感器數(shù)據(jù)、工單狀態(tài)實(shí)現(xiàn)毫秒級(jí)對(duì)齊，誤報(bào)率降至0.3%，每年減少?gòu)U品損失約280萬(wàn)歐元。該項(xiàng)目的IT負(fù)責(zé)人事后復(fù)盤：「我們差點(diǎn)因?yàn)閿?shù)據(jù)延遲，否定了一個(gè)正確的AI算法?！?/p>