有分析指出，企业在引入人工智能方面的进展未达预期，其背后存在比模型性能更为根本的问题。这是因为现有的数据基础设施并非为支撑大规模“智能工作负载”而设计。业界正将集成的“数据湖仓”架构视为解决这一问题的替代方案。
尤其是那些数十年来按部门分别构建系统的传统企业，问题更为严重。数据与分析咨询公司Quantiphi的全球数据与分析主管Debopriyo Nag指出，如果企业在为“智能体AI”时代做准备的过程中，无法解决数据层面的技术债务，就可能在实际运行环境中打造出易受冲击的AI体系。
他举了与约翰·威立父子出版公司合作的项目作为典型案例。拥有219年历史的出版社威立面临着十余年间积累起来的分散式数据环境，各业务部门以不同结构管理着数万个数据表。Nag解释说：“大约有3万个数据表，数据分散在各个业务部门，各自以不同的方式运行。我们无法为下游的AI或商业智能将这些数据语境化，也难以连接不同领域的数据。”
整合3万个数据表，AI准备的起点
当原有供应商合同续签期临近时，威立没有选择简单续约，而是转向了重新设计整个数据堆栈的方向。威立技术集团副总裁Mehul Trivedi表示：“我们不禁要问，现有生态是否还值得继续投资，还是应该为基于AI和机器学习的新时代做准备？”建立值得信赖的集成数据生态系统成了核心课题。
公司选择了谷歌云平台的BigQuery作为新基础，主要原因在于其成本效益、技术集成性以及开源灵活性。同时，利用Quantiphi自有的AI迁移工具“Codeaira”，在6至9个月内迁移了约300TB规模的数据。据Nag介绍，通常需要1至2年的工作，AI智能体在查询转换、管道迁移及验证全过程中实现了自动化，从而提高了速度和准确性。
这一案例表明，企业的AI竞争力并不仅仅取决于引入高性能模型，更在于能否将数据整理成一致且互联的形态。如果孤岛式结构依然存在，AI在学习和推理过程中会加剧语境损失，最终必然导致商业应用价值的降低。
胜负取决于“长期战”的准备
Trivedi强调，未来在AI竞争中领先的企业，将是那些为“长期战”做好准备，而非追求短期效益的公司。他表示：“关键在于如何构建一个能在未来十年内在此类环境中竞争的组织。”并指出人才投资与组织学习体系的构建必须并行。
归根结底，数据湖仓战略并非简单的基础设施更换，而更接近于改善企业的AI体质。在数据分散、标准不一的状态下，无论搭载多先进的AI，都难以确保其扩展性和可靠性。基于企业引入AI步伐放缓的原因在于数据基础而非模型本身这一点，有分析认为，未来市场的决胜关键，与其说在于技术本身，不如说在于谁能率先建立“规整的数据基础”。
TP AI注意事项 本文使用基于TokenPost.ai的语言模型进行摘要。可能遗漏了原文主要内容或与事实存在出入。