有分析指出，人工智能(AI)已不再停留在被当作“神奇技术”的阶段。企业如今开始更关注AI导入本身之外的，以实际盈利能力和运营管控体系，即“ROI”和“治理”为中心的投资成效。
根据美国数据与分析企业Qlik Technologies最近公开的“Agentic AI研究”，接受调查的企业中有97%已确保Agentic AI预算，但完成完全部署的仅占18%。此外，只有19%的企业拥有明确的投资回报率(ROI)框架。Qlik将数据质量、数据可访问性和数据治理列为阻碍AI普及的最大瓶颈。
Qlik首席执行官迈克·卡彭在最近举行的“Qlik Connect”活动中表示：“要从认识到没有捷径这一事实开始”，“许多客户只有在经历一次失败后，才明白首先需要值得信赖的数据平台、AI数据管道、质量控制和治理。”这意味着，要“负责任地”利用AI，最终必须从基础数据体系开始重新构建。
‘AI热潮’背后日益增长的问题…钱花了，但成效在哪里
在此次活动中，最引人注目的信息是市场对AI的期望正从“实验”转向“创造价值”。卡彭解释说：“初期，AI实验本身很有趣，但现在首席财务官们站出来问‘这些钱花在了哪里，创造了什么价值’。”
实际上，企业更关注最终的商业效果，而非AI模型的准确度本身。餐包企业HelloFresh表示，他们利用Qlik的预测解决方案，提前筛选出配送失败可能性高的订单，并执行自动补救措施，从而减少了客户流失。HelloFresh的数据及运营系统负责人埃德·邓格说：“人们做判断时，往往因等待更多事实而反应迟缓”，“AI能在既定的风险范围内更快地做出决策，从而改善客户体验。”
这表明AI的核心评估标准正从“完美的预测”转向“更好的净效果”。换句话说，AI的ROI不仅仅由模型的技术性能决定，只有当其与实际的业务速度、客户留存率、运营效率等经营指标相关联时才具有意义。
速度不如基础…AI普及的真正变量是‘数据治理’
Qlik管理层强调，要提高AI导入速度，反而需要在初期行动得更慢、更精细。Qlik首席战略官詹姆斯·费舍尔表示：“我喜欢‘慢下来才能更快’这句话”，“花少量时间思考其用途和应用方式并打好基础，从长远来看会对AI应用程序和智能体的性能产生巨大差异。”
在此背景下，Qlik推出了具备可信数据基础的交互式AI解决方案“Qlik Answers”。其解释是，关键不在于简单地将AI叠加到问题上，而是要构建一个能够结合适当延迟时间和适当格式的数据，并将其传递以供AI利用的结构。
Qlik首席技术官萨姆·皮尔森也指出，企业最大的限制最终在于数据。他表示：“无论是中小企业还是大企业，内部都存在成百上千个老旧系统和数据库”，“核心挑战在于如何从这些未现代化的系统中提取数据，并将其连接到AI参考架构。”
他特别强调，应该将安全性和数据治理直接内嵌到组织的系统设计阶段。因为如果在AI导入后期才添加控制措施，将难以确保可扩展性和稳定性。
仪表盘的进化…AI从‘信息板’变为‘决策引擎’
Qlik分析认为，AI也在改变数据的使用方式。展望未来，过去用户需在仪表盘上查看信息并自行判断，而今后AI智能体可以代为执行大部分任务，在某些情况下甚至能代表用户采取行动。
Qlik AI负责人尼克·马格努森表示：“我们需要重新思考如何对信息做出反应，如何创建数据并支持其整个生命周期”，“随着非人类的自主系统介入，必须从根本上重新设计现有框架。”
Qlik产品与技术高级副总裁德鲁·克拉克预测，未来的仪表盘将超越简单的可视化工具，转变为“决策引擎”。他说明，企业应构建基于开放标准、可互操作的“AI工厂”结构，并应避免将所有功能塞进一个庞大系统的“单体式”方法。
克拉克说：“关键的结构是让数据待在它该在的地方，使其按需可访问，然后再以恰到好处的方式取回。”这表明AI时代数据战略的核心不在于“集中”，而在于“灵活连接”。
最终，本次Qlik Connect传达的信息是明确的。AI竞争的胜负很可能不取决于更多的实验，而取决于更可靠的数据、更严密的治理和更清晰的ROI。要让AI转化为实际成果，企业必须在技术导入之前先检查数据基础，这一观点显得愈发重要。
TP AI 注意事项 本文使用基于 TokenPost.ai 的语言模型进行摘要。主要内容可能被省略或与事实存在差异。