超越炒作：企業人工智能的五個驚人現實

2023年末和2024年商業周期中定義AI疲勞的因素，事后看來是一個必要的修正。在此期間，許多組織發現自己陷入了行業觀察人士所謂的"試點煉獄"（pilot purgatory）。數百萬資金投入到了實驗性生成式人工智能（GenAI）試點項目中，其中大多數是用于總結會議或起草內部郵件的聊天機器人。雖然這些工具在模仿人類對話方面令人印象深刻，但它們本質上是輔助性的，而非操作性的。它們可以大談特談，卻無法挺身而出付諸行動。

如今，格局已發生根本性轉變。"會說話的機器"的新鮮感已經消退，取而代之的是對自主智能體智能（Agentic Intelligence）的冷峻戰略聚焦。近期發布的《2026年數據湖屋與AI現狀報告》揭示了一條傾向于在可信數據上自主行動系統的路線圖。全球最大的組織——特別是那些擁有超過5000名員工的組織——正在架構其未來方面發生結構性變革。要駕馭這個新時代，組織必須透過華麗辭藻，審視研究中展現的五個驚人現實，這些現實正在重新定義企業數據資產。

1、65%的轉變：從對話到行動

所確定的最重要轉變是向智能體分析和AI驅動決策邁進。令人震驚的是，65%的高級數據領導者已將此列為來年的首要優先事項。

在前一個周期中，目標是人在環路中（human-in-the-loop）。AI提供可視化或摘要，由人類解讀這些數據并做出決策。智能體顛覆了這一范式。這些系統不僅要分析數據，還要基于數據采取行動：測試假設、提供建議，并在最少人工干預下執行已批準的步驟。這一轉變表明，企業終于將AI目標與可衡量的結果（如速度和自主性）聯系起來。

這里的戰略含義是業務速度的升級。正如一家全球制造公司分析副總裁所言："我們期望代理明年能處理第一層分析。"當AI從研究助手轉變為運營代理時，從洞察到行動的時間從數天縮短到毫秒。對C級人物（高管層）而言，這意味著競爭優勢不再取決于誰擁有最好的數據，而取決于誰擁有由智能體系統啟用的最短"行動循環"。

2、動機逆轉：生產力是新式降本

調查中最令人驚訝的發現或許是，成本效率作為AI采用主要動機的徹底崩潰。過去幾年，近20%的領導者將成本控制列為主要驅動力。如今，這一數字已降至接近零。相反，51%的領導者現在主要采用AI是為了實現更高生產力和更快創新。

這是一個關鍵的文化和戰略轉變。AI不再被定位為預算削減的防御性措施或替代人手的工具。相反，它被正?；癁樵鲩L的標準業務工具——一個讓現有勞動力在更高戰略層面發揮作用的"創新倍增器"。

從戰略家的角度來看，這改變了CTO與CFO之間的整個對話。推介不再是通過自動化節省資金，而是通過速度創造價值。這是一種覺醒：行動緩慢的真正成本遠超減少勞動力帶來的節省。

3、70%悖論：為何基礎設施仍是障礙

盡管對智能體有著清晰的愿景，但巨大的基礎設施差距依然存在。報告指出了一個鮮明的悖論：雖然65%的領導者希望實現自主AI，但70%的人承認，數據孤島和治理薄弱仍是其主要障礙。這種技術債務本質上是創新的負擔。

在障礙方面，數據令人清醒：48%的組織缺乏統一、AI就緒的數據。40-41%受困于糟糕的數據質量和缺失的語義定義。70%在與阻礙實現單一事實來源的碎片化問題作斗爭。

一家主要金融服務公司數據工程負責人完美總結了這種挫敗感："治理現在是最難的部分。工具很容易。一致性很難。"

隨著AI的擴展，它揭開了架構性弱點——這些弱點在小規模試點中可能被忽視。聊天機器人可以在單個精心策劃的數據集上運行，但自主智能體需要對企業整體的、受管控的視圖。不斷上升的治理挑戰（從去年的36%增至41%）是野心的標志，而非失敗的跡象。大企業終于意識到，你無法在數據孤島之上構建一家聰明的公司。曾經僅導致輕微報告延誤的碎片化，現在是AI功能的障礙。

4. 湖屋整合：92%的未來是開放的

為了彌合這一基礎設施差距，行業正在看到向數據湖屋（data lakehouse）的大規模整合。報告發現，92%的組織計劃在未來十二個月內將其大部分分析和AI工作負載遷移到湖屋。此外，87%預期湖屋將成為其到2027年的主要數據架構。

這一舉措主要由消除"冗余稅"的愿望驅動。目前，81%的組織將消除冗余數據副本列為主要優先事項。在舊的數據倉庫模式中，數據被復制并通過無盡的ETL管道移動，增加了成本并降低了信任度。通過在湖屋上整合，95%的組織計劃直接在數據所在位置運行AI/ML工作負載。

此外，采用Apache Iceberg等開放表格式已成為企業規模的強制性要求。組織越來越警惕供應商鎖定，這限制了它們跨云移動數據或使用不同AI引擎的能力。湖屋架構提供了智能體系統所需的零ETL環境：實時、統一的數據訪問，沒有不斷移動帶來的延遲和治理風險。

5、語義層：AI"理解"的缺失環節

2026年路線圖中最被忽視但最關鍵的組件是語義層。大約40%的領導者現在將語義上下文的缺失視為運營AI的主要阻礙。沒有這一層，智能體本質上是在盲目飛行——它們能夠訪問數據，但無法理解其在業務背景下的含義。

報告引入了一個AI就緒數據的關鍵框架：

• 統一：將不同數據納入共享結構和治理之下。
• 上下文：應用語義層以一致地定義指標。
• 信任：確保數據血緣、質量控制和可審計性。

上下文階段是許多AI項目目前失敗的環節。如果智能體從重復的管道接收到沖突的指標，它將產生不一致甚至不安全的結果。要達到2026年領導者所期望的自主或閉環工作流，系統必須擁有單一、受管控的語義層。

正如金融服務分析總監所言，目標是"分析師和AI模型使用相同的定義"。沒有共享的語言，人工智能中的"智能"僅僅是幻覺。

通向2030之路

可預見的未來路線圖不再是追逐最新模型，而是筑牢基礎。這包括確立湖屋作為主要數據基礎，標準化Apache Iceberg等開放格式以確保靈活性，并實施語義層以提供代理安全有效所需的上下文。

展望更遠的未來，報告指出，到2030年，90%的分析工作負載將遷移到湖屋。屆時，行業將停止詢問如何構建這些基礎，轉而衡量這些系統產生的ROI和價值。對話將從"AI能做什么？"轉向"我們的智能體生態系統本季度創造了多少價值？"