重建AI数据战略的8个建议

任何想要打造领先 AI 战略的组织，首先必须落地一套成功的数据战略。这是 IBM 副总裁兼首席数据官埃德・洛夫利的观点。

他表示：“在规划人工智能的规模化布局时，数据是根基所在。”

但他同时提到，能做到数据架构与 AI 目标相匹配的组织少之又少。与之相反的是，很多企业的数据呈现出孤岛化的状态，缺乏统一数据标准的管控 —— 这是企业长期以来的数据战略所导致的结果，最终让 IT 环境变成了围绕单个应用来支撑关键决策，而非为企业级的人工智能部署提供支持。

IBM 在 2025 年发布的研究报告《人工智能雄心高涨，但企业数据做好准备了吗？》，展现了当下企业在数据处理方面的困境。该研究对全球 1700 名首席数据官（CDO）进行调研后发现，仅 26% 的受访者认为自身的数据体系，有能力为新的 AI 收入来源提供支撑。

洛夫利指出，企业真正需要的是一套集成化的企业级数据架构，无论数据来自哪里，都能遵循统一的标准、治理规范和元数据要求。

意识到组织需要升级数据战略的并非只有洛夫利一人。

亚当・赖特是 IDC 全球 DataSphere 与 Global StorageSphere 研究项目的研究经理，同时也是 2025 年《生成式人工智能时代的内容创作》报告的合著者，他表示：“人工智能不仅改变了数据的使用方式，还改变了数据的价值创造逻辑与价值落地的场景，因此绝大多数组织都需要对自身的数据战略进行现代化升级。”

他谈到：“传统的数据战略，主要服务于报告输出、商业智能分析与流程自动化，但人工智能的落地，需要更具动态性、更精细化且实时的数据管道，以此来支撑迭代式、模型驱动的工作流。这意味着企业要从静态的数据治理，转向持续性的数据质量监控；要强化元数据管理与数据血缘追踪；同时制定的存储政策，也要适配人工智能将瞬时数据、缓存数据与留存数据相结合的特点。人工智能时代要求企业摒弃‘收集并存储所有数据’的固有思维，转向更具目的性、以价值为导向的数据战略，在成本、风险，以及想要达成的具体 AI 成果之间找到平衡。”

一、高成熟度的数据基础

当下大部分组织都还离这个目标有不小的距离。

赖特说：“很多组织还在为获取‘合适’的数据而困扰，这里的‘合适’，可能是指足够的数据量、合格的数据质量，或是支撑 AI 用例所必须的上下文元数据。”“在 IDC 的研究以及行业交流中，数据准备度始终是企业实现 AI 价值的主要阻碍之一，其影响程度往往超过计算成本或是模型选择的问题。大部分企业仍面临着系统碎片化、治理标准不统一，以及对实际数据的情况和可信度缺乏了解的问题。”

洛夫利表示，IBM 也曾遇到过不少类似的挑战，但在过去三年里，IBM 一直着力解决这些问题，让自身的数据与 AI 体系走向成熟。

IBM 在人工智能时代的数据战略，对以往的方法做出了多项调整，以此搭建出洛夫利所说的集成化企业数据架构。比如，IBM 保留了数据所有者的概念，但 “会帮助这些所有者理解，数据是 IBM 的资产，如果我们能以可控、安全的方式实现数据的民主化，就能让业务运转得更好、更高效”。

在此基础上，IBM 从原本多个团队各自管理孤立数据的状态，转变为由统一的团队，采用统一标准与通用架构来管理数据。企业的管理者还整合了 300TB 的数据，根据公司想要达成的成果，以及支撑这些成果的工作流，来筛选所需的数据。

洛夫利说：“我们的每一步都有明确的目标”，他还补充道，如今 IBM 的数据平台，已经覆盖了公司约 80% 的工作流。“当前企业提升生产力的关键途径之一，就是搭建集成化的企业数据架构。正是因为我们在数据领域的投入，才得以在公司内部快速推进人工智能的部署。”

二、打造更优数据战略的8条建议

想要搭建高成熟度的数据基础，提升数据的使用能力，组织需要一套适配人工智能时代的数据战略 —— 这套战略要能够保障数据质量、打破数据孤岛，并且让数据能力与企业优先推进的 AI 用例相匹配。

专家给出了以下建议：

1、重新定义数据所有权

赖特解释道：“以往将数据所有权单纯归为 IT 部门的模式已经不再适用，因为业务单元、产品团队与人工智能平台，都在持续地生成和处理数据。”“理想状态下，应该由首席数据官（CDO）这样的高级数据领导者来承担明确的责任，但没有设置 CDO 的组织，必须确保数据治理的职责，在 IT、安全与业务部门之间得到清晰的划分。”

他还补充，“设立一个制定政策的单一权威节点，同时采用联邦制的执行模式十分关键，这样业务单元既可以保有一定的自主权，又不会脱离统一的管理。”

圣托马斯大学软件工程与数据科学系主任、应用人工智能中心主任曼吉特・雷吉建议，组织可以把数据所有者重新定义为数据管理者，他们并不 “拥有” 数据，而是基于统一标准，对数据的定义与质量负责。而数据的治理、安全与互通性，则由中央数据管理部门负责。

2、打破数据孤岛

赖特说：“CIO 需要围绕共同的 AI 与数据目标，协调各个业务单元，因为只有当企业内部的工作流、流程与数据源实现打通时，生成式 AI 才能真正创造价值。”

“这需要搭建跨职能的治理体系，统一分类标准与管理政策，同时制定激励机制，鼓励团队共享数据而非独占数据，” 他补充道，“技术层面可以通过统一平台、元数据层与通用安全框架来提供支持，但真正的突破，需要高管层与业务相关方的协同引领。”

3、布局适配 AI 时代的数据技术

赖特表示，这类技术包括现代数据湖、数据湖仓、向量数据库，以及可扩展的对象存储，这些技术 “都能在完善的治理体系下，处理大规模的多模态数据”。

组织还需要流程编排与数据管道工具，实现数据的采集、清洗、转换与流转的自动化，从而保障 AI 工作流能够稳定地端到端运行。元数据引擎与治理层也至关重要，它们可以帮助模型理解数据上下文、追踪数据血缘，并且安全、可靠地使用结构化与非结构化数据。

雷吉建议搭建 “模块化、可管控且具备演进能力” 的数据平台层。“你的架构需要把数据当成可复用的产品，而非只服务于单一流程的资源，同时还要满足批量处理与实时处理的双重需求。”

雷吉也认可数据湖与数据湖仓的价值，他认为它们 “正在成为人工智能应用的核心载体，因为它们可以同时处理结构化与非结构化数据”。

此外，Thoughtworks 首席人工智能与数据官沙扬・莫汉蒂建议，CIO 可以打造可组合的企业架构，采用模块化技术与灵活的结构，让人机可以跨多层访问数据并开展协作。专家还建议 CIO 投资能够满足新型数据生命周期需求的技术。“生成式人工智能从根本上重塑了数据的生命周期，形成了瞬时数据、缓存数据与持久存储数据的动态组合。” 赖特说，大部分生成式 AI 的输出存续时间很短，可能只有几秒、几分钟或是几小时，这就需要 DRAM、SSD 这类高性能的基础设施，来支撑快速迭代、缓存与易失性的工作流。“但与此同时，也有一部分生成式 AI 的产出具备长期价值，比如最终文件、获批的媒体资产、合成训练数据集，以及合规相关的内容，这类数据的长期存储，依然高度依赖高性价比、大容量的硬盘存储，” 他补充道，“随着生成式人工智能的普及，组织需要一套覆盖全生命周期的数据战略，从支撑瞬时数据的超高速内存，到用于持久存档的硬盘系统，因为数据存储的成本与需求特征都已经发生了改变。”

4、为数据架构加入自动化与智能能力

莫汉蒂认为，企业数据状况不理想的原因，在于 “数据生产者与数据消费者之间的脱节”，数据被 “堆积在所谓的数据仓库中”，再通过分析层来挖掘数据价值。他指出，这种方法需要投入大量的人力与专业知识才能实现。

他建议企业建立数据产品思维，“拉近数据生产者与消费者之间的距离”，同时在企业架构中加入自动化与智能能力，让 AI 可以在需要时，自主识别并获取合适的数据。莫汉蒂表示，CIO 可以通过模型上下文协议（MCP）来封装数据，实现协议级别的数据访问，他同时提到，想要实现这样的访问，组织需要在数据目录与工具中录入相关信息，保障数据的可发现性。

5、确保结构化与非结构化数据都做好 AI 适配准备

赖特说：“当结构化数据格式统一、治理完善，并且附带准确的元数据时，就做好了 AI 适配的准备，模型可以轻松地理解与使用这些数据。”“组织应该优先建立完善的数据质量管控机制、主数据管理体系，同时明确数据所有权，以此保障结构化数据的可靠性、互通性，并且与特定的 AI 应用场景相契合。”

专家强调，企业需要用同样的标准来管理非结构化数据，确保非结构化数据得到准确的标记、分类，并且补充足够的元数据，让 AI 系统可以高效地理解与检索这些数据。“你需要把非结构化数据当作核心的数据资产来看待，” 雷吉说，“很多极具价值的 AI 应用场景，都依托于非结构化数据，比如客户服务的音频通话、消息记录与文档，但对很多组织来说，非结构化数据的价值还没有得到充分挖掘。”雷吉建议将非结构化数据存储在可搜索的向量数据库中。

7、引入外部数据源与合成数据

赖特说：“当企业现有的数据存在不完整、有偏见、数据量不足，或是与目标 AI 用例不匹配的问题时，完全可以考虑引入外部数据或是合成数据，” 他指出，“当真实数据涉及敏感信息、收集成本过高，或是受到隐私、监管、运营等方面的限制时，合成数据的优势就会格外明显。”

分阶段搭建高成熟度的数据基础Salesforce 企业 IT 战略高级副总裁希巴尼・阿胡贾表示，不必等到数据状态完美再启动行动。“有些组织认为必须把所有数据都梳理到位才能开始推进，但同时他们也面临着启动相关工作的压力，” 她说。和大多数企业项目的成熟路径一样，CIO 及其管理团队可以 —— 也应该 —— 采取渐进式的方法，来搭建 AI 时代的数据项目。阿胡贾建议，将数据项目与业务成果绑定，先搭建支撑某一个 AI 驱动成果的数据战略与架构，验证完善之后，再推进下一个目标。“这是一种逆向思维：从想要达成的结果倒推行动方案，” 阿胡贾说。“先把相关的内容落地应用，确保有完善的管控机制，观察运行效果，调整优化到可以规模化复制的状态，再推进下一步的工作。”

8、搭建跨职能的数据团队

赖特说：“数据的管理需要一套跨职能的生态系统来支撑，涉及 IT、数据治理、安全部门，以及实际使用数据来驱动决策的业务单元。”“人工智能时代的数据战略，在这些团队共同参与管理时能发挥出最佳效果：IT 团队负责基础设施的支撑，治理团队保障数据的可信度与质量，业务团队则明确数据的应用场景与价值。”

由CXOUNION-CXO联盟（cxounion.cn）转载而成，来源于数字化转型网；编辑/翻译：CXOUNIONCXO联盟小O。

如需加入CXO UNION（CXO联盟）高管社群，请联系社群小伙伴哦~

免责声明: 本网站(http://www.cxounion.cn/)内容主要来自原创、合作媒体供稿和第三方投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。