AI 采纳的最后一公里：为何企业数据会成为即便是最强模型的瓶颈
大型语言模型已经超越了参数规模和算力的初期军备竞赛。如今，行业已进入深水区，衡量成功的标准转向了现实世界的采纳率和切实的表现。一个清晰的共识逐渐形成：AI 应用的天花板并非由模型本身的复杂度决定，而是由其下方数据的就绪度所限定。
在 2023 到 2025 年间，企业集中于理解 AI 能做什么。到了 2026 年，公司层面的命令已发生根本性转变。高管们开始问：AI 的输出有什么依据？我们如何保证其答案准确可靠、决策值得信赖？答案始于数据，也终于数据。
然而，残酷的现实是，绝大多数企业数据远未准备就绪。
数据如何拖累 AI
高德纳此前预测，到 2025 年，80% 的数据与分析项目将无法在规模上交付业务价值，并将数据孤岛和较差的数据质量识别为主要瓶颈。虽然这一预测偏向悲观，但它反映了当前企业在部署 AI 项目时的普遍挫败感。模型已经训练完成，推理框架也已搭建，但一旦接入企业的实时内部数据，系统性缺陷便暴露无遗。
Denodo 的全球销售副总裁兼大中华区总裁 He Wei 指出了一个典型案例，涉及一家大型汽车厂商。该公司尝试启动一个基于 AI 的会话分析项目。尽管其数据整齐地存放在一家顶级云厂商提供的单一数据仓库中，但查询结果却极为不稳定。同一条提示重复提问两次，得到了完全相互矛盾的答案。
问题源于那个单一数据源的本质。它更像是一个庞大但无序的仓库。来自不同部门和不同时期的数据虽然位于同一物理位置，但命名规范与定义却千差万别。
这并非孤例。在单个企业内部，一笔订单在三个独立系统中可能有三种完全冲突的定义：销售认为合同签署即为订单，财务只有在收到款项后才记账为订单，客户服务则在客户入职开始时定义为订单。当 AI 被要求计算订单转化率但未明确使用哪个系统作为分子时，它会随机提取数据。结果本质上不可靠，并且每次运行都会波动。
加剧这一问题的是企业数据的指数级增长。IDC 预计到 2026 年全球数据量将超过 220 泽字节，企业数据所占份额不断扩大。传统的数据集成方法——依赖 ETL（抽取、转换、加载）管道将数据物理复制到集中式数据仓库或数据湖——正变得难以为继，既昂贵又低效。一家大型制造企业的 IT 负责人最近计算了真实成本：每次将数据复制到集中平台时，存储、计算和运维开销都会累加，数据基础设施规模不断膨胀的同时成本也随之攀升。
比喻而言，传统数据集成更像是一场线下面对面的会议，所有人必须坐在同一个物理房间里。但对于数据分散在数十或数百个孤立遗留系统的全球企业来说，强制这种程度的物理整合在经济和后勤上都已不可行。
此外，AI 需要实时数据访问，使得这种摩擦更加尖锐。传统数据平台通常按计划迁移数据——常见的是 T+1 或更慢的批处理周期。相反，AI 驱动的查询要求即时、实时的响应。在当下的商业环境中，用昨天的数据去回答今天的运营问题是根本不可接受的。
在不迁移的情况下查询全球企业数据
为应对这些需求，企业需要一种面向实时准确性、安全性和可解释性的现代化数据架构，适配 AI 时代的要求。
数据虚拟化已成为现代数据架构中不可或缺的中间层。不同于传统的 ETL 流程，数据虚拟化避免了对数据的物理复制。它在各异的数据源之上引入了一层由软件驱动的逻辑层。打个比方：与其把所有原料搬到中央厨房再做菜，不如让原料各自留在自己的储藏室，然后给厨师一张动态地图，精确标注每样物品在哪里以及如何取用。
这张地图构成了像 Denodo 这样的公司所称的“AI 数据层”。它并不存储原始数据；相反，它维护元数据关系——一本主目录，记录数据所在位置、含义以及谁有权限访问。
其运营优势立竿见影。通过连接而非迁移数据源，企业消除了复制固有的延迟和存储成本。根据 Denodo 发布的案例数据，使用其数据虚拟化平台的组织将数据准备时间平均缩短了 67%，相比传统 ETL 框架节省了 65% 的时间。
举例来说，一个以前需要八小时处理一天数据的企业，可以利用数据虚拟化在不到三十分钟内处理整整一个月的数据。这种速度对 AI 应用至关重要，AI 经常需要跨断开的系统调用并综合数据。强迫用户等待 ETL 管道运行完毕会极大地破坏用户体验并削弱企业响应能力。
此外，虚拟化架构引入了一个“语义层”，用于解决诸如“订单”一类术语的语义差异。企业可以在这个逻辑层内预定义统一的业务词汇，明确指示系统如何区分财务订单与销售订单，以及在何种情境下使用各自定义。因此，当 AI 接收到自然语言查询时，语义层会先把提示翻译成数据可解释的逻辑，然后由虚拟化层查询相应的数据源。
最后，这种架构还应对了与现代 AI 部署相关的严格安全、访问控制和合规要求。在物理集中式数据孤岛中，访问控制往往是二元的：用户要么能看到全部，要么什么都看不到。相比之下，数据虚拟化层可以执行细粒度的行级和列级访问控制。
更重要的是，它降低了跨境数据传输带来的合规风险。由于数据虚拟化依赖逻辑连接，原始数据可以安全地保留在其所属司法管辖区内，仅通过查询接口被访问。对于积极扩展全球版图的中国企业而言，这是一种极具吸引力的架构策略。
数据虚拟化本身并非新概念。但它最近受到广泛关注，是因为现代企业数据环境的复杂性已使传统方法过时。如今，企业的数据足迹覆盖本地服务器、多家公有云、SaaS 生态和 IoT 终端。试图将这些数据流物理集中既花钱又无法跟上业务的快速变化。
基于数据虚拟化构建的 AI 数据层直接解决了这些企业痛点。它允许组织在不大规模迁移原始数据的情况下统一全球数据管道，确保 AI 模型在全面、实时且标准化的企业信息上运行。
数据架构的重塑
在 2026 年初于悉尼举行的高德纳数据与分析峰会上，分析师发出严厉警告：59% 的 IT 领导表示他们承受着在组织尚未从根本上准备好之前就采用生成式 AI 工具的压力，61% 感受到来自高层的强烈推动。在这场被迫的采纳浪潮中，巩固底层数据基础已成为机构层面的紧急任务。
在过去两年中，企业讨论的焦点是 AI 是否能帮助分析数据。到了 2026 年，问题演变为：AI 能否自主利用数据？随着 AI 与商业智能（BI）的整合成为常态，数据检索不再是简单的一对一查询循环。相反，一个执行复杂工作流的自治 AI 代理可能会独立发起数十甚至数百次离散的数据查询，这对数据架构提出了前所未有的要求。
AI 竞争的下一战场将不是模型架构，而是企业数据基础设施。那些能够向市场交付最具架构合理性解决方案的企业，将为下一代企业级 AI 定义基础设施标准。
在这一范式下，数据的“可发现性”至关重要。历史上，数据由人类数据分析师和通过 BI 工具查询数据库的业务用户来消费。在自治 AI 代理的时代，数据的主要消费者变成了机器。人类操作者可以依靠直觉和机构记忆去猜测某个数据点在哪，而 AI 代理没有这种奢侈。它需要一个机器可读的、标准化的数据目录，精确标注每个数据集的位置、含义以及如何查询。为此，Denodo 推出了一个 AI SDK，提供诸如 Model Context Protocol (MCP) 之类的标准化接口，使 AI 代理能够像调用 API 一样无缝地与企业数据交互。
与此同时，语义层已从可选工具转变为企业数据治理的绝对前提。He Wei 指出，虽然几个月前他对模型是否已足够智能到可以自行推断数据结构的看法可能有所不同，但为数百家企业提供服务让他非常清楚：即便是最强大的模型也无法独自解决不匹配的业务定义。语义一致性本质上是一个运营性的业务挑战，而非单纯的技术问题；仅仅向模型注入更多训练数据并不能解决。
AI 数据层作为管理统一业务语义和合规数据资产的核心枢纽，填补了企业数据治理的关键空白。Denodo Platform 9.5 于 2026 年 7 月发布，大幅提升了这方面的能力，通过内嵌增强的内部语义与上下文智能，简化了跨职能企业团队构建、治理与共享可信数据产品的流程。这确保了自治代理、传统 BI 平台与自助式数据工具从相同的实时基础和业务定义中抽取数据——从源头消除冲突指标和数据盲点。
至关重要的是，实施这种现代数据管理框架并不要求企业拆除其遗留数据平台。He Wei 强调，AI 数据层旨在补充而非替代现有数据平台。它将遗留平台视为一个附加的连接数据源，从而避免重复的数据工程管道。
现代企业数据环境过于复杂，任何单一技术都不可能成为万能解。对于需要大量数据清洗、结构化精炼和深度索引的确定性场景，集中式数据仓库仍然是理想选择。而数据虚拟化则为敏捷、变化频繁和实时查询场景而设计。这两种技术处于共生互补的关系。
AI 竞赛的下半场将完全由数据战略决定。为了突破阻碍现实世界 AI 部署的当前瓶颈，企业必须构建弹性的数据显示基础设施。使用数据虚拟化来构建统一的 AI 数据层——弥合数据孤岛并标准化企业语义——是解决“最后一公里”问题、释放企业 AI 真正经济价值的决定性方法。
(Text | Leo Zhang ToB Chat, Author | Zhang Shenyu, Editor | Yang Lin)
更多独家洞察尽在 nextfin.ai.
