如今，大模子也曾从拼参数、拼算力的"武备竞赛"，逐步干与了拼落地、拼果的"水区"。个越来越明晰的共鸣是：AI 利用的天花板，不在模子自身，而在数据。
如果说 2023 年到 2025 年，企业见谅的是 AI 能作念什么，那么到了 2026 年，问题也曾酿成了 AI 凭什么能作念，AI 凭什么能给出准确的回应？凭什么能作念出果然的决议？谜底只好个：数据。
但现实是，大多数企业的数据，还远莫得作念好准备。
数据拖了 AI 的后腿
Gartner 曾在份呈文中指出，到 2025 年，80 的数据与分析野心将法大限制创造业务价值，其中数据孤岛和数据质料问题是中枢阻截。固然这个掂量几许有些悲不雅，但企业在试验落地 AI 神志时的感受如实与之吻——模子熟谙出来了，理框架搭好了，可接上企业里面的真实数据，问题就全知晓了。
Denodo 内行销售总裁兼大中华区总裁何巍向笔者分享了个颇具代表的案例：车企在进 AI 问数神志时，固然所非凡据都放在头部云厂商提供的数据仓库里（也等于数据源是单的），但查询效果却不成控。同个问题问两次，谜底人大不同。
问题出在这个单的数据源自身，其就像个堆满杂物的巨大仓库，不同部门、不同期期产生的数据，固然有统的物理存放位置，但界说式霄壤之别。
这并非个案。企业里面的订单可能在三套系统里有三种不同的界说：销售签了同叫订单，财务收了钱才叫订单济源钢绞线厂 ，售后运行劳动了才叫订单。当 AI 被条目计较订单搬动率时，如果莫得东谈主提前告诉它该用哪个系统的订单作念分子，它只可随即持取，效果当然是不成信的，且每次计较出来的效果也会不样。
空匮的是，企业每天产生的数据量正在以指数增长。IDC 的掂量自大，到 2026 年内行数据量将过 220ZB，其中企业数据占比陆续攀升。传统通过 ETL（抽取、治愈、加载）将数据物理复制到个迫临的数据仓库或数据湖中的数据集成式，正在变得越来越不菲和低。大型制造企业的 IT 讲求东谈主曾算过笔账：每复制份数据到数据中台，就意味着存储资本、计较资本、运维资本的叠加，而数据中台的限制还在不休扩大。
个比，传统的数据集成式就像线下会议，所有东谈主须坐在同个会议室里。但当企业遍布内行、数据分散在几十个以至上百个系统中时，这种"物理迫临"的资本和难度也曾到不现实的地步。
而 AI 对数据的及时条目，让这个问题加锐。传统的数据中台依期搬运数据，可能是 T+1，以至慢。但 AI 问数条目的是"即问即答"，即用户输入个问题，系统须坐窝再行数据中给出谜底。用昨天的数据回应今天的业务问题，在 AI 期间也曾法收受。
不搬也能用上全公司的数据
这种布景下，企业需要种科学的数据架构式，来支吾 AI 期间对数据及时、准确、安全和可讲授的全新条目。
此时，数据造谣化工夫成为企业数据照看架构中不成或缺的中间件。与传统的 ETL 不同，数据造谣化并不物理复制数据，而是通过软件在分散的数据源之上开发个"逻辑层"。个比：传统作念法是把所有食材搬到个中央厨房再运行作念菜；数据造谣化则是保留食材在各自仓库，只给厨师张"舆图"，告诉他每种食材在哪、怎样取用。
这个"舆图"等于诸如 Denodo 这类企业所构建的 AI 数据层。它不存储数据自身，只存储数据的"映射相干"，也等于份对于"数据在哪、什么意旨意思意思、谁能用"的目次。
这样作念有什么公正呢？先，它不需要转移数据，而是攀附所非凡据源，避了数据复制带来的资本与蔓延。把柄 Denodo 公开的案例数据，使用了其数据造谣化平台的企业济源钢绞线厂 ，数据准备时候平均减少 67，比拟传统 ETL 式勤俭 65 的时候。
比如，某企业原先处理天的数据需要 8 小时，采用数据造谣化后，处理整月的数据只需不到 30 分钟。这种率晋升在 AI 期间尤其重要，AI 利用需要频频调用、组不同系统的数据，如果每次都要等 ETL 跑完，用户体验和业务反映速率都会大扣头。
其次，在数据造谣化架构中不错通过"语义层"，惩办前文提到的各部门对"订单"这个词判辨不统的问题。企业不错在逻辑层预界说套统的业务语义，比如明确告诉系统财务订单和销售订单的辞别，以及在不同场景下该用哪个。这样，当 AI 继承到用户的当然言语发问时，先是语义层将问题翻译成数据能贯穿的言语，再由造谣化层去各个数据源找到对应的数据。
后，锚索这套架构惩办了 AI 期间安全面为重要的权限和规的问题。在个物理迫临式的数据架构中，权限罢休频频"刀切"，要么能看沿途数据，要么什么都看不到。而数据造谣化层不错作念到行、列的精熟权限罢休。浩大的是，对于跨国谋略的企业，数据跨境传输是巨大的规风险。数据造谣化的逻辑攀附式，使得原始数据不错留在原地、不出境，只通过查询接口被调用。这对于正在大限制出海的企业来说，是个具眩惑力的架构选拔。
事实上，数据造谣化并非全新观点，而之是以连年来才赢得频频关注，根柢原因在于企业数据环境的复杂度也曾到了传统法法承受的地步。企业的数据可能分散在腹地机房、多个公有云、SaaS 系统、IoT 设备等数十个开始中。要沿途物理迫临，不仅资本昂，而况长久跟不上业务变化的速率。
Denodo 基于数据造谣化工夫构建的" AI 数据层"，无意相接了企业当下的中枢诉求。依托这套架构，企业需大限制转移原始数据，就能通全域数据链路，让 AI 果然用上全域、及时、口径致的企业数据。
数据架构的重构
2026 岁首，Gartner 在悉尼举行的数据与分析峰会上发出告戒：59 的 IT 者暗示在尚未作念好准备的情况下，便被迫采用生成式 AI 用具；61 的受访者感受到来自层的压力。在这种被迫上马的布景下，夯实数据基础变得比以往任何时候都加遑急。
如果说往时两年企业参议的是" AI 能帮我看数据吗？"，那么干与 2026 年，问题也曾酿成了" AI 能替我用数据吗？"在 AI+BI 也曾成为种业务款式的时候，AI 对数据的调用不再是"用户问次、系统查次"的任意款式，而可能是个智能体在完成个复杂任务时，自主发起几十次以至上百次的数据查询，这对数据架构提倡了全新的条目。
换句话说，AI 下阶段的竞争，不再仅仅模子之间的竞争，而是企业数据基础智力之间的竞争。谁能在这个问题上最初给出令商场战胜的谜底，谁就有可能界说下代企业 AI 的基础智力表率。
在这个过程中，数据的"可发现"变得异常浩大了。往时，数据主如果给数据分析师、业务东谈主员等，通过 BI 用具查询、使用数据。但在智能体期间，数据的滥用者很大部分酿成了机器东谈主。东谈主不错通过教会判断这个数据简略在哪个系统里，但机器东谈主莫得这种直观。它需要个明晰、表率化的数据目次，告诉它每个数据集在那里、什么含义、怎样侦探。此时，据何巍先容，Denodo 出的 AI SDK，其中枢价值之等于为开发者提供表率化的接口（如 MCP 公约），让 AI 智能体能够像调用 API 样调用企业数据。
此外，AI 期间，语义层也已成为企业数据照看的选项。何巍向笔者坦言，如果三个月前问他"模子是否糟践贤慧到我方去贯穿数据"，他的谜底可能还不同。但在近劳动了数百企业之后，他得出的论断是：模子再强，也惩办不了语义不统的问题。因为语义问题本色上是业务问题，而不是工夫问题，不是靠喂多数据给模子就能惩办的。
Denodo 搭建的 AI 数据层，动作承载统业务语义、统筹规数据财富的中枢要道，能够补都企业数据理的重要短板。在本年 7 月上线的新版块 Denodo Platform 9.5，是大幅强化了平台里面语义与高下文智能智力，同期简化企业内各团队搭建、照看、分享果然数据产物的经过，让智能体、BI 分析用具、自助数据利用均可获取统、及时、具备完好意思业务释义的数据底座，从根源惩办 AI 自主取数时口径交集、信息缺失的艰巨。
在这套全新的数据照看体系下，企业不需要翻原先的数据中台。对此，何巍暗示，AI 数据层不错动作数据中台的补充而非替代，将中台也动作个数据源攀附起来，避重叠搬运。
今天的寰宇复杂到不会用个工夫惩办所有问题。数据中台适处理需要多数清洗、加工、贴标签的细目场景；数据造谣化适当对天真、多变、及时的查询需求。两者是互补相干，而非替代相干。
AI 竞争的下半场，赢输手在于数据。企业若念念冲破 AI 落地的瓶颈，重要在于构建坚实的数据基础智力。通过数据造谣化等工夫造统的 AI 数据层，通数据孤岛、统业务语义，才能果然修好通往 AI 的"后公里"，让模子证实出应有的价值。
（文｜Leo 张 ToB 杂谈，作家｜张申宇，裁剪丨杨林）手机号码：13302071130相关词条:设备保温 塑料挤出机厂家 预应力钢绞线 玻璃丝棉 万能胶厂家
1.本网站以及本平台支持关于《新广告法》实施的“极限词“用语属“违词”的规定，并在网站的各个栏目、产品主图、详情页等描述中规避“违禁词”。
2.本店欢迎所有用户指出有“违禁词”“广告法”出现的地方，并积极配合修改。
3.凡用户访问本网页，均表示默认详情页的描述，不支持任何以极限化“违禁词”“广告法”为借口理由投诉违反《新广告法》，以此来变相勒索商家索要赔偿的违法恶意行为。
