阿米特·沙尔马，CData 首席执行官和创始人 – 采访系列

阿米特·沙尔马，CData Software 首席执行官和创始人，是一位科技高管，他曾指导 CData 从早期创业阶段发展成为数据连接和集成的全球领导者。作为一名软件工程师，他曾在 Infosys 和 Elixar 任职，后来又在 /n Software 任职技术架构师，最后在 CData 任职首席技术官。他在企业数据访问和基础设施方面积累了深厚的专业知识。自 2014 年成为首席执行官以来，他领导了 CData 的使命，即简化组织在系统之间连接、集成和利用数据的方式，帮助公司成为现代数据移动的基础层。

CData Software 是数据访问和连接解决方案的领先提供商。其自助式数据产品和连接平台为数百个广泛使用的本地和云应用程序提供了对实时数据的通用访问。全球数百万用户依赖 CData 来支持高级分析，加速云采用，并构建更连接、更数据驱动的组织。CData 的设计使其可被任何用户使用，任何应用程序都可以访问，并且可以扩展到所有规模的企业。CData 正在重新定义企业如何访问和使用数据。

您在印度的 Infosys 开始了您的职业生涯，后来转到美国企业软件。您从那段时间中学到的早期经验如何影响您今天的领导方式？

我在 Infosys 的时间让我早早接触到了大规模企业技术的需求——复杂性、可靠性和大型组织如何解决技术问题。这让我对结构和企业级质量产生了深深的尊重。但是，当我转到美国的一家创业公司时，我发现自己在速度、敏捷性和直接影响力方面表现出色。今天，这种双重背景指导了我如何领导 CData Software：我坚持企业级标准和健壮性，同时培养一种精简、快速移动的文化，重视简单、现实世界的可用性和快速执行。

在担任 CData 首席执行官十多年后，您认为公司从早期发展到全球企业的过程中，最重要的思维方式或方法的转变是什么？

对我来说，最大的转变是从构建技术的思维方式转变为构建组织的思维方式。在早期，我的重点几乎完全集中在产品上；确保它优雅、可靠、解决了真正的问题。随着 CData 的发展，我必须学会伟大的软件并不足够；您需要伟大的员工、强大的领导者和能够扩展而不会减慢速度的流程。这意味着我需要更早地投资于招聘、赋予团队权力和在销售、支持和运营方面建立可重复的系统，同时保护我们的工程文化。思维方式的转变是，我的工作不仅仅是制作伟大的技术，还要创造一个环境，让伟大的技术可以由一个日益增长的全球团队一致性地构建。

CData 长期以来一直专注于“简化对任何数据、任何地方的访问”。随着行业向 AI 本地应用迁移，这个使命如何演变？

从开始，CData 的使命就是使用熟悉的标准化接口使数据普遍可访问，因为我们相信创新最大的瓶颈不是存储或计算，而是访问。这个核心想法没有改变，但上下文已经改变。随着组织从分析转向云计算，现在转向 AI，分散、不一致的数据访问的成本只会增加。我们所做的工作已经演变；不再只是连接应用程序和数据，而是确保数据是可信的、实时的和可在日益复杂和分布式的环境中使用。AI 时代，仅仅访问是不够的。数据必须默认为 AI 准备就绪。这意味着使数据能够具有一致的语义、高速连接、治理感知的访问和实时集成，跨结构化和 SaaS 数据源，使模型和代理能够使用新鲜、可靠的信息，而不是脆弱的点对点集成或过时的副本。

随着生成式 AI 的加速，您认为“AI 准备就绪的数据”真正意味着什么，以及组织在哪里最常常误解这个想法？

对我来说，“AI 准备就绪的数据”意味着数据是可访问的、可靠的、最新的，并且可以被人类和机器同时理解，没有任何自定义的管道。它不仅仅是将数据移到一个湖泊或仓库中。它是关于确保系统、模型和代理可以通过标准化的、治理的接口一致地访问正确的数据。AI 准备就绪取决于数据是否可以被发现、查询、信任和实时集成，而不是数据存储在哪里。没有这种基础，即使是最先进的模型也会在不完整或过时的信息上运行。

我看到组织误解这个概念的地方是，认为集中化自动等同于准备就绪。团队经常认为，一旦数据被整合到一个单一的平台中，他们就已经“AI 准备就绪”，但实际上他们只是创建了一个新的孤岛。其他人过度投资于工具，而没有解决数据质量、语义和连接性等问题，这些问题是现实世界中 AI 系统的关键。AI 不会因为模型而失败；它会因为混乱、不可访问或过时的数据而失败。那些把数据准备视为运营纪律而不是一次性迁移项目的组织将会获胜。

您的新研究《2026 年 AI 数据连接状态》显示，只有 6% 的 AI 领导者认为他们的数据基础设施完全准备好用于 AI。您认为准备度差距如此之大是什么原因，以及这对行业当前轨迹有什么启示？

差距如此之大，因为大多数组织在投资于收集和存储数据之前，很少投资于使数据可用于 AI。过去十年中，公司建立了湖泊、仓库和管道，但很少建立一个连贯的访问层，以确保数据在系统之间是一致的、实时的和可用的。因此，领导者发现，当他们开始将 AI 部署到实际工作流程中时，他们的基础设施无法支持 AI 所需的速度、规模或可靠性。6% 的数字并不反映缺乏雄心壮志，而是反映了现实：AI 暴露了以前存在但不那么重要的弱点。我们处于 AI 采用曲线的早期阶段，而不是晚期。组织正在激进地尝试应用层，但现在他们意识到成功取决于现代化的数据基础设施。我们正在进入一个纠正阶段，重点从闪亮的试点转移到运营准备、标准化访问、治理感知的连接和实时集成。获胜者将不是那些建立最多试点的公司，而是那些能够快速现代化数据基础设施以支持大规模生产的公司。

调查结果还显示，71% 的 AI 团队花费超过四分之一的时间进行数据管道工作。您认为这项工作中哪部分是战略性的，而不是仅仅是技术债务？

某些“数据管道”工作绝对是战略性的，当它是关于创建通过标准接口实现数据的可持续访问，并从一开始就设计可扩展性和治理时。投资于一致的连接、共享语义和可靠的集成模式是基础工作，它将在后续的每个应用程序和模型中带来回报。问题在于，大多数团队并没有做这种管道工作。他们正在重建一次性的管道，编写脆弱的连接器，并修补仅能解决一次问题的集成。这种做法是伪装成进步的技术债务。

战略性的工作是任何能够减少未来的摩擦的工作：消除自定义代码以支持标准，构建可重用的数据服务，并以可扩展的方式连接系统，适用于团队和用例。 当管道变得不可见和可重复时，它停止成为对 AI 团队的税收，开始成为一个促进因素。真正的目标不是减少花在数据上的时间，而是停止反复解决相同的数据问题。

报告中一个引人注目的数据点是，46% 的企业现在需要对单个 AI 用例进行六个或更多数据源的实时访问。您是否在客户中看到这种情况，以及这种级别的连接性为什么如此困难？

是的，这与我们看到的客户情况密切吻合。现代 AI 用例，无论是预测分析、推荐引擎还是自动化工作流，很少依赖于单个系统。企业通常需要组合 ERP、CRM、SaaS 应用程序、流媒体平台和遗留数据库来生成有意义的见解。挑战不仅在于数据源的数量，还在于数据源的多样性、不同协议、格式和更新频率，以及对实时数据的期望，以便 AI 模型可以使用这些数据。

使这种级别的连接性如此困难的原因是，传统的集成方法并不是为 AI 所需的速度、规模和可靠性而设计的。一次性的连接器和批处理管道根本无法跟上。真正的实时访问需要标准化的管理接口、系统间的一致语义以及监控以确保数据质量和可用性。没有这种基础，团队会花更多时间解决管道问题，而不是构建 AI 解决方案，这会减慢创新速度并引入风险。成功的组织是那些将连接性视为战略能力而不是技术琐事的组织。

报告强调了语义一致性、上下文和连接性作为成熟的 AI 数据基础设施的定义特征。组织应该如何考虑这些优先事项的顺序？

考虑顺序时，组织应该首先关注连接性。如果数据在系统之间不可靠地访问，其他一切都变得无关紧要。AI 模型无法从它们无法访问的数据中学习。建立标准化的、受管理的连接，跨所有关键数据源，奠定了随后一切的基础。没有这种层，团队最终会构建脆弱的一次性管道，这些管道会在后续工作中造成更多问题。

一旦连接性就绪，语义一致性成为下一个优先事项。数据需要一个共同的语言，以便来自多个来源的信息可以被正确解释和有意义地组合。上下文自然遵循：了解不仅仅是值，还有其在业务流程、时间和关系中的含义，确保 AI 模型可以做出准确、可行的预测。将这些元素视为一个结构化的序列——首先是连接性，其次是语义一致性，最后是上下文——允许组织构建一个 AI 准备就绪的数据基础设施，该基础设施可以扩展并支持可靠的、生产就绪的智能。

AI 本地软件提供商现在需要大约三倍的外部集成。这种差距扩大的驱动因素是什么，它揭示了软件的发展方向是什么？

差距扩大的驱动因素是 AI 本身的性质：AI 本地应用程序在多个来源中以实时数据为生。与传统软件不同，传统软件通常在单个系统或套件中运行，AI 模型需要摄取、关联和分析来自 ERP 系统、CRM 平台、SaaS 应用程序、流媒体源等的信息。每个集成对于提供 AI 充足的上下文和覆盖范围以生成准确的预测、推荐或自动化操作都是至关重要的。

这种趋势揭示了软件正在从孤立的应用程序转向相互连接的智能生态系统。获胜者不会是那些单独运行良好的产品，而是能够无缝访问和集成数据的平台，无论数据位于哪里。这意味着连接性、标准化和实时集成不再是很好的功能，而是 AI 本地软件提供真正价值的基础能力。

展望未来五年，您认为 AI 成功的最重大瓶颈将是什么——连接性、实时管道、语义建模、治理还是其他？

展望未来，我相信 治理和安全 将成为 AI 成功的最重大瓶颈。虽然连接性和实时管道仍然是基础，但组织正在迅速意识到，不受监管的 AI 是不可持续的，并且可能带来危险。随着 AI 从实验转向生产，并开始影响关键的商业决策，偏见、合规性违规、数据泄露和运营错误的风险会指数级增加。

挑战不仅仅是移动数据的问题，而是移动 正确 的数据，带有 正确 的控制，到 正确 的系统，以可追溯和可审计的方式。组织如果不能从一开始就内置强大的治理框架和安全协议，就会面临日益增长的监管压力、声誉风险和最终无法信任或扩展的 AI 系统。我们已经看到早期迹象：由于无法确保数据血统、访问控制或遵守不断演变的法规，企业犹豫是否要部署 AI。

五年后最成功的组织将是那些将治理和安全视为 AI 的核心驱动力，而不是事后补救的组织。是的，您需要连接性和实时管道来获取数据流，但没有治理和安全，数据就会成为负担而不是资产。AI 的未来不仅仅是关于速度或规模；它是关于信任、问责和在数据栈的每一层的负责任的部署。感谢这次精彩的采访，希望读者能够通过访问 CData Software 来了解更多信息。