扩大 AI 应用规模，不应意味着每次都要重建数据基础

企业即将迎来 2027 年规划季，AI 投资再次成为高管层讨论的焦点。Akeneo 最近针对 IT 决策者开展的调查显示，93% 的受访者表示 AI 提高了工作效率，但也有 43% 的受访者表示，AI 还为他们的工作带来了新的职责。

这些发现凸显了推动 AI 项目落地所需的大量前期工作。尤其是数据准备，占据了其中相当大的一部分。在 Akeneo 调查的 IT 领导者中，36% 表示，他们所在的组织会把 AI 项目总工作量的一半以上用于数据准备。另有 53% 表示，数据准备占其 AI 项目工作量的 26% 至 50%。这类准备工作必不可少，但关键在于确保为一次 AI 部署完成的工作能够再次利用，为下一次部署提供支持。

AI 可能会消除业务某一环节的工作，同时也会给 IT 团队带来一系列不同的任务，让他们为每次新的部署准备数据并重建上下文。如今的关键在于让更多这类工作能够重复利用，使每次部署都能在上一次的基础上推进，而不是从头开始。

以人为核心的 AI

在所有 AI 试点和部署中，人始终发挥着核心作用。IT 团队贯穿新技术的整个生命周期，从了解业务需求、评估解决方案，到实施、培训、流程开发和持续保障安全。在此过程中，团队可能未能记录遇到的例外情况和不成文规则，包括同一术语在不同系统中定义各异的情形。这些背景知识往往成为个别团队成员掌握的组织内部知识，而不是整个组织都能可靠获取的信息。

这项工作可能会一直持续到掌握答案的人无法提供帮助为止。当员工调任、离开组织，或在问题出现时恰好无法联系到他们，相关背景信息就会随之消失。将这些知识以结构化、可通过数字方式访问的形式记录下来，就能让它们不再只掌握在某一个人手中。这样一来，各团队既能继续拥有自己的专业知识，也能确保组织内的其他人可以访问并重复利用这些知识，而不必每次部署新项目时都重新摸索。

优质数据不一定适用于 AI

人们很容易把这一切都归结为又一个数据质量问题，但 Akeneo 的研究表明，情况要复杂得多。92% 的 IT 领导者认为其 AI 系统使用的产品数据和运营数据质量良好或优秀。尽管绝大多数人会将 AI 项目总工作量的四分之一以上用于数据准备。

数据质量良好，并不意味着它已为 AI 做好准备；尤其是“良好”的标准，可能取决于数据的使用者或使用方式。模型和智能体需要的不只是准确的信息。它们还需要了解数据的来源、数据与其他信息的关联、应优先采用哪个来源，以及数据可以在什么条件下使用。这些规则很容易被忽视，因为它们往往隐含在经验丰富的团队日常工作方式中。

麦肯锡近期关于 AI 数据准备度的研究也指出了上下文的重要性。并非所有信息对模型或智能体都有价值。但如果信息具有价值，其上下文就必须能够传递。当信息脱离原始来源时，必须清楚保留其来源及其与周边数据的关系，才能避免信息失去原有含义。

这正是 AI 背后的架构开始变得与模型本身同样重要的地方。与传统软件不同，大语言模型（LLM）往往能够处理彼此割裂的数据和互不连通的系统，即使不同来源的信息采用了不同的结构或标签也是如此。它们可以识别此前可能未被明确界定的关联。更大的挑战在于数据根本不存在。当模型和智能体跨系统工作时，它们所需的信息和上下文必须首先存在，并且能够被访问。

普华永道 2026 年关于 AI 执行落差的研究发现，集成仍是技术投资未能达到预期的首要原因。将大量非结构化数据连接起来需要时间，项目往往因此在全面部署之前就已放缓。

为一个实施项目解决这些问题所需的工作，可以让下一个项目更容易推进。

让 AI 基础设施能够重复利用

对于一个 AI 项目而言，其中许多准备工作可以在幕后完成。IT 团队会解决数据不一致的问题，准备应用所需的信息，并将应用与其他系统集成，从而推动项目投入生产。

问题在于，如果这些工作只解决眼前的使用场景，就无法发挥更大作用。数据准备始终是 AI 部署的一部分，但其中许多工作应当延续到后续项目。如果团队发现同一字段或术语在两个系统中含义不同，消除歧义时就应形成一项定义，供未来的应用重复使用。如果团队确定了系统间出现分歧时应信任哪个数据来源，这一决定也应延续到未来的部署中。

这一原则同样适用于集成。与其为每个模型或智能体分别创建获取产品和信息的新路径，组织不如建立统一的方式，让 AI 系统能够查找和使用可信信息。

首次实施仍可能需要投入大量工作，因为团队需要梳理以往存在于人们经验中的定义、关系和例外情况。随着组织的基础设施日益纳入制度性知识，这些工作也能为后续所用。后续部署可以从中受益，而受益程度取决于不同部署的数据和应用场景之间有多少共通之处。

随着 AI 不再局限于生成答案，而是开始在企业系统中采取行动，这一点变得愈发重要。NIST 的 AI 智能体标准倡议凸显了智能体安全地与内部数据和外部系统交互的重要性。随着智能体承担更多职责，并与更多系统和模型交互，组织需要确保为每种应用场景设置适当的上下文和控制措施，而不必每次都彻底重来。

治理必须成为运行环境的一部分

可复用的基础设施也需要可复用的治理机制。EY 于 2026 年 9 月发布的《AI 风险与治理调查》发现，91% 的高级 AI 高管表示，其所在组织正在试点或部署智能体 AI；然而，在所在组织使用智能体的受访者中，有 49% 表示，现有治理框架尚未针对智能体 AI 的要求和风险进行专门更新。

随着 AI 在业务流程中承担更多职责，管理该流程的规则也必须成为 AI 运行环境的一部分。智能体或许能够独立访问某些信息，但流程中的其他环节可能需要人工审查或批准后才能继续。此类决策不能只留在政策文件中，也不能仅存在于人们对流程应如何运行的理解里。

治理决策需要超越内部审查，落实到 AI 运行所处的系统之中。指导系统运行的政策、权限和审批环节，应在部署过程中一并明确。如果这些控制措施没有嵌入系统，那么每次部署新的 AI 应用场景时，团队都将不得不重新解读政策和权限。

为 AI 的下一波发展做好准备

2027 年，随着企业开始投入日益增长的 AI 预算，IT 团队将负责管理不断扩大的模型、集成和系统阵容。更大的考验在于，组织能否构建足以支撑未来发展的基础设施。

如果团队仍在反复厘清相同的定义、重建相同的连接，并重新解读相同的规则，那么 AI 的扩展速度可能已经超过支撑它所需基础设施的发展速度。

这为思考 AI 就绪度提供了另一种视角。衡量进展，不应只看有多少模型或智能体投入生产，还应看每次实施是否让企业为下一次部署做好了更充分的准备。

AI 已经在加快单项任务的完成速度。下一波生产力提升，将来自让这些系统背后的工作更容易复用。随着 AI 持续更深入地融入业务流程，更多系统将需要依赖相同的数据基础。现在构建这一基础，将决定组织能否轻松运用下一代 AI。