数据信任对AI成功的影响：MIND报告揭示大多数AI项目为何建立在不稳定的基础之上

“数据信任对AI成功的影响”报告由MIND与CISO ExecNet合作编制，传递了一个严峻的信息：AI的采用速度远远超过了组织保护和治理其所依赖的数据的能力。结果是，雄心和执行之间的差距越来越大，大多数企业正在大规模部署AI，却缺乏让AI可靠、安全或成功所必需的信任基础。

AI采用速度超过数据信任

AI不再是实验性的。它已经嵌入到企业运营中。约90%的组织正在运行企业级的生成式AI工具，但底层的数据基础设施并没有跟上。

这种不平衡创造了一个危险的现实。虽然AI系统正在被快速集成到工作流、决策和面向客户的系统中，但这些系统所依赖的数据仍然没有得到很好的分类、治理和保护。近三分之二的CISO报告称，他们对在AI环境中落实适当的数据安全控制措施的能力信心不足。

这种脱节并不是理论上的。它已经产生了可衡量的结果。只有大约五分之一的AI项目达到了预期的KPI，表明失败并不是一个边缘案例，而是一个与弱数据基础直接相关的系统性问题。

核心问题：速度和安全之间的结构性差距

报告的核心是一个简单但有力的论点：数据信任是决定AI是否成功或失败的关键因素。

数据信任是指组织相信其系统（包括AI）会安全且恰当地使用数据的程度。当这种信任很高时，AI可以快速扩展并产生有意义的结果。当它很低时，AI变得不可预测、有风险且往往无效。

大多数组织的行动速度超过了他们的治理模型的设计能力。安全框架是为人类用户设计的，人类用户以人类的速度操作，而AI系统可以瞬间访问数据、广泛访问数据且缺乏上下文判断。

这就产生了一个结构性差距。政策可能存在，但执行机制无法跟上AI的速度和规模。组织的难题不在于制定规则，而在于实时落实这些规则。

为什么数据基础无法支撑AI

一个最有启发性的见解是，AI并没有引入全新的风险。相反，它暴露了多年积累的数据问题，这些问题以前被隐藏起来。

多年来，数据治理不善的问题尚可应付，因为没有系统可以轻松地访问所有内容。AI改变了这一切。AI系统连接到数据源后，可以瞬间显示所有可用的信息，包括未分类、过度共享或敏感数据。

这消除了许多组织在不知不觉中赖以维系的条件：数据很难找到。现在，一切都可见且可大规模操作。

后果很严重。组织通常不知道哪些数据对AI工具可访问，哪些数据他们的代理正在使用，甚至哪些AI系统正在他们的环境中运行。这些盲点创造了风险不仅存在，而且正在积累的条件。

AI的行为与人类不同，这改变了一切

当前企业安全模型的一个主要缺陷是，它假设人类行为。人类运用判断力，以有限的速度操作，可以接受培训或审计。AI代理不具备这些特点。

AI系统继承权限并在没有犹豫的情况下执行它们。它们不会根据上下文或意图过滤信息。如果它们可以访问数据，它们将处理数据，无论这种访问是否合适。

这种人类中心的安全框架与机器速度执行之间的不匹配，产生了一个基本的治理问题。组织正在将为人类设计的规则应用于行为完全不同的系统。

结果是过度暴露。AI工具可以无意中显示敏感信息、超出预期的边界或根据不可靠或不可追踪的数据源生成输出。

大多数AI项目都失败了，很多组织甚至不知道

许多AI失败案例仍然不可见。组织通常使用基于活动的指标来衡量成功，例如使用情况、处理的查询或生成的输出。

这些指标产生了虚假的进步感。一个系统可能看起来非常活跃，但实际上产生的是不准确的结果、暴露敏感数据或未能提供商业价值。

这产生了一个衡量差距。没有明确定义的基于结果的KPI，组织无法区分成功和失败的AI项目。失败变得正常、被误诊或被忽视。

这些失败的根本原因很少是AI模型本身。相反，它是数据状况。糟糕的分类、不受监管的访问和不一致的数据质量会产生不稳定的基础，任何模型都无法弥补。

AI是安全成熟度的压力测试

AI作为现有弱点的放大器。具有强大数据治理、身份管理和执行能力的组织能够有效地扩展AI。那些没有这些基础的组织面临着日益增长的风险。

目前，只有很小一部分组织具备安全地大规模部署AI所需的安全成熟度。对于大多数组织，AI引入了严重后果的可能性，范围从项目失败到监管风险，甚至在极端情况下，可能威胁到整个业务。

AI本身并不是危险的。它只是加速了组织数据环境中已经存在的条件的影响。

竞争差距已经形成

虽然讨论的重点在于风险，但报告还强调了一个重要的机会。实现高水平数据信任的组织正在获得明显的竞争优势。

拥有干净、分类和良好治理的数据，AI项目可以更快地推进、更自信地扩展并产生更可靠的结果。安全性成为一种促进因素，而不是瓶颈。

这些组织不仅降低了风险，还建立了允许持续实验、更快迭代和持续竞争动力的基础设施。

与此同时，延迟投资于数据信任的组织面临着日益增长的劣势。每个新的AI项目都增加了复杂性、提高了风险，并使得区分价值和风险变得更加困难。两组组织之间的差距已经扩大，而且很可能随着AI的采用的持续推进而加速扩大。

组织接下来需要做什么

前进的道路集中在基础改进上，而不是增量修复。

第一步是可见性。组织必须了解他们拥有什么数据、数据存储在哪里以及如何访问它。没有这一点，治理和执行都是不可能的。

第二步是将身份框架扩展到包括非人类行为者。 AI代理必须被视为权限范围受到明确限定的身份，而不是继承广泛访问权限的工具。

第三步是在部署之前定义成功。AI项目应该在开始时就有明确的业务结果、数据质量要求和可衡量的KPI。

最后，组织必须建立能够以AI速度运行的执行机制。仅有政策是不够的。需要实时控制、监控和审计能力来有效地管理数据流。

归根结底，关键在于基础

“数据信任对AI成功的影响”报告由MIND编制，提出一个有力的论点：AI的未来不是由模型、算法或计算能力决定的，而是由一个远不那么显眼、却重要得多的因素决定的：底层数据的质量、治理和可信度。

认识到这一点并投资于数据信任的组织不仅会降低风险，还会解锁AI作为竞争优势的全部潜力。那些不这样做的组织将继续经历停滞的项目、隐藏的失败和随着AI超出他们控制能力而扩大的风险。