解锁企业AI的最后一英里：联邦、数据级智能

企业AI的采用范围广泛，但执行效果不均衡。各个行业的组织都在尝试机器学习和生成模型，培训团队，并在有限的工作流中部署AI工具。然而，只有少数企业允许AI系统影响真正的运营决策。主要的限制不是模型性能，而是对数据的信任。

企业数据是分散的、敏感的，并且受到各种约束的管理。关键信号遍布分析平台、运营系统、受监管的环境、合作伙伴生态系统和实时流中。这些数据的大部分不能被自由复制或集中式管理，因为这会增加安全风险或违反合规要求。因此，许多AI项目仍然局限于试验、分析和辅助用例，对业务战略或决策的影响有限。

这种企业AI试验和影响之间的差距通常被描述为企业AI的最后一英里。它反映了更广泛的架构挑战：使AI能够安全地在整个企业数据环境中工作，而不仅仅是最容易访问的部分。

企业数据是分散的设计

现代企业在复杂的分散数据环境中运营。仓库和湖仓支持分析和报告，而运营系统管理事务、物流和客户交互。边缘环境生成时间敏感信号，受监管的系统执行严格的控制以保护敏感信息。合作伙伴和生态系统数据增加了复杂性。

这些系统是为了满足不同的运营、监管和性能要求而设计的。因此，企业数据是出于必要而分散的，而不是偶然的。试图将所有数据集中到一个平台上通常会引入延迟、重复、管理开销和安全漏洞。

结果是AI系统经常在部分企业现实的表示上进行训练和评估。虽然这些模型在受控环境中可能表现良好，但当应用于真正的运营决策时，其有用性会下降，这些决策依赖于更广泛的信号。

信任来自访问、管理和控制

企业AI的信任是当组织对数据的访问、管理和使用有信心时产生的。决策者期望AI系统反映当前的运营状况，尊重安全和隐私要求，并在既定的管理框架内运作。

在实践中，这些期望很难满足，当数据访问被限制在集中式或清理后的子集时。敏感属性、受监管的记录和实时信号通常被排除，这降低了AI输出的相关性。随着时间的推移，这限制了组织对AI驱动的建议的信心。

分析师研究强化了这一模式。虽然AI的实验很常见，但组织经常引用数据准备、管理成熟度和安全约束作为AI项目无法超越有限部署的原因。

为了使AI成为企业决策中值得信赖的参与者，它必须能够在适当的控制下与所有相关数据进行交互，而不是仅仅在一个受限的子集上运行。

联邦架构使AI能够到达所有企业数据

联邦架构通过使AI执行与企业数据的分散性质相一致来解决这一挑战。相比将数据重新定位到一个集中式系统，联邦方法允许计算直接在现有环境中运行。

在一个联邦模型中，数据保持在本地所有权和管理之下。策略在数据所在的位置执行，AI工作流在原地执行。这一方法减少了不必要的数据移动，保留了数据主权，并允许AI系统与更广泛的企业信号进行交互。

联邦架构越来越被认为是对集中式AI系统局限性的实际回应。 Gartner强调了联邦分析作为一种模式，以实现跨半自治数据域的互操作性和信息共享，支持分散式管理和域所有权，同时保持企业级标准。行业分析进一步强调了联邦方法如何与分散式数据环境保持一致，保留本地控制、管理和安全，同时实现更广泛的AI访问，突出了联邦和域导向方法如何更好地反映现代企业环境并降低安全和管理风险。

联邦学习演示了这一原则的实际应用，通过在去中心化数据集上进行协作模型训练而无需共享原始数据。虽然它代表了一种特定的技术，但它展示了如何在尊重本地控制的同时跨环境推导智能。

更广泛地说，联邦架构为AI系统提供了一个基础，使其能够在不损害管理的情况下在所有企业数据上运行，包括分析、运营、受监管和实时数据。

数据级安全使联邦运营可行

联邦执行扩大了AI的范围，而数据级安全确保了这种范围保持受控。随着AI系统持续地与数据交互并跨域运行，安全和管理必须以匹配数据敏感性的精度运行。

数据级安全在个别数据元素的层面上执行策略，而不是仅仅依赖系统级或基于角色的控制。这允许AI工作流访问允许的属性，同时敏感字段保持受保护，即使在同一数据集中。

通过将安全性直接嵌入到数据使用中，组织可以在混合敏感度环境中应用AI，同时降低风险并保持合规性。行业研究，包括 Deloitte的分析，强调了随着系统越来越接近影响运营决策，管理必须在整个AI生命周期中持续运行。

从部分可见性到企业范围内的智能

企业AI的承诺在于其能够纳入所有相关数据，而不仅仅是方便访问的数据。联邦架构与数据级安全相结合，使AI系统能够在整个企业数据资产中运行，同时保持信任、合规和控制。

这种方法允许组织：

• 将运营和实时信号纳入AI工作流
• 尊重监管和合同边界
• 减少重复和安全漏洞
• 在环境中保持一致的管理

随着AI能力的继续进步，数据访问和安全的架构决策将在决定企业结果方面发挥越来越重要的作用。

为现有的企业设计AI

企业AI成功是因为它反映了运营现实。数据是分散的，管理是细致的，安全期望很高。联邦、数据为中心的架构承认这些条件，并为AI提供了一条超越受限实验的路径。

通过使AI能够在数据所在的地方运行，并在数据级别执行控制，组织可以在整个数据环境中扩展智能。这一转变将AI从分析辅助工具转变为决策中的值得信赖的参与者。

最后一英里是当AI可以安全、负责地与所有企业数据进行交互，无论它位于何处时才会实现。