Gartner：优先完善AI治理，破解行业泡沫迷局

在生成式 AI 热潮持续升温、泡沫破裂隐忧并存的背景下，数据与 IT 领导者正承受着从 AI 项目中兑现业务成果的巨大压力。然而，真正实现业务价值并不等同于追求投资回报率（ROI）本身。

Gartner 副总裁分析师 Jorg Heizenberg 在上周悉尼举行的 Gartner 数据与分析峰会主题演讲中指出，AI 所带来的变革远不止于技术层面的迭代，其深远影响堪比互联网的诞生。

Gartner 总监级分析师 Georgia O'Callaghan 在梳理 AI 时代的应对路径时指出，尽管 2025 年已有近五分之三的企业将 AI 解决方案投入生产，且五分之四的企业正在持续加大 AI 投入，但"如果没有明确的组织目标与战略方向，单纯地追加 AI 投资是不可持续的"。

Heizenberg 提醒数据与分析专业人士，应充分听取各方利益相关者的意见，重新审视并界定 AI 战略目标，尤其是在各方对 AI 变革的承受能力上达成共识。对变革容忍度较低的组织，可采取审慎策略，严格评估风险、优先选择稳妥路径；对变革有较强意愿的组织，则可采取更具机会主义色彩的灵活策略；而那些容忍度极高的组织，甚至可以勇做先行者，即便这意味着承担更大的风险。

然而，利益相关者最常提出的第一个问题往往是："这要花多少钱？"O'Callaghan 指出，这个问题其实很难回答，因为 AI 的成本高度不可预测，且往往存在隐性支出。雪上加霜的是，不少供应商采用的定价模型基于难以预测的指标，例如 GPU 使用时长和 Token 消耗量。

Gartner 的研究显示，虽然约六成 IT 领导者担忧 AI 智能体会带来意外成本超支，但数据与 AI 领导者中仅两成担心不可预测的定价会限制技术价值的释放。Heizenberg 认为，这一认知落差本身就是一个警示信号。

O'Callaghan 警告称，"AI 可能是一堂代价高昂的课"，并指出目前不足一半的组织对 AI 相关支出实施了系统性的管理与优化。企业应从立项之初便跟踪成本支出，特别是在原型开发阶段，并通过成本驱动的设计理念，在正式投入生产前充分评估各功能模块的财务影响。例如，团队应提前测算选用不同大语言模型（LLM）甚至小型语言模型（SLM）来驱动 AI 智能体时，各自所带来的成本差异。

不过，在与利益相关者沟通时，重点应落在"价值"而非单纯的"成本"上，且价值的内涵远不止于金钱。Heizenberg 以北约克郡议会为例：该机构创建了一位名为"Dotty"的数字市民，并通过模拟她在公共服务中的完整旅程，让所有员工都能直观感受数据的现实意义。举例来说，将家庭住址中的两位数字调换，可能导致一位工人被派往错误的地址，无法为一位老人安装楼梯扶手。这次无效出行不仅产生了直接的财务损耗，更可能引发连锁影响——如果因为缺少扶手导致老人摔倒并受到严重伤害，后果将难以估量。

无论组织的战略目标是什么，夯实基础都至关重要。Gartner 2025 年"现代数据实现"调研发现，对 AI 应用成果最为满意的受访者，在数据管理、治理体系和人才建设等基础性工作上的投入，比不满意的受访者高出约 30%。

Gartner 其他调研结果显示，59% 的 IT 领导者表示在尚未做好准备的情况下，便被推动采用生成式 AI 工具；61% 的受访者则感受到来自高层管理人员、董事会成员或利益相关者推进 AI 的压力。

当前最核心的挑战之一，是企业能否确保数据足够安全且治理完善，从而安全地对更多 AI 应用开放，包括自主运行的 AI 智能体。

O'Callaghan 表示："我们需要借助 AI 治理机制，防止错误数据被错误的人员、应用程序或大语言模型访问，同时通过精心设计的上下文层，避免不准确、误解和'幻觉'问题的出现。这将有助于确保数据具备 AI 就绪能力、值得信赖，并与实际使用场景保持高度一致。"

她进一步补充道，这一现状凸显了重新定位治理角色的重要性，即将其从单纯的合规职能，转变为驱动业务价值的加速器。

两位分析师为改善 AI 治理提出了三项关键举措。

第一步是整合现有治理力量。组织应将风险管理、数据治理、网络安全等现有治理部门整合为统一的 AI 治理团队。Gartner 预测，以这种方式打通治理机构的组织，其业务影响力将比未整合的组织高出 10%。

第二步是理顺并优化治理架构。由统一的治理团队对现有各类政策进行梳理与整合，形成清晰、一致的治理框架，使其充分反映组织的风险容忍度以及在负责任 AI 使用方面的文化价值观。

第三步是将治理理念嵌入企业文化与技术体系。一方面，组织需推动整体思维模式的转变，从"合规导向"升级为"全员理解如何负责任、合乎伦理地使用数据"；另一方面，在技术层面，领导者应推行"策略即代码"（policy-as-code）的实践，使各项规则在整个技术栈中得到自动化执行。Gartner 预测，到 2028 年，采用专项治理工具的组织将有望将监管合规成本降低多达 20%。

即便数据治理已趋于完善，上下文语境依然不可忽视。当一位员工询问"公司目前有多少活跃客户"时，答案的准确性取决于"活跃"的定义——是指近期有购买记录、持有有效订阅，还是近期曾访问过网站？

一旦缺乏明确的上下文定义，大语言模型很容易误读提示词，并以极快的速度将这种误解层层放大。

Heizenberg 表示："现在是时候构建一个集成化的上下文实现层了——这一层将每一条信息有机串联起来，让所有人与所有系统，无论是人类还是 AI 智能体，都能看清全局，做出更明智的决策。"

语义层正日益成为数据架构的标配，但单靠语义层已难以应对当前的复杂需求。越来越多的组织开始探索本体论、知识图谱及其他赋予数据深层语义的方法，而将这些方法结合使用，能产生远比单一手段更为精准的效果。

另一大挑战在于，技术的演进速度已远超员工的接受与适应能力。O'Callaghan 警告道："如果只砸钱给 AI，却不投资于人才，那无异于将资源付之东流。AI 工具的变革管理与培训工作所耗费的时间，几乎是实施 AI 解决方案本身所需时间的两倍，这意味着你需要为此预留比以往任何技术实施项目都更长的周期和更高的成本。"

为此，"心态、技能、工具"三维并进的培养方式被证明行之有效。IT 领导者需要依次思考三个问题：组织内部存在哪些思维障碍，该如何突破？存在哪些技能缺口，该如何弥补？只有在厘清前两个问题之后，才应进一步思考需要引入哪些工具层面的变革。

最后，AI 引发的岗位流失担忧持续存在。Gartner 调查发现，34% 的 CIO 预计在未来三年内缩减员工规模。但另一方面，过去一年中仅 4% 的首席数据官（CDO）缩减了团队规模，而 44% 的 CDO 反而扩大了团队编制。

O'Callaghan 表示："目前来看，数据与分析团队的规模并未出现明显缩减，但其他部门正在发生这种变化。"她同时提醒道，部分组织可能借 AI 的引入为契机，为那些本就计划进行的裁员寻找合理说辞。

她最后总结道："人类的技能与专业判断力仍将是交付团队的核心驱动力，但这些团队将以全新的方式运作——将人的专业智慧与 AI 智能体深度融合，打造效能更强的 AI 赋能复合型团队。"

Q&A

Q1：Gartner 认为 AI 治理对企业来说有多重要？

A：Gartner 认为 AI 治理已不再只是合规工具，而是业务价值的加速器。分析师建议企业将风险、数据、网络安全等部门整合为统一的 AI 治理团队，并通过"策略即代码"在技术栈中自动执行治理规则。研究预测，采用这种整合治理方式的组织业务影响力将提升 10%，而使用专项治理工具的组织到 2028 年可将合规成本降低多达 20%。

Q2：企业部署 AI 时，成本应该怎么控制？

A：Gartner 建议企业从项目立项之初就追踪 AI 相关支出，尤其是在原型开发阶段，同时采用成本驱动的设计理念，在正式投产前充分评估各模块的财务影响。例如，团队可提前对比不同大语言模型或小型语言模型驱动 AI 智能体的成本差异。目前不足一半的企业对 AI 支出进行了系统管理，这一现状需要改变。

Q3：AI 真的会大规模取代人类工作岗位吗？

A：Gartner 的调查显示，34% 的 CIO 预计未来三年将缩减员工规模，但与此同时，44% 的首席数据官在过去一年中反而扩大了团队。Gartner 分析师指出，目前数据与分析团队的规模尚未明显缩减，部分企业可能借 AI 之名为原本计划中的裁员提供借口。未来趋势将是人与 AI 智能体协作，组成效能更强的复合型团队，而非单纯的人员替代。