美国企业跟风AI投资，79%项目落地受阻

企业正推动人工智能与业务更深度融合，并希望从相关投入中获得更高回报。根据克劳德拉2025年的一项调查，96%的受访者已将人工智能整合进核心业务流程。随着这种整合不断加深，企业也期待人工智能投资带来更大回报。

这一趋势已经推动企业数据基础设施和运营发生诸多变化。另一项面向全球1200多名信息技术负责人的最新调查显示，85%的受访者认为，所在机构的数据战略定义清晰，并与更广泛的业务目标相衔接，这表明其对整体数据基础设施管理抱有信心。

不过，调查也显示，许多信息技术负责人仍在应对严峻的数据挑战。例如，79%的受访者表示，数据驱动项目之所以受阻，是因为他们无法在不同环境中获取所需的全部数据。造成这一缺口的关键因素是“数据就绪度”，也就是在所有环境中对数据进行全面治理、访问、整合并建立信任的能力。

克劳德拉首席技术官塞尔希奥·加戈·韦尔塔解释了为何全面掌控数据至关重要：“从基础层面看，任何组织都必须能够看到并访问其100%的数据，无论这些数据存放在哪里。只有这样，组织才能真正看到任何人工智能项目的全部效果。”

如今，企业领导层在数据基础设施和数据就绪度问题上总体立场一致，也较为乐观。对于谁应最终负责企业范围内面向人工智能的数据就绪工作，多数受访者——63%——认为，应由首席信息官和/或首席技术官牵头。89%的受访者表示，所在机构高层管理者理解并重视支撑人工智能规模化所需的数据基础设施。

这种乐观并不只存在于管理层。所有受访者都表示，其所在机构至少在一定程度上愿意调整现有治理框架，以确保数据就绪，其中超过一半，即54%，表示所在机构“非常愿意”这样做。也就是说，责任划分已经较为明确，组织也具备调整和适应的意愿与灵活性。这是一个积极信号，但与现实结果并不完全一致。那么，问题究竟出在哪里？

首先，略高于三分之一的受访者，即34%，表示长期存在的数据孤岛问题，已经妨碍他们有效共享、管理和使用数据。另有47%的受访者提到，复杂的数据访问要求和流程构成障碍；44%的受访者则表示，他们对数据具体存放位置缺乏足够可见性，这些因素都在阻碍人工智能的有效扩展。

加戈·韦尔塔说：“组织层面的协同，是实现数据就绪的重要一环。但如果一开始的数据战略没有通过企业数据织体优先解决数据控制和治理问题，就会出现盲点，人工智能试验阶段那些长期存在的问题也会重新浮现。而这恰恰是释放人工智能代理规模经济效应的关键所在。”

要理解组织态度与持续存在的数据基础设施挑战之间的差距，关键仍在于治理。表面上看，71%的机构表示，其大部分数据已经实现全面治理。但真正表示“所有数据”都已实现全面治理的受访者，不到五分之一，仅占18%。这之所以重要，是因为组织所拥有的数据类型多样。接近四分之一，即23%的受访者表示，其大部分数据属于非结构化数据。非结构化数据更难分类、编目，也更难统一适用访问政策，因此更需要稳健的数据治理体系。

加戈·韦尔塔表示：“数据就绪并不局限于某一种格式或某一个位置。缩小数据治理缺口之所以重要，在于要让这些非结构化数据真正可用，同时确保其符合合规标准。缺少这一步，数据质量以及依赖这些数据的项目都不可避免会受到影响。这也包括开放标准，以及从任何数据资产环境——无论是云端还是数据中心——访问这些数据的能力。”

大多数受访者已经将数据目录、数据血缘工具等要素纳入治理和发现实践。高达91%的受访信息技术负责人表示，他们同时使用业务目录和技术目录，并包含自动化血缘能力。但在这些受访者中，47%表示，他们只在部分团队或特定使用场景中使用数据目录和基础血缘功能。这说明，治理工具本身已经具备，但在整个企业范围内的标准化仍不一致。

治理、数据基础设施和数据就绪方面的挑战，在不同行业之间并不相同。有些行业在某些方面表现突出，另一些则相对滞后。部分行业对本机构数据存放位置的掌握程度更高。电信行业中，超过一半，即54%的受访者表示，他们对100%数据的存放位置拥有完整可见性。紧随其后的是公共部门机构，占31%；金融服务企业为30%。

从行业视角看，数据治理实践也呈现出明显差异。接受调查的公共部门信息技术负责人中，有72%表示，其全部或几乎全部数据都已实现全面治理，这一比例在各行业中最高。其后依次是医疗保健行业66%、能源与公用事业行业65%、软件与科技行业63%。

不过，如果只看那些表示“所有数据”都已实现全面治理的受访者，上述数字会明显下降。比例最高的是电信行业，为33%；其次是软件与科技行业，为26%；没有其他行业超过20%。这些数据意味着什么？加戈·韦尔塔解释说：“数据就绪并不取决于行业。无论你所处的是金融服务这样监管严格的领域，还是软件与科技这样强调速度和效率的行业，你都需要一种基础设施，能够在所有环境中提供完整可见性、一致的治理，以及对数据的无缝访问。没有这样的基础，人工智能雄心最终总会跑在结果前面。”

企业对人工智能的路径选择，已经到了需要调整的时候。通往投资回报最大化的道路，并不只靠模型本身更复杂，而是取决于能否从基础层面建立成功。那些能够完成这段转型、弥合数据就绪缺口的组织，将有能力超越单纯部署阶段，以持续、安全、可规模化的方式让人工智能真正投入运营。