2023年末和2024年商业周期中定义AI疲劳的因素，事后看来是一个必要的修正。在此期间，许多组织发现自己陷入了行业观察人士所谓的”试点炼狱”（pilot purgatory）。数百万资金投入到了实验性生成式人工智能（GenAI）试点项目中，其中大多数是用于总结会议或起草内部邮件的聊天机器人。虽然这些工具在模仿人类对话方面令人印象深刻，但它们本质上是辅助性的，而非操作性的。它们可以大谈特谈，却无法挺身而出付诸行动。

如今，格局已发生根本性转变。”会说话的机器”的新鲜感已经消退，取而代之的是对自主智能体智能（Agentic Intelligence）的冷峻战略聚焦。近期发布的《2026年数据湖屋与AI现状报告》揭示了一条倾向于在可信数据上自主行动系统的路线图。全球最大的组织——特别是那些拥有超过5000名员工的组织——正在架构其未来方面发生结构性变革。要驾驭这个新时代，组织必须透过华丽辞藻，审视研究中展现的五个惊人现实，这些现实正在重新定义企业数据资产。

1、65%的转变：从对话到行动

所确定的最重要转变是向智能体分析和AI驱动决策迈进。令人震惊的是，65%的高级数据领导者已将此列为来年的首要优先事项。

在前一个周期中，目标是人在环路中（human-in-the-loop）。AI提供可视化或摘要，由人类解读这些数据并做出决策。智能体颠覆了这一范式。这些系统不仅要分析数据，还要基于数据采取行动：测试假设、提供建议，并在最少人工干预下执行已批准的步骤。这一转变表明，企业终于将AI目标与可衡量的结果（如速度和自主性）联系起来。

这里的战略含义是业务速度的升级。正如一家全球制造公司分析副总裁所言：”我们期望代理明年能处理第一层分析。”当AI从研究助手转变为运营代理时，从洞察到行动的时间从数天缩短到毫秒。对C级人物（高管层）而言，这意味着竞争优势不再取决于谁拥有最好的数据，而取决于谁拥有由智能体系统启用的最短”行动循环”。

2、动机逆转：生产力是新式降本

调查中最令人惊讶的发现或许是，成本效率作为AI采用主要动机的彻底崩溃。过去几年，近20%的领导者将成本控制列为主要驱动力。如今，这一数字已降至接近零。相反，51%的领导者现在主要采用AI是为了实现更高生产力和更快创新。

这是一个关键的文化和战略转变。AI不再被定位为预算削减的防御性措施或替代人手的工具。相反，它被正常化为增长的标准业务工具——一个让现有劳动力在更高战略层面发挥作用的”创新倍增器”。

从战略家的角度来看，这改变了CTO与CFO之间的整个对话。推介不再是通过自动化节省资金，而是通过速度创造价值。这是一种觉醒：行动缓慢的真正成本远超减少劳动力带来的节省。

3、70%悖论：为何基础设施仍是障碍

尽管对智能体有着清晰的愿景，但巨大的基础设施差距依然存在。报告指出了一个鲜明的悖论：虽然65%的领导者希望实现自主AI，但70%的人承认，数据孤岛和治理薄弱仍是其主要障碍。这种技术债务本质上是创新的负担。

在障碍方面，数据令人清醒：48%的组织缺乏统一、AI就绪的数据。40-41%受困于糟糕的数据质量和缺失的语义定义。70%在与阻碍实现单一事实来源的碎片化问题作斗争。

一家主要金融服务公司数据工程负责人完美总结了这种挫败感：”治理现在是最难的部分。工具很容易。一致性很难。”

随着AI的扩展，它揭开了架构性弱点——这些弱点在小规模试点中可能被忽视。聊天机器人可以在单个精心策划的数据集上运行，但自主智能体需要对企业整体的、受管控的视图。不断上升的治理挑战（从去年的36%增至41%）是野心的标志，而非失败的迹象。大企业终于意识到，你无法在数据孤岛之上构建一家聪明的公司。曾经仅导致轻微报告延误的碎片化，现在是AI功能的障碍。

4. 湖屋整合：92%的未来是开放的

为了弥合这一基础设施差距，行业正在看到向数据湖屋（data lakehouse）的大规模整合。报告发现，92%的组织计划在未来十二个月内将其大部分分析和AI工作负载迁移到湖屋。此外，87%预期湖屋将成为其到2027年的主要数据架构。

这一举措主要由消除”冗余税”的愿望驱动。目前，81%的组织将消除冗余数据副本列为主要优先事项。在旧的数据仓库模式中，数据被复制并通过无尽的ETL管道移动，增加了成本并降低了信任度。通过在湖屋上整合，95%的组织计划直接在数据所在位置运行AI/ML工作负载。

此外，采用Apache Iceberg等开放表格式已成为企业规模的强制性要求。组织越来越警惕供应商锁定，这限制了它们跨云移动数据或使用不同AI引擎的能力。湖屋架构提供了智能体系统所需的零ETL环境：实时、统一的数据访问，没有不断移动带来的延迟和治理风险。

5、语义层：AI”理解“的缺失环节

2026年路线图中最被忽视但最关键的组件是语义层。大约40%的领导者现在将语义上下文的缺失视为运营AI的主要阻碍。没有这一层，智能体本质上是在盲目飞行——它们能够访问数据，但无法理解其在业务背景下的含义。

报告引入了一个AI就绪数据的关键框架：

• 统一：将不同数据纳入共享结构和治理之下。
• 上下文：应用语义层以一致地定义指标。
• 信任：确保数据血缘、质量控制和可审计性。

上下文阶段是许多AI项目目前失败的环节。如果智能体从重复的管道接收到冲突的指标，它将产生不一致甚至不安全的结果。要达到2026年领导者所期望的自主或闭环工作流，系统必须拥有单一、受管控的语义层。

正如金融服务分析总监所言，目标是”分析师和AI模型使用相同的定义”。没有共享的语言，人工智能中的”智能”仅仅是幻觉。

通向2030之路

可预见的未来路线图不再是追逐最新模型，而是筑牢基础。这包括确立湖屋作为主要数据基础，标准化Apache Iceberg等开放格式以确保灵活性，并实施语义层以提供代理安全有效所需的上下文。

展望更远的未来，报告指出，到2030年，90%的分析工作负载将迁移到湖屋。届时，行业将停止询问如何构建这些基础，转而衡量这些系统产生的ROI和价值。对话将从”AI能做什么？”转向”我们的智能体生态系统本季度创造了多少价值？”

特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。

Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.