更新于美国东部时间 2026 年 10 月 11 日 09:00
企业 AI 的隐性税负：为什么数据架构是无人预算的 ROI 问题
Gaurav Chawla 的客座专栏
许多大型企业在过去几年里投资了人工智能基础设施、软件和实施。董事会批准了这些计划。财务部门构建了商业论证。采购部门就计算容量进行了谈判。
但有一个问题仍然存在。他们将如何管理这些系统底层的数据？
这还不是那种会登上头条的失败。没有重大宕机、数据泄露或召回。相反，它是一种悄无声息、不断累积的拖累，表现为计划外的人手增加和不断滑落的时间表。与足够多的基础设施负责人聊聊发生了什么，你会不止一次听到“数据引力”这个词。
问题的规模在数字中可见一斑。麻省理工学院 NANDA 计划 2025 年的一份报告发现，95% 的企业生成式 AI 试点对损益表产生的影响微乎其微，甚至没有可衡量的影响。该报告指出，问题在于企业将 AI 整合到运营中的方式存在差距，而不仅仅是模型质量。这些数字应该改变企业构建 AI 商业论证的方式：一次成功的试点并不能证明一个组织能够在其完整的数据资产上运行同一套系统。
预算中隐含的假设
大多数企业 AI 架构仍然假设数据会迁移到新平台所在的任何地方。把数据拉到一个地方，上面的智能层就能正常工作。这是一个合理的假设，但在企业规模上几乎从不成立。
企业数据具有引力。法规决定了某些记录可以存放在哪里。主权规则将其他数据集限制在某一司法管辖区内，即使其他地方的计算成本更低。那些花了十年时间围绕某个数据集构建治理体系的业务部门，几乎没有动力将其交给一个新的中央存储库，有时也没有这样做的法律途径。当有人试图将应用程序与其数据分离时，围绕这些数据构建的应用程序也可能以代价高昂的方式崩溃。
这通常隐藏在概念验证中。它运行在一小片预先清理过的数据上。成本会在之后显现，当项目不得不处理被排除在演示之外的混乱的大多数数据时。
“数据引力”指的是这样一种理念：大量数据的积累会将应用程序拉向它们，而不是相反。数据集越大，迁移成本就越高。传输费用只是开始；在模型产生有用答案之前，延迟、带宽、安全控制和运营工作都会增加账单。
账单到期的地方
成本通常不会以单个项目的形式出现。它表现为对已经不堪重负的团队提出的数十项小要求。他们必须构建和维护管道，将数据从从未为此类流量设计的系统中移出，在源系统发生变化时将每个副本与原始数据核对，并在数据存储的任何地方应用相同的治理控制。他们还必须跟踪为开发、测试、分析和训练而创建的额外数据集。
这些任务单独来看都不算灾难性。但合在一起，它们就成了项目的一种税负——随着组织试图扩大规模，这种税负会变得越来越昂贵。
为什么账单来得这么晚
这种税负最危险的部分在于它的时机。它通常出现在平台采购、团队组建之后的12到24个月，此时初步的成功指标已经向上汇报过了。
到那时，合同已经签署，团队已经招聘，方向已经公开承诺。拆解一个集中化优先的架构，远比从一开始就围绕数据引力进行设计要昂贵得多。计算资源容易识别并分配到预算；而管道维护、核对、治理、安全审查以及维持系统运行所需的人员，则分散在不同的组织中。
缺失的层是上下文，而不仅仅是存储
许多关于停滞的AI项目的复盘都止步于“我们的数据还没准备好”。这个诊断是准确的，但不完整。更深层的问题是，组织试图用存储策略来解决上下文问题。
模型不需要把原始数据堆在它面前。它需要上下文：能够找到正确的记录，将其与政策交叉引用，遵守访问规则，并基于最新信息而非项目开始那周的快照来工作。这不会来自一个更大的数据仓库。它来自一个企业级的上下文层：一种一致的、受治理的方式，用于跨系统和位置发现、连接和检索信息，而不需要每个源都将其数据交给中央存储。
AI系统用来推理含义的底层记录、元数据和向量并不是一回事。记录仍然受到法规、主权、所有权以及围绕它们构建的应用程序的约束。元数据和向量可以帮助AI找到并推理这些记录，而不必继承那些将源数据留在原地的所有约束。
问题不在于如何将所有数据集中到一个地方。而在于如何让正确的上下文在数据已经存在的地方可用，并遵守管辖它的任何规则。那些将上下文——而非整合——视为自己所构建之物的企业，可以避免两年后在另一种架构下重建同样的税负。
需要提出的四个关键问题
在批准一项重大 AI 基础设施投资之前，组织应该能够回答四个基本问题：哪些数据集受到监管或合同限制而无法迁移？如今谁拥有每个数据集的数据治理权，当副本存在于其他地方时会发生什么？随着源系统的演进，这些副本将如何保持同步？智能能否去往数据已经所在的地方，还是架构要求一切都必须集中化？这些问题不会替你选择供应商，但它们会决定你的候选名单。
正确的架构选择和供应商选择将引领你实现 AI 成果，并以更快、更低的成本自动化你的业务流程。这些问题使数据架构成为 AI 商业案例中的一等条目，而不是在算力交易完成后才去解决的细节。
真正的 ROI 问题
行业的本能是用 token、吞吐量和 GPU 利用率来衡量 AI ROI。这些指标对于评估算力效率很有用，但它们只能说明一半的情况。企业 AI 价值的另一个约束位于算力上游：输入模型的数据能否被信任、治理并保持最新，而不会对相关人员造成不断增长的成本负担。Token 长度和 GPU 效率告诉你运行一个模型的成本是多少。它们不会告诉你模型是否拥有做出良好决策所需的上下文。这取决于底层数据是否准确、最新、受到治理，并连接到正确的业务流程。正是从数据中整理出的上下文决定了智能体行动的准确性，以及你是在成为 AI 原生组织的道路上，还是在偏离它。
算力是企业知道如何编制预算的一项条目。数据引力则是许多人仍在发现的一项条目，通常是在支票兑现很久之后。从 AI 中获得最大收益的公司，将是那些设计其数据架构以服务于智能体所需上下文，而无需移动或集中化整个分布式状态的公司。
Gaurav Chawla 是 Dell Technologies Inc. 的 Fellow 兼副总裁、首席技术官。他为 SiliconANGLE 撰写了这篇文章。
转载声明：本文为转载整理，原文版权归原作者及原站点所有。
原文来源：SiliconANGLE
原文作者：Guest Author；如有侵权，请联系管理员删除。
