币圈界报道：

企业智能化进程受阻的深层症结

当前企业在部署人工智能过程中进展滞后，其背后动因远超技术性能范畴。根本矛盾在于现有数据架构无法支撑大规模智能任务运行，凸显出传统系统在应对现代智能工作负载时的结构性缺陷。行业正逐步转向集成化‘数据湖仓’模式，以期从根本上破解这一瓶颈。

旧有数据生态难以承载智能时代需求

对于长期实行部门自治、系统分立的传统组织而言，挑战尤为突出。数据分析机构Quantiphi的全球数据与分析主管德夫普里约·纳格指出，若企业在迈向‘智能体驱动’时代前未能清理历史遗留的数据技术负担，所构建的AI系统将面临严重稳定性风险，难以在真实业务场景中持续运行。

百年出版商的数据重塑实践

以拥有219年历史的约翰·威利父子公司为例，其在过去十余年中形成了高度碎片化的数据环境，各业务单元独立维护数万张异构数据表。纳格揭示：“数据散落于近三万个表格之中，分布于不同部门且格式不一，导致下游应用无法获取完整上下文，跨领域数据关联几乎无法实现。”

在原有供应商协议即将到期之际，该公司未选择延续旧有模式，而是启动全面数据架构重制。其技术集团副总裁梅胡尔·特里维迪表示，团队开始评估现有技术生态是否仍具投资价值，抑或必须为面向AI与机器学习的新范式进行根本性变革。打造一个可信赖、统一的数据平台由此成为战略重心。

以云原生架构重建数据底座

公司最终选定谷歌云的大查询服务作为新核心，主要基于其成本优势、生态兼容性以及对开源工具的开放支持。借助Quantiphi提供的AI迁移套件，团队在六至九个月内完成约300太字节数据的迁移。纳格强调，通常需一至两年的周期，而本次通过AI代理在查询转换、管道迁移及结果验证等环节实现自动化，显著提升了效率与准确性。

该案例印证了：企业的真正竞争力不仅取决于采用何种先进模型，更在于能否以一致、互联的方式组织和管理数据。若数据壁垒依旧存在，AI在训练与推理中将丧失关键上下文信息，其决策质量与业务价值必然大打折扣。

领先者的胜势源于前瞻性布局

特里维迪强调，未来在人工智能领域的主导权，将属于那些致力于“长期能力建设”而非短期指标达成的企业。他指出：“真正的关键，在于如何塑造一个能在未来十年持续参与竞争的组织形态。”这要求企业在人才储备与组织学习机制上同步投入。

归根结底，数据湖仓的实施不仅是技术系统的迭代，更是企业整体智能体质的升级。在数据割裂、标准混乱的背景下，即便搭载顶尖算法，也难保系统的可扩展性与可靠性。既然企业AI落地迟缓的本质是数据基础薄弱，而非模型本身，那么未来的胜负手，或将落在谁率先建立起结构清晰、协同高效的数据基石之上，而非单纯的技术堆砌。