过去几年，许多大型企业在人工智能基础设施、软件和实施方面投入了大量资金。董事会批准了计划，财务部门构建了商业案例，采购部门谈妥了算力资源。
但有一个问题始终悬而未决：企业该如何管理这些系统背后的数据？
这并不是那种会立即登上新闻头条的失败。没有重大故障、没有数据泄露、没有产品召回。相反，这是一种悄无声息却不断累积的拖累，表现为计划外增加的人力成本和不断延后的项目进度。只要与足够多的基础设施负责人交流项目进展，你就会不止一次听到“数据引力”这个词。
这一问题的严重程度已经体现在数据中。麻省理工学院NANDA项目2025年发布的一份报告显示，95%的企业生成式AI试点项目在损益表上未产生可衡量的影响。该报告指出，问题根源在于企业将AI融入运营的方式存在缺口，而不仅仅是模型质量的问题。这些数字应当改变企业构建AI商业案例的方式：成功的试点并不能证明一个组织能够在其全部数据资产上运行同一套系统。
预算中隐藏的假设
目前，大多数企业AI架构仍然假设数据会迁移到新平台所在的位置——只要把数据汇集到一处，上层的智能层就能正常运作。这个假设看似合理，但在企业规模下几乎从不成立。
企业数据具有“引力”。法规决定了某些记录必须存放在特定位置；数据主权规则将部分数据集限制在特定司法管辖区内，即便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建立治理体系的业务部门，几乎没有动力将数据交给新的中央存储系统，有时甚至在法律上根本无法这样做。围绕数据构建的应用程序，一旦尝试将数据与应用分离，也可能以高昂的代价崩溃。
这些问题通常在概念验证阶段被隐藏起来，因为验证往往基于一小部分经过预先清洗的数据运行。真正的成本会在项目后期显现，当系统需要处理演示中被排除在外的、混乱的大多数数据时，问题才会暴露。
“数据引力”指的是大量数据的聚集会吸引应用程序向其靠拢，而非反过来。数据集越大，迁移成本就越高。传输费用只是开始，延迟、带宽、安全控制和运维工作量都会在模型产生有用结果之前，不断累加到总成本上。
账单何时结清
这笔成本通常不会以单一项目的形式出现，而是表现为对本已超负荷团队提出的数十项小需求。团队需要构建并维护管道，将数据从那些从未设计用于此类流量的系统中迁出；当源系统发生变化时，还需要将每一份数据副本与原始数据进行核对；同时，无论数据存放在何处，都要施加相同的治理控制。此外，他们还必须追踪为开发、测试、分析和训练而额外创建的数据集。
单独看，这些任务都不算灾难性的。但综合起来，它们就成了压在项目上的一种税负——而且随着组织试图扩大规模，这种税负会变得更加昂贵。
账单为何迟到
这种税负最危险的地方在于其出现的时间点。它通常在平台采购完成、团队组建到位之后的12到24个月才显现，而此时初期的成功指标早已上报给管理层。
到那时，合同已经签署，团队已经招募完成，方向也已公开确定。要推翻一个以数据集中化为先的架构，远比从一开始就围绕数据引力进行设计昂贵得多。算力成本容易识别并计入预算，但管道维护、数据核对、治理、安全审查以及维持系统运行所需的人员，这些成本分散在不同的组织单元中，难以统一核算。
缺失的一环是上下文，而非仅仅是存储
许多关于AI项目停滞的事后分析，止步于“我们的数据没有准备好”这一结论。这个诊断是准确的，但并不完整。更深层的问题在于，企业试图用存储策略来解决一个上下文问题。
模型并不需要被直接塞入原始数据。它需要的是上下文：能够找到正确的记录，与政策进行交叉核对，遵守访问规则，并基于最新信息而非项目启动那一周的快照来工作。这并非来自更大的数据仓库，而是来自覆盖整个企业的上下文层——一种一致且受治理的方式，能够跨系统、跨地域发现、连接和检索信息，而无需要求每个数据源都将数据交给中央存储。
AI系统用于理解语义所依赖的元数据和向量，与底层记录本身并非同一概念。记录仍然受到法规、数据主权、所有权以及围绕其构建的应用程序的约束。而元数据和向量可以帮助AI发现并推理这些记录，却不必继承所有限制源数据所在位置的约束条件。
真正的问题不是如何将所有数据汇集到一处，而是如何让正确的上下文在数据已经存在的任何地方、在任何适用规则之下都能被获取。那些将上下文而非数据整合作为构建目标的企业，才能避免两年后在不同的架构下重新背负同样的税负。
需要提出的四个关键问题
在签署一项重大AI基础设施投资之前，企业应当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不能迁移？每个数据集当前的治理归属方是谁，当副本存在于其他位置时会发生什么？随着源系统的演变，这些副本将如何保持同步？智能能否前往数据已经存在的地方，还是架构要求必须将一切集中化？这些问题并不能替你选定供应商，但它们会影响候选名单的构成。
正确的架构选择和供应商选择，将帮助企业更快、以更低的成本实现AI成果并实现业务流程自动化。这些问题的存在，意味着数据架构应当成为AI商业案例中的核心条目，而不是等算力合同敲定后才去解决的细节问题。
真正的ROI难题
行业的本能是用Token、吞吐量和GPU利用率来衡量AI的投资回报率。这些指标对于评估算力效率确实有用，但它们只讲述了故事的一半。企业AI价值的另一个制约因素发生在算力的上游：即输入模型的数据是否可信、是否受到治理，以及是否能在不对周边人员造成持续增长的税负的前提下保持最新。Token长度和GPU效率能告诉你运行一个模型的成本，却无法告诉你该模型是否拥有做出正确决策所需的上下文。这取决于底层数据是否准确、是否最新、是否受到治理，以及是否与正确的业务流程相连接。正是从数据中提炼出的上下文，决定了智能体行动的准确性，也决定了企业是走向成为AI原生组织的道路，还是正在偏离这条道路。
算力是企业已经懂得如何预算的项目。而数据引力，则是许多企业仍在摸索、通常要等到账单到期才会发现的项目。真正能从AI中获益最多的企业，将是那些设计数据架构以满足智能体所需上下文、而无需迁移或集中化整个分布式数据状态的企业。
高拉夫·查瓦拉是戴尔科技公司的技术院士及副总裁、首席技术官。本文由他为SiliconANGLE撰写。
图片来源：geralt/Pixabay
Q&A
Q1：什么是“数据引力”？
A：数据引力是指大量数据的聚集会吸引应用程序向其靠拢，而非反过来移动。数据集越大，迁移成本就越高，传输费用、延迟、带宽、安全控制和运维工作量都会累加到总成本中。
Q2：为什么企业AI试点项目成功率这么低？
A：麻省理工学院NANDA项目2025年的报告显示，95%的企业生成式AI试点项目在损益表上未产生可衡量影响，根本原因在于企业将AI融入运营的方式存在缺口，而非模型质量问题，核心在于数据架构没有为规模化做好准备。
Q3：企业在投资AI基础设施前应该问哪些关键问题？
A：企业应明确哪些数据集受监管或合同限制无法迁移、每个数据集的治理归属方是谁、副本数据如何与源系统保持同步，以及智能能否前往数据所在地而非要求数据集中化，这四个问题将有助于规避后期高昂的隐性成本。
