如今，大模型已经从拼参数、拼算力的"军备竞赛"，逐渐进入了拼落地、拼效果的"深水区"。一个越来越清晰的共识是：AI 应用的天花板，不在模型本身，而在数据。
如果说 2023 年到 2025 年，企业关心的是 AI 能做什么，那么到了 2026 年，问题已经变成了 AI 凭什么能做，AI 凭什么能给出准确的回答？凭什么能做出可信的决策？答案只有一个：数据。
元股证券:ygzq.hk但现实是，绝大多数企业的数据，还远没有做好准备。
数据拖了 AI 的后腿
Gartner 曾在一份报告中指出，到 2025 年，80% 的数据与分析计划将无法大规模创造业务价值，其中数据孤岛和数据质量问题是核心障碍。虽然这个预测多少有些悲观，但企业在实际落地 AI 项目时的感受确实与之吻合——模型训练出来了，推理框架搭好了，可一接上企业内部的真实数据，问题就全暴露了。
Denodo 全球销售副总裁兼大中华区总裁何巍向笔者分享了一个颇具代表性的案例：一家车企在推进 AI 问数项目时，虽然所有数据都放在一家头部云厂商提供的数据仓库里（也就是数据源是单一的），但查询结果却完全不可控。同一个问题问两次，答案截然不同。
问题出在这个单一的数据源本身，其就像一个堆满杂物的巨大仓库，不同部门、不同时期产生的数据，虽然有统一的物理存放位置，但定义方式千差万别。
这并非个案。一家企业内部的订单可能在三套系统里有三种完全不同的定义：销售签了合同叫订单，财务收了钱才叫订单，售后开始服务了才叫订单。当 AI 被要求计算订单转化率时，如果没有人提前告诉它该用哪个系统的订单做分子，它只能随机抓取，结果自然是不可信的，且每次计算出来的结果也会不一样。
更麻烦的是，企业每天产生的数据量正在以指数级增长。IDC 的预测显示，到 2026 年全球数据量将超过 220ZB，其中企业级数据占比持续攀升。传统通过 ETL（抽取、转换、加载）将数据物理复制到一个集中的数据仓库或数据湖中的数据集成方式，正在变得越来越昂贵和低效。一家大型制造企业的 IT 负责人曾算过一笔账：每复制一份数据到数据中台，就意味着存储成本、计算成本、运维成本的叠加，而数据中台的规模还在不断扩大。
打个比方，传统的数据集成方式就像线下会议，所有人必须坐在同一个会议室里。但当企业遍布全球、数据分散在几十个甚至上百个系统中时，这种"物理集中"的成本和难度已经高到不现实的地步。
而 AI 对数据的实时性要求，让这个问题更加尖锐。传统的数据中台定期搬运数据，可能是 T+1，甚至更慢。但 AI 问数要求的是"即问即答"，即用户输入一个问题，系统必须立刻从最新数据中给出答案。用昨天的数据回答今天的业务问题，在 AI 时代已经无法接受。
不搬家也能用上全公司的数据
手机股票配资这种背景下，企业需要一种科学的数据架构方式，来应对 AI 时代对数据实时性、准确性、安全性和可解释性的全新要求。
此时，数据虚拟化技术成为企业数据管理架构中不可或缺的中间件。与传统的 ETL 不同，数据虚拟化并不物理复制数据，而是通过软件在分散的数据源之上建立一个"逻辑层"。打个比方：传统做法是把所有食材搬到一个中央厨房再开始做菜；数据虚拟化则是保留食材在各自仓库，只给厨师一张"地图"，告诉他每种食材在哪、怎么取用。
这个"地图"就是诸如 Denodo 这类企业所构建的 AI 数据层。它不存储数据本身，只存储数据的"映射关系"，也就是一份关于"数据在哪、什么意思、谁能用"的目录。
这么做有什么好处呢？首先，它不需要迁移数据，而是连接所有数据源，避免了数据复制带来的成本与延迟。根据 Denodo 公开的案例数据，使用了其数据虚拟化平台的企业，数据准备时间平均减少 67%，相比传统 ETL 方式节省 65% 的时间。
比如，某企业原先处理一天的数据需要 8 小时，采用数据虚拟化后，处理一整月的数据只需不到 30 分钟。这种效率提升在 AI 时代尤其关键，AI 应用需要频繁调用、组合不同系统的数据，如果每次都要等 ETL 跑完，用户体验和业务响应速度都会大打折扣。
其次，在数据虚拟化架构中可以通过"语义层"，解决前文提到的各部门对"订单"这个词认知不统一的问题。企业可以在逻辑层预定义一套统一的业务语义，比如明确告诉系统财务订单和销售订单的区别，以及在不同场景下该用哪个。这样，当 AI 接收到用户的自然语言提问时，首先是语义层将问题翻译成数据能理解的语言，再由虚拟化层去各个数据源找到对应的数据。
最后，这套架构解决了 AI 时代安全方面最为关键的权限和合规的问题。在一个物理集中式的数据架构中，权限控制往往"一刀切"，要么能看全部数据，要么什么都看不到。而数据虚拟化层可以做到行级、列级的精细权限控制。更重要的是，对于跨国经营的企业，数据跨境传输是巨大的合规风险。数据虚拟化的逻辑连接方式，使得原始数据可以留在原地、不出境，只通过查询接口被调用。这对于正在大规模出海的中国企业来说，是一个极具吸引力的架构选择。
事实上，数据虚拟化并非全新概念，而之所以近年来才获得广泛关注，根本原因在于企业数据环境的复杂度已经到了传统方法无法承受的地步。一家企业的数据可能分布在本地机房、多个公有云、SaaS 系统、IoT 设备等数十个来源中。要全部物理集中，不仅成本高昂，而且永远跟不上业务变化的速度。
Denodo 基于数据虚拟化技术构建的" AI 数据层"，恰好承接了企业当下的核心诉求。依托这套架构，企业无需大规模迁移原始数据，就能打通全域数据链路，让 AI 真正用上全域、实时、口径一致的企业数据。
数据架构的重构
2026 年初，Gartner 在悉尼举行的数据与分析峰会上发出警告：59% 的 IT 领导者表示在尚未做好准备的情况下，便被推动采用生成式 AI 工具；61% 的受访者感受到来自高层的压力。在这种被迫上马的背景下，夯实数据基础变得比以往任何时候都更加紧迫。
如果说过去两年企业讨论的是" AI 能帮我看数据吗？"，那么进入 2026 年，问题已经变成了" AI 能替我用数据吗？"在 AI+BI 已经成为一种业务模式的时候，AI 对数据的调用不再是"用户问一次、系统查一次"的简单模式，而可能是一个智能体在完成一个复杂任务时，自主发起几十次甚至上百次的数据查询，这对数据架构提出了全新的要求。
换句话说，AI 下一阶段的竞争，不再只是模型之间的竞争，而是企业数据基础设施之间的竞争。谁能在这个问题上率先给出令市场信服的答案，谁就有可能定义下一代企业 AI 的基础设施标准。
在这个过程中，数据的"可发现性"变得格外重要了。过去，数据主要是给数据分析师、业务人员等，通过 BI 工具查询、使用数据。但在智能体时代，数据的消费者很大一部分变成了机器人。人可以通过经验判断这个数据大概在哪个系统里，但机器人没有这种直觉。它需要一个清晰、标准化的数据目录，告诉它每个数据集在哪里、什么含义、怎么访问。此时，据何巍介绍，Denodo 推出的 AI SDK，其核心价值之一就是为开发者提供标准化的接口（如 MCP 协议），让 AI 智能体能够像调用 API 一样调用企业数据。
此外，AI 时代，语义层也已成为企业数据管理的必选项。何巍向笔者坦言，如果三个月前问他"模型是否足够聪明到自己去理解数据"，他的答案可能还不同。但在最近服务了数百家企业之后，他得出的结论是：模型再强，也解决不了语义不统一的问题。因为语义问题本质上是业务问题，而不是技术问题，不是靠喂更多数据给模型就能解决的。
Denodo 搭建的 AI 数据层，作为承载统一业务语义、统筹合规数据资产的核心枢纽，能够补齐企业数据治理的关键短板。在今年 7 月上线的新版本 Denodo Platform 9.5，更是大幅强化了平台内部语义与上下文智能能力，同时简化企业内各团队搭建、管理、共享可信数据产品的流程，让智能体、BI 分析工具、自助数据应用均可获取统一、实时、具备完整业务释义的数据底座，从根源解决 AI 自主取数时口径混乱、信息缺失的难题。
在这套全新的数据管理体系下，企业不需要推翻原先的数据中台。对此，何巍表示，AI 数据层可以作为数据中台的补充而非替代，将中台也作为一个数据源连接起来，避免重复搬运。
今天的世界复杂到不会用一个技术解决所有问题。数据中台适合处理需要大量清洗、加工、贴标签的确定性场景；数据虚拟化适合应对灵活、多变、实时的查询需求。两者是互补关系，而非替代关系。
AI 竞争的下半场，胜负手在于数据。企业若想突破 AI 落地的瓶颈，关键在于构建坚实的数据基础设施。通过数据虚拟化等技术打造统一的 AI 数据层，打通数据孤岛、统一业务语义，才能真正修好通往 AI 的"最后一公里"，让模型发挥出应有的价值。
（文｜Leo 张 ToB 杂谈，作者｜张申宇配资实力推荐，编辑丨杨林）
正配网提示：本文来自互联网，不代表本网站观点。