人工智能盲目飞行：为什么大型企业不再了解自己的数据

被低估的人工智能风险：为什么数据混乱会给公司造成数百万美元的损失

人工智能的热潮正逐渐被企业高管们面临的严峻现实所取代。尽管OpenAI、谷歌等公司的语言模型功能日益强大，但由于一个巨大却常被忽视的问题——内部数据混乱——它们在实践中的有效应用往往以失败告终。当合同、聊天记录、电子邮件和电子表格等数据以非结构化的方式散落在无数个信息孤岛和部门中时，即使是最智能的人工智能代理也无从下手，甚至可能出现故障。正是这种脆弱性催生了一个快速增长、价值数十亿美元的市场。专业的初创公司和成熟的科技巨头正在构建所谓的语义数据层——企业数据的新中央操作系统。但这项技术不仅带来了巨大的效率提升和革命性的支付模式，也蕴藏着网络安全和依赖性方面的潜在风险。本文将深入探讨人工智能未来的架构，并分析这种变革对经济（从大型企业到中型企业）的意义。.

与此相关：

• Unframe AI | 基于您现有系统构建的 AI 就绪数据。.

一个价值十亿美元的市场正从一个古老的问题中涌现。

过去两年，围绕人工智能在商业领域的讨论发生了根本性的转变。最初的焦点在于哪种语言模型能提供最佳答案，而如今，一个更为务实的方面已成为核心：这些模型所依赖的数据的质量、及时性和可访问性。一项针对100位来自年收入超过20亿美元、员工超过5000人的大型企业的高级数据和技术主管的调查，描绘了一幅令人警醒的景象。几乎所有受访者——确切地说是99%——都难以在不同的工具和部门之间定义一致的业务指标。近80%的数据团队花费超过一半的时间准备数据，而不是真正从中获取洞见。这些数据表明，语义不一致不再是一个边缘问题，而是许多大型企业赖以生存的根本所在。.

一类新型服务提供商正填补这一市场空白，将自身定位为企业碎片化现实与现代人工智能系统需求之间的桥梁。他们承诺将企业的所有数据源——从电子邮件和合同到ERP和CRM系统——整合到一个持续同步、可进行有效管理的层级中。加州-以色列-德国初创公司 Unframe总融资额达到了1亿美元。如此惊人的增长表明，在这个仅存在几年的细分市场中，确实存在着真正的需求，而不仅仅是空谈。.

为什么传统数据架构阻碍了人工智能的发展

为了理解这一发展的意义，有必要回顾一下数据仓库的历史功能。几十年来，数据仓库一直针对单一用途进行优化：回顾性报告。季度数据、销售统计数据、关键绩效指标等管理指标，所有这些都可以通过定期更新的高度结构化数据库得到令人满意的呈现。然而，人工智能，尤其是旨在独立决策或触发行动的基于代理的系统，需要截然不同的信息。它需要实时更新且与实际业务流程相关的运营信息。一个旨在支持供应链决策的人工智能代理无法处理三周前的数据，而这些数据仅仅是为回顾性分析而准备的。.

另一个结构性问题加剧了这种差异。据大型科技公司估计，高达 90% 的企业数据是非结构化的，分散在文档、聊天记录、支持工单、发票和日历条目中。如此庞大的信息量大多不在传统的基于电子表格的数据存储库的范畴之内，传统的分析工具根本无法访问。如果没有一个统一的语义层来一致地表示结构化和非结构化内容，就几乎不可能整合来自不同来源的信息，并将其作为可靠的上下文提供给人工智能模型。.

另一项针对生成式人工智能数据成熟度的基准评估项目也得出了结构相似的结论，尽管权重有所不同。该研究显示，59%的受访管理者认为数据质量和一致性是有效利用生成式人工智能的最大障碍，其次是数据碎片化（50%）和数据安全和隐私问题（50%）。值得注意的是，目前仅有13%的生成式人工智能应用公司能够阻止敏感数据（例如客户或员工信息）未经过滤地流入语言模型。这表明，数据治理方面存在着巨大的差距，远不止技术兼容性问题，而是直接关系到数据保护和监管责任。.

新数据层背后的商业模式

Unframe 等服务提供商遵循的基本原则可以概括为四个功能步骤。首先，企业系统、应用程序、数据存储库、文件和 API 连接到平台。其次，这些异构数据源被转换为一个单一的、具有治理能力的数据层，该数据层适用于整个组织。第三步是与源系统持续同步，确保数据层不会沦为过时的快照，而是反映业务的实际状态。只有在第四步，才会利用这一基础来驱动人工智能、分析和自动化——所有这些都构建在相同的统一基础上。.

从概念上讲，这种方法类似于组织的数字孪生，但其主要目的并非模拟物理过程，而是以一致的方式映射客户、产品、合同和交易。这种模型的经济优势在于，每个新的人工智能应用都不必从零开始获取相关的业务数据。相反，每个应用都可以利用同一个已经清洗和丰富的数据库。这有望显著降低后续每个人工智能项目的成本，因为人工智能项目中最复杂且常常被低估的部分——数据集成和清洗——只需完成一次。.

Unframe 将其产品描述为模块化、可重用的构建模块，这些模块可以组装成定制化解决方案，而无需针对每个用例单独训练模型。所谓的 Framery 作为一个开放平台层，可以连接到任何软件即服务 (SaaS) 产品、API、数据库或文件格式，无论基础设施是在云端、本地还是混合环境中运行。对于欧洲企业，尤其是德国企业而言，另一个方面至关重要：该平台独立于任何特定的语言模型提供商运行，这意味着它不依赖于任何特定提供商。此外，Unframe 还明确声明其符合欧洲通用数据保护条例 (GDPR) 和欧盟人工智能法。默认情况下，除非明确请求，否则数据不应离开客户的系统边界。.

在缺乏信任的市场中，基于结果的定价作为一种信任信号

Unframe的商业策略中一个特别值得关注的方面在于其定价模式。与传统软件供应商不计实际效益就收取许可费不同， Unframe 采用的是基于结果的计费模式。客户只有在解决方案切实有效并带来实际成果时才需要付费。这一决定绝非偶然，而是直接回应了企业董事会根深蒂固的质疑。正如公司联合创始人公开表示的那样，企业已经厌倦了为绝大多数情况下都失败的解决方案买单，因此他们需要一种与实际成功挂钩的付费模式。.

这一观察结果与许多企业的普遍经验相符，这些企业多年来一直在尝试所谓的概念验证项目，却始终未能将其整合到生产系统中。大量前景广阔的人工智能应用案例积压，众多试点项目层出不穷，但几乎没有任何成果真正应用于日常运营——这概括了许多企业转向这类新型服务提供商的现状。这种模式的经济核心在于将项目失败的风险从客户单独承担，至少部分风险转移到服务提供商自身。这从根本上改变了激励机制，也可能是观察到的增长动态的关键原因之一，尤其是前文提到的400%的净收入留存率，这意味着现有客户的平均支出在一年内翻了四倍。.

客户是谁？这揭示了市场成熟度的哪些方面？

上述参考客户展现了各个行业的有趣面貌。其中包括房地产公司高纬环球（Cushman & Wakefield）和艾维森·杨（Avison Young）、网络安全公司Armis以及瑞士出版社NZZ。此外，报告还提及了航空公司利用该技术优化机组人员排班以及零售商利用该技术规划促销活动的应用案例。这种涵盖房地产、媒体、安防、航空和零售等行业的分布表明，这并非针对单一行业的利基解决方案，而是一个跨行业的基础设施问题，显然会在截然不同的经济环境下出现。.

该公司的地理和组织结构也值得关注。Unframe总部位于加利福尼亚州库比蒂诺，并在特拉维夫和柏林设有办事处，体现 Unframe 科技行业典型的跨大西洋或跨洲际布局，融合了美国资本、以色列技术研发以及靠近欧洲市场的地理优势。对于一家以德国市场为重点的公司而言，尤其值得注意的是，其运营联合创始人明确在柏林办公，并且该公司多次参与欧洲数字盛会，例如在柏林举办的Mind the Tech大会。这表明该公司有意将战略重心放在欧洲市场。由于欧洲市场对数据保护的要求更为严格，并且普遍对未经授权将公司数据传输至美国云服务提供商持更为谨慎的态度，因此其需求与北美市场有所不同。.

竞争格局和科技巨头的竞赛

上述趋势绝不仅限于专业初创公司。成熟的科技公司也已将企业数据碎片化问题视为关键增长领域。戴尔科技与英伟达合作开发了一个人工智能数据平台，其目标是将数十年来分散的企业数据转化为可执行的智能信息。戴尔一位高级产品营销主管精辟地指出，解决数据问题不仅要关注存储层面，还必须涵盖从数据摄取、整理到编排的整个流程，最终确保数据能够可靠地到达图形处理器的计算资源。.

IBM在其对2026年关键数据趋势的评估中也强调，如果没有一个能够统一访问结构化和非结构化数据的融合平台，企业将无法以必要的速度和可靠性实施分析和自主自动化。作为全球历史最悠久、规模最大的IT公司之一，IBM的这一评估表明，这并非小型供应商的个别问题，而是整个行业面临的根本性结构性挑战，也是制约行业发展的关键瓶颈。值得注意的是，IBM明确指出，没有任何一家供应商能够独自解决这个问题，因为分布式数据的集成以及自主AI系统所需基础设施的开发，都需要广泛的合作伙伴和技术生态系统的支持。.

这项评估为实际的竞争格局提供了重要的启示。市场并非由单一赢家主导整个价值链，而是由众多侧重点各异的供应商组成，其中一些供应商互补，一些供应商则相互竞争。像K2View这样的专业供应商专注于可操作的、生产就绪的数据架构，而像戴尔和英伟达这样的基础设施公司则提供底层计算能力，像 Unframe 这样的平台供应商则弥合了原始数据和可部署的AI应用之间的鸿沟。.

托管式人工智能平台 - 图片来源：Xpert.Digital

在这里，您将了解到您的公司如何快速、安全地实施定制化的人工智能解决方案，且无需承担过高的准入门槛。.

托管式人工智能平台是您实现人工智能的全方位、无忧解决方案。您无需处理复杂的技术、昂贵的基础设施和漫长的开发流程，即可从专业合作伙伴处获得根据您的需求量身定制的现成解决方案——通常只需几天时间。.

主要优势一览：

⚡ 快速实施：从构思到可立即使用的应用，只需几天而非几个月。我们提供切实可行的解决方案，创造即时附加值。.

🔒 最高数据安全保障：您的敏感数据始终由您掌控。我们保证安全合规地处理您的数据，绝不与任何第三方共享。.

💸 无财务风险：您只需为结果付费。完全无需前期投入大量资金用于硬件、软件或人员。.

🎯 专注于您的核心业务：集中精力做好您最擅长的事情。我们将负责您人工智能解决方案的全部技术实施、运营和维护。.

📈面向未来且可扩展：您的AI将与您一同成长。我们确保持续优化和可扩展性，并灵活调整模型以适应新的需求。.

更多信息请点击这里：

• 托管人工智能平台

治理作为一项被低估的竞争因素

在关于人工智能的公共讨论中，一个经常被忽视的方面是治理问题——即对谁有权访问哪些数据、如何处理数据以及如何追溯到具体的AI决策的控制权。上文提到的对一百位数据经理的调查显示，87%的受访者要求提高人工智能如何使用和解读其数据的透明度。这是一个非常高的比例，表明对人工智能系统可靠性的信任并非无关紧要，而是其在组织中被更广泛接受的关键前提。.

受访公司未来三到五年的中期优先事项也印证了这一点。92%的公司将跨不同数据源的可扩展性列为优先事项，83%的公司将数据和关键绩效指标 (KPI) 的可移植性列为优先事项，82%的公司将人工智能的治理和可观测性列为优先事项。这三项优先事项密切相关。如果没有跨系统边界一致的可扩展数据结构，就无法建立可靠的治理；而没有治理，任何扩展都将伴随重大的法律和声誉风险，尤其是在欧盟《通用数据保护条例》(GDPR) 和现已生效的欧盟人工智能法方面。.

这一点对德国和欧洲企业尤为重要，因为其监管框架远比美国或亚洲大部分地区严格。欧洲企业在部署人工智能数据层时，必须从一开始就考虑如何保护个人数据、如何记录处理流程，以及在发生争议时如何确保人工智能系统决策的透明度。例如，如果供应商从一开始就将这些要求融入其架构中，例如允许数据完全保留在自身系统边界内，那么他们就能比那些主要依赖监管较为宽松的美国云基础设施的竞争对手获得结构性优势。.

对德国中小企业的经济影响

虽然目前提及的参考客户主要是大型跨国公司，但一个合理的问题是，这一主题对德国中小企业（传统上是德国经济的支柱）是否适用。乍一看，小型企业的处境似乎不那么严峻，因为它们的系统较少，数据量也较小。然而，仔细分析就会发现，多年来有机增长并各自独立实施会计、库存管理、客户关系管理和沟通等解决方案的中小企业，同样面临着结构性碎片化问题——只是规模较小而已。.

因此，关键的经济问题不在于问题是否存在，而在于在IT预算有限的情况下 Unframe 投资统一数据层是否具有经济合理性。Unframe率先推出的基于结果的定价模式可能会在此发挥重要作用，因为这种模式可以显著降低小型企业的财务风险。同时，可以预见的是，更精简、更专业的解决方案将逐渐被中型企业所采用，而非为数十亿美元级企业设计的综合平台。然而，无论公司规模大小，一致且持续同步的数据层是任何有意义的AI应用的先决条件这一基本逻辑仍然成立。.

关于新数据层的风险和未决问题

尽管这一发展值得高度关注，但相关的风险也不容忽视。将整个企业数据环境迁移到统一的中央层，必然会使其成为网络犯罪分子的极具吸引力的目标。一旦成功攻破这个中央数据层，其后果可能远比攻破单个独立系统更为严重，因为它可以立即获取整个公司的客户、合同和财务数据。因此，此类平台的安全架构必须极其强大，企业在选择服务提供商时，应仔细审查其如何控制细粒度的访问权限以及加密标准的实施情况。.

另一个更具战略意义的风险在于对单一平台提供商的依赖。虽然 Unframe 明确强调其不依赖于特定的语言模型，但其底层数据层本身仍然存在显著的结构性依赖。如果公司决定更换提供商，迁移多年来积累的全公司数据层很可能是一项艰巨的任务，类似于大型 ERP 系统切换所面临的挑战。这种锁定效应自然很少得到提供商自身的重视，但应该将其纳入每一项战略决策的评估之中。.

最后，结果的实际质量问题依然存在。即使是最先进的数据层也无法保证由此产生的AI决策完全无误。尤其对于自主发起行动的、基于代理的独立系统而言，一旦出现错误，责任归属问题仍未得到解决。如果AI代理基于同步错误的数据层做出错误的商业决策——例如，误解合同条款或做出有缺陷的供应链决策——责任问题便会立即出现，而这个问题迄今为止在合同和监管层面都尚未得到充分解决。.

对实际进展的冷静评估

对这一发展趋势的批判性评估表明，我们必须对那些夸大其词的“救星”承诺保持谨慎。人工智能可以在几天内部署到成熟的企业环境中并投入生产使用，这种说法或许在某些特定且定义明确的用例中成立，但对于绝大多数复杂的业务流程而言，这很可能是对现实的严重简化。以往的数字化转型浪潮，例如云基础设施的引入或ERP系统的实施，都表明即使是技术上非常先进的解决方案，也常常因为组织阻力、源系统数据质量不足以及员工缺乏变革意愿等原因而失败。.

与此同时，根本的诊断无疑是正确的。企业数据的碎片化是真实存在的，有充分的实证研究支持，并且确实是人工智能高效应用的关键瓶颈之一。因此，问题的关键不在于构建统一的、与人工智能兼容的数据层是否合理，而在于对于拥有独特历史系统架构、风险承受能力和可用预算的特定公司而言，哪条实现路径最具经济可行性。对于那些迄今为止一直犹豫不决的公司而言，过去两年的市场发展提供了一个重要的线索：那些继续尝试孤立、缺乏协调的试点项目的公司，在中期内将会落后于那些早期投资构建统一数据基础的竞争对手。.

打破数据孤岛：通往可互操作企业人工智能之路

未来几年的发展很大程度上取决于能否建立不同数据层和人工智能平台之间互操作性的统一标准。如果业界成功开发出开放协议，使不同的数据层和人工智能模型提供商能够无缝协作，这将显著降低现有的依赖风险，并加剧竞争，最终惠及客户。目前已有一些初步进展，例如，支持开放接口协议，使得企业无需完全替换现有内部人工智能助手即可实现集成。.

对于历来对采用新兴数字技术较为谨慎的德国企业而言，尽管它们拥有符合国际标准的严格数据保护文化，并在许多方面堪称典范，但这一发展趋势却带来了一个颇具战略意义的机遇。从一开始就将欧洲合规要求融入自身架构的供应商，尤其是在德语国家，将比纯粹的美国供应商在信任度方面获得显著优势。美国供应商的数据处理实践历来透明度较低，且受到的监管也相对宽松。尽早建立一致且符合治理要求的数据层的德国企业，不仅能够获得技术上的竞争优势，还能获得监管方面的竞争优势。随着欧洲人工智能立法的进一步推进，这一优势在未来几年可能会显得愈发重要。.

Konrad Wolfenstein

我很乐意担任您的私人顾问。.

您可以通过wolfenstein∂xpert.digital 联系我

请拨打 +49 7348 4088 965 。

LinkedIn