AI 要释放商业价值，需要强有力的数据织网
文章认为，企业 AI 的主要瓶颈已不再是模型性能或算力，而是数据质量与业务语境。只有把分散在应用、云和业务流程中的语义、规则与知识连接起来，AI 才更可能做出可信且有业务价值的决策。
现代的数据织网，能够把企业现有的知识转化为 AI 可依赖的可信基础。
人工智能正在企业中快速推进，从实验走向日常使用。各类组织正把 copilots、agents 和预测系统部署到财务、供应链、人力资源和客户运营等环节。根据一项最新调查，到 2025 年底，有一半公司已在至少三个业务职能中使用 AI。
但随着 AI 被嵌入核心工作流，企业管理者正发现，最大的障碍不是模型性能，也不是算力，而是这些系统所依赖数据的质量和语境。AI 实际上提出了一个新的要求：系统不仅要能访问数据，还必须理解数据背后的业务语境。
SAP Data & Analytics 总裁兼首席产品官 Irfan Khan 表示，如果缺少这种语境，AI 虽然能够很快给出答案，但仍可能做出错误决策。
他说：“AI 在产出结果方面极其擅长。它运行很快，但如果没有语境，它就无法作出良好判断，而良好判断才是企业获得投资回报的关键。没有判断力的速度没有帮助，反而可能伤害我们。”
在自主系统和智能应用正在兴起的阶段，这一语境层正变得必不可少。Khan 说，企业若要提供这种语境，需要的是一个设计良好的数据织网，而不是一个只负责整合数据的系统。合适的数据织网能够帮助组织安全地扩展 AI，在系统和 agents 之间协调决策，并确保自动化反映真实的业务优先级，而不是孤立地做判断。
正因如此，许多组织正在重新思考自身的数据架构。它们不再只是把数据搬进一个单一存储库，而是在寻找办法，把应用、云和运营系统中的信息连接起来，同时保留描述业务如何运作的语义。这一转变正推动数据织网作为 AI 基础设施底座受到更多关注。
语境流失正成为 AI 的关键问题
长期以来，传统数据战略主要聚焦于聚合。过去二十年里，组织投入了大量资源，把信息从运营系统中抽取出来，再加载到集中式仓库、数据湖和仪表盘中。这种方法让报表、绩效监测和跨业务洞察更容易实现，但在这个过程中，附着在数据上的大量含义也被削弱了，包括它与政策、流程和现实决策之间的关系。
以两家使用 AI 管理供应链中断的公司为例。如果其中一家只使用库存水平、交付周期和供应评分等原始信号，而另一家还加入了跨业务流程、政策和元数据的语境，那么两套系统都能快速分析数据，但很可能会得出不同结论。
Khan 表示，哪些客户属于战略客户、在短缺情况下可以接受哪些取舍、延伸供应链当前处于什么状态，这类信息会让一个 AI 系统具备作出战略决策的能力，而另一个系统则因为缺乏恰当语境而做不到。
他说：“两套系统移动得都很快，但只有一套是在朝正确方向前进。这就是语境溢价，也是当你的数据基础从设计之初就能在流程、政策和数据之间保留语境时，你所获得的优势。”
过去，企业之所以能在某种程度上弥补语境缺失，是因为人类专家会补上缺漏的信息；但在 AI 场景里，这种缺口会形成明显短板，并带来严肃限制。AI 系统不只是展示信息，它们还会据此行动。如果系统无法解释数据为什么重要，AI 模型就可能朝错误目标优化。库存数字、付款历史或需求信号也许准确，但它们并不一定能揭示哪些客户必须优先保障、哪些合同义务适用，或哪些产品具有战略重要性。结果是，系统给出的答案在技术上可能正确，但在运营上却有缺陷。
这一认识也正在改变企业对 AI 就绪度的理解。多数企业承认，它们还没有足够成熟的数据流程和基础设施，无法真正信任自身的数据及 AI 系统。只有五分之一的组织认为自己的数据方法已经高度成熟，只有 9% 认为自己已为数据系统之间的集成与互操作做好了充分准备。
不要只做整合，要做集成
正在浮现的解决方案是数据织网：一种横跨基础设施、架构和逻辑组织方式的抽象层。对于 agentic AI 来说，这层织网会成为主要接口，使 agents 交互的对象不再是原始存储系统，而是业务知识。知识图谱在其中扮演核心角色，它让 agents 能以自然语言和业务逻辑查询企业数据。
Khan 说，数据织网的价值依赖三个组成部分：提供速度的智能算力、提供业务理解和语境的知识池，以及建立在这种理解之上、能够自主行动的 agents。它之所以有力量，正在于这些能力能够协同运作。
技术提供的是架构，也就是让 agent 与 agent 之间能够沟通和协同的基础。流程则界定了业务部门与 IT 如何共享责任，并建立治理机制以及足以让人们愿意采用它的信任文化。只有这三者一起发挥作用，企业数据织网才可能真正成功。
他说：“它让决策更有把握、更一致；当这些要素结合在一起时，AI 不再只是分析和解读数据，它会推动更聪明、更快速、真正产生业务影响的决策。这正是经过审慎设计的企业数据织网所承诺的结果：每个部分都相互强化，每一条洞察都建立在信任与清晰之上。”
从技术上看，构建数据织网层需要若干能力。数据必须能够通过联邦方式跨多个环境被访问，而不是被强行集中。还需要一个语义层或知识层，用来统一不同系统之间的含义，这通常由知识图谱和目录驱动的元数据提供支持。治理和政策执行也必须贯穿整个织网运行，这样 AI 系统才能以安全且一致的方式访问数据。
这些要素共同构成了一个基础，让 AI 面向的是业务知识，而不是原始存储系统。这也是企业从实验阶段迈向真实自动化的关键一步。
超越数据孤岛与仪表盘
在 agentic AI 正在兴起的阶段，围绕数据进行监测、分析和决策的责任正越来越多地从人转向软件。AI agents 可以监测事件、触发工作流，并实时作出决策，而且往往不需要人直接介入。这种速度带来了新的机会，但也提高了风险水平。当多个 agents 横跨财务、供应链、采购或客户运营协同时，它们必须建立在对业务优先级的同一种理解之上。
如果没有一个把分散数据连接起来的共同知识层，系统之间的协同会很快失效。一个系统可能优化利润率，另一个优化流动性，还有一个优化合规性，而它们各自依据的只是不同的数据切片。
Khan 说，重要的是，大多数企业其实已经拥有让这套机制发挥作用所需的许多知识。多年来积累的运营数据、主数据、工作流和政策逻辑，早已存在于各类业务应用之中，企业需要做的只是让这些知识变得可访问。部署数据织网的公司，对自身数据的信任程度会更高，超过三分之二的企业看到了数据可访问性、数据可见性提升，以及对数据拥有更强控制力。
他接着说：“机会不在于从零发明语境，而在于激活并连接企业内部已经存在的语境。”他还表示，数据织网是一种“架构，它确保数据语义、业务流程和政策在所有云之间作为一个统一系统连接起来”。
这篇内容由 MIT Technology Review 的定制内容部门 Insights 制作，并非由 MIT Technology Review 编辑部撰写。文章的研究、设计和写作由人类作者、编辑、分析师和插画师完成，其中也包括调查问卷的撰写与调查数据的收集。可能使用到的 AI 工具仅限于经过充分人工审查的次级制作流程。
核心判断
这篇文章的核心观点是，企业 AI 能否真正创造商业价值，取决于数据是否保留并连接了业务语境，而不只是被集中存储。
为什么值得关注
这件事值得关注，是因为文章把企业 AI 落地中的关键瓶颈从“模型和算力”转向了“数据语义、业务规则与治理是否被系统化保留”。如果这一判断成立，那么企业下一阶段的投入重点可能不只是继续扩展 AI 应用数量，而是先补齐数据织网、知识层和跨系统治理能力，否则 AI 即使回答更快，也未必更可靠。
影响分析
企业数据架构的重点，正从集中存储转向跨系统连接与语义保留。
agentic AI 的可用性，越来越依赖统一的知识层和治理机制。
对企业而言，已有业务数据和流程知识可能比新增模型能力更关键。
如果缺少业务语境，AI 可能在技术上正确、在运营上失准。
后续观察点
企业是否会把 AI 投资重心转向数据织网、知识图谱和联邦访问能力。
业务部门与 IT 能否建立共同治理和责任分配机制。
更多企业是否会证明数据可访问性、可见性与控制力的提升能转化为实际业务结果。