每一项关于生成式AI的调查(包括我们自己的调查)都指向一个无法回避的结论:数据成熟度不足将阻碍生成式AI潜力的充分发挥。
在被问及采用AI面临的挑战时,56%的受访者选择了“数据成熟度不足”,这是占比最高的回答。
纵观行业现状便可发现,数据成熟度不足确实是采用AI过程中的一大障碍。

业界普遍认为,数据成熟度不足正对AI工作产生负面影响。
什么是数据成熟度不足?
在AI领域,数据不成熟是指组织的数据实践尚不成熟或不够完善,限制了其有效利用AI的能力。这涉及数据质量、可访问性、治理和基础设施等方面的问题,例如:
- 数据质量差:不一致、不完整或过时的数据会导致AI结果不可靠。
- 数据可用性有限:部门间的数据孤岛阻碍了数据访问和全面分析,限制了洞察的获取。
- 数据治理薄弱:缺乏有关数据所有权、合规性和安全性的政策会带来风险,并限制AI的使用。
- 数据基础设施不足:工具和基础设施不足,阻碍了大规模数据处理和AI模型训练。
- 数据策略不明确:缺乏明确的策略会导致各项举措缺乏协调,对有助于AI的数据关注不足。
数据成熟度不足会阻碍组织充分发挥AI的潜力,因为高质量、管理完善且易于访问的数据,是开发可靠、有效的AI系统的基础。为解决数据成熟度不足的问题,组织通常会从制定数据战略、实施数据治理政策、投资数据基础设施以及提升各团队的数据素养入手。
对AI采用的影响
前文的讨论引出了本文的核心观点:数据成熟度不足正在阻碍AI的采用。AI的采用步伐已经放缓,因为大多数组织已落地了较易实现的生成式AI应用(聊天机器人、助手、智能副驾),而在尝试拓展到工作流自动化等更具价值的用例时,却遇到了数据成熟度不足的问题。如果不优先提升数据成熟度,组织将难以实现这些更高级的AI能力。
数据成熟度不足会使组织难以信任分析结果和执行的可预测性。这会阻碍以更自主的方式利用AI的各项计划,无论是业务流程自动化,还是运营流程自动化。《麻省理工斯隆管理评论》2023年的一项研究指出,采用成熟数据管理实践的组织,在工作流自动化方面取得成功的可能性比数据实践不成熟的组织高60%。数据成熟度不足会限制AI的预测准确性和可靠性,而这两点对于无需人工干预即可作出决策的自主功能至关重要。
组织必须先做好数据管理,才能真正发挥AI的潜力,优化工作流,为人们腾出宝贵时间,专注于战略和设计等大多数AI尚不擅长的任务。这里的“必须”指的是RFC中MUST所表达的强制性要求。
提升数据成熟度
解决数据成熟度不足的问题对于实现高级AI能力至关重要。关键步骤包括:
- 制定明确的数据战略
使数据收集、管理和质量标准与组织目标保持一致,确保数据有效支持AI项目。 - 实施健全的数据治理
制定有关数据所有权、合规性、安全和隐私的政策,以提高数据质量,并增强对AI洞察的信任。 - 投资建设可扩展的数据基础设施
采用云存储、数据管道等现代化基础设施,支持高效处理和可扩展的AI训练。 - 提高数据质量标准
制定数据准确性、一致性和完整性标准,并定期开展数据监测和清洗。 - 提升数据素养,促进协作
在数据部门和业务部门之间培育重视数据素养与团队协作的文化,提升数据的可访问性和影响力。
通过采用这些实践,组织可以为AI建立坚实的数据基础,从而优化工作流程、降低风险,并腾出更多时间处理战略性任务。
数据成熟度不仅是技术层面的必要条件,也是一项战略优势,有助于组织充分释放AI潜力。通过解决数据成熟度不足的问题,组织可以从基础AI应用转向更具变革性、以价值为导向的用例,从而为在AI驱动的未来取得长期成功奠定基础。
如需了解详情,请参阅我们的《2024年数字企业成熟度指数报告》。
关于作者

Lori MacVittie是F5首席技术官办公室的杰出工程师兼首席技术布道师,在应用交付、自动化战略和基础设施领域拥有深厚的专业知识。无论是为AI智能体定义防护机制、剖析脆弱的多云架构,还是探索可扩展系统的极限,她都善于化繁为简。她在应用开发、IT架构以及网络和系统运维领域拥有30多年的行业经验。加入F5之前,她曾担任技术编辑,并因出色表现获得奖项。 MacVittie拥有计算机科学硕士学位,著述颇丰,出版作品涵盖安全、云和企业架构领域。她还热衷于桌面游戏和电子游戏,并且对奶酪有着毫不掩饰的鲜明见解。
Lori Mac Vittie 的更多博客文章相关博客文章
2023年应用策略现状:成本与复杂性是推动多云网络发展的首要因素
多云网络解决方案可在核心、云和边缘环境之间实现无缝、安全的互联,为解决当今混合IT面临的挑战提供支持,因而备受业界关注。
