2026趋势报告：数据与人工智能-21页

微信扫码，打开到小程序

1 2026趋势报告：数据与人工智能 2026趋势报 告：数据与 人工智能 2 报告概览 2026行业特定趋势 2026年数据与人工智能趋势 2026趋势报告：数据与人工智能 简介：大（的）脱节 各行业人工智能雄心与实际运营之间的差距不断扩大 如何为2026做准备 构建准备状态并避免常见陷阱的关键行动 2026年AI的成功将由数据基础设施驱动，而非新模型 1. 为什么现代数据基础设施而不是最新的AI模型为企业带来最高的投资回报率 7. 表现优异的公司正在协调数据、人员和目标，以负责任的方式扩展人工智能 成功组织了解自身、其数据和其人员的内容 6. 企业正在优先考虑数据生命周期管理、现代化和人力能力 塑造未来18个月人工智能驱动转型的战略重点 人工智能正从概念验证阶段发展到企业级部署 3. 人工智能从测试和试点转向各行业的战略性、生产就绪型应用 组织正从广泛实验转向具体、高价值 2. 用例 从炒作转向专注：经过验证、可衡量的应用取代了漫无目的的实验 5. 语义建模、对话智能和治理正成为关键的不同点 定义可扩展性、信任和负责任的人工智能采用的隐藏促进因素 结论：基础决定未来 前方的三条道路以及为什么坚实的基础决定了你选择哪一条 4. 公司正在重新思考无法扩展的短期、技术优先的人工智能战略 组织如何从早期错误中学习 航空、零售、媒体、医疗保健和科技行业的部门预测，以及人工智能如何重塑运营、创新和 人才 3 转化与现代化的区别被模糊了。许多 2026趋势报告：数据与人工智能 简介：大（的）脱节 2026趋势报告：数据与人工智能 DataArt专家就人工智能实际应用领域、阻碍企业发展的 常见问题以及未来18个月将决定成功的优先事项提供的 见解。 文化产业，例如，生动地揭示了这种不匹配。组织热情地采用人工智能和扩 展现实工具用于游客互动，然而，在调查的文化机构中，82%缺乏用于生产 部署的数据治理框架和员工技能。音乐产业承认数据是一项关键资产，但仍 受碎片化及元数据标准化缺乏的限制。 虽然公司声称在拥抱 尖端创新，但其中许 多的工作流程仍未被 其影响。这与其说是 采用生成式人工智能 ，不如说是使日常工 具现代化。 本报告综合了2025年9月和10月对DataArt高级数据、AI和技术领导者进行 的全面访谈的发现。在本报告期间，您将发现这些专家的直接见解——他们 是构建数据平台、部署AI解决方案以及日常指导企业转型的实践者。他们的 观点反映了AI的真实能力和最常见的失败点的实际经验，揭示了AI实施中真 正有效和无效之处。 金融服务也讲述了一个相似的故事。通用人工智能在关于生产力、潜在裁 员以及竞争优势的讨论中占据主导地位。然而，实际实施主要发生在技术 团队和高级分析组内。金融、风险和基金管理的核心业务功能仍然高度依 赖从1990年代或21世纪初遗留数据库中提取并由手动填充的Excel文件。 这种分歧在不同行业都表现明显。公司在新闻稿中宣布人工智能计划，而 财务团队则手动在不同系统间复制数据。高管们倡导数据驱动决策，但当 结果与直觉冲突时又会推翻分析结果。技术部门像离岸服务提供商一样运 作，而非战略合作伙伴，导致了理解碎片化和缓慢的接口，从而扼杀了创 新。 大多数企业所谓的 AI 应用，实际上只是员工使用 ChatGPT 进行搜索和邮 件生成。真正的应用是指公司利用 AI 自动化流程、实现新能力，并服务于 其特定的业务和客户需求。 组织对AI的预期与实际交付所需之间存在一个基本差距。决策者追求低成 本转型性胜利，而忽视了使这些胜利成为可能的基础性工作。 4 2026趋势报告：数据与人工智能 点状实施 关键基础，常常缺失 2026年数据与人工智能趋势 公司关注点在哪里 人工智能应用层次 GenAI飞行员与POCs GenAI飞行员与POCs 流程自动化与分析 流程自动化与分析 数据平台与治理 数据平台与治理 公司在实际进行现代化时，会谈论转型。他们声称要利用人工智能、数据平 台和自动化来重新创造他们的业务。但在实践中，大多数精力都花在修复旧 系统、清理数据或集成彼此无法通信的工具上。这项工作是必要的，但它不 是转型。 我坚信改进数据管理 是我们客户所有工作 的核心。如果贵企业 的数据是孤立的、难 以修改、难以访问、 管理方式成为瓶颈， 并且局限于狭隘的应 用场景，那么就很难 取得进展。” 1 2026年人工智能的成功将是由数据基础设施驱 动，而非新模型 如果2025年是人工智能实验之年，那么2026年将是基础核算之年。目前最 高投资回报率的技术投资是数据基础设施，而不是最新的AI模型。构建合 适的管道、建立清晰的公司级数据管理方法，并使数据高度可用且尽可能 接近实时，代表着最佳的回报率举措 人工智能应用层次 人工智能应用层次 对于任何公司。从那里开始，实施分析和人工智能解决方案可以创造巨大 的财务收益。 公司对其云计算平台的投资正在推动当前最显著的业务成果。这是因为这 些项目能够对企业产生影响的成熟度和规模——在这一点上，人工智能尚 未能够匹敌这种规模。 真正的转型发生在技术真正改变决策方式、人们的工作方式以及顾客体验 品牌的时候。这需要更深层次的文化转变，而不仅仅是新的技术堆栈。 5 2026趋势报告：数据与人工智能 开发者生产力工具已实现近乎普遍的应用。像Cursor这样的工具现在已成为 标准。在非结构化文档处理方面存在强劲的势头：提取、摘要以及有限的交 叉检查正变得常规且可靠。 三到五年前投资了云计算平台的公司现在正看到这些投资带来回报，其规模 是人工智能目前无法匹敌的。具备明确边界条件的数据平台，以支持自助式 分析，仍然是优先事项。技术已经存在，因此公司需要先实施它，再去追求 更奇特的性能。 软件开发代表AI最大的成功和最大的复杂性。编码助手的效率收益因开发者 的经验水平及项目背景而差异显著。当工程师缺乏成熟度或高级经验时， 使用编码助手的结果可能不一。 数据治理需要特别关注。多个组织已在内部分别实施了微软Copilot等工具 ，但缺乏适当的访问权限和治理，导致员工之间意外共享敏感信息。这并 非真正的人工智能问题，而是数据权限和治理的失败。在准备人工智能时 ，强大的治理框架需要成为优先事项。 2 组织正从广泛的实验转向具体的高价值用例 该模式在各行业重复出现。航空公司需要数据共享平台，以实现与第三方实 体的合作。在媒体和娱乐行业，投资将人工智能与强大的数据管理相结合， 能够带来切实的成果，包括超个性化的客户体验、内容与受众趋势的先进分 析，以及新的盈利机会。 数据是人工智能运行 的燃料，公司需要专 注于他们的数据，并 通过人工智能从中获 取其内在价值。” 最具影响力的投资聚焦于去中心化数据平台，尤其是数据网格架构以及来 自Snowflake、Databricks等主要云平台提供的现代技术堆栈。这些平台提 供快速、可访问、API驱动的架构，解锁敏捷性、民主化数据访问，并奠定 GenAI集成的基石。投资是创新的战略赋能者，能够提升速度和竞争优势 。 尽管每个人都谈论人 工智能，但客户在数 据管理和治理的基础 方面仍有重大问题。 专注于销售、服务、 营销和运营支持的数 据项目仍然是基础。” 多个领域显示出AI带来的可衡量影响：效率提升、流程自动化、文档自动 化、客户支持、教育、内容创作和软件工程。AI优先解决方案已经成熟， 足以在大多数行业实现商业成果。 人工智能可以极大地促 进软件开发，但大多数 团队难以有效利用它。 有时，营销宣传超出了 人工智能实际所能交付 的内容，因此团队必须 谨慎选择应用它的地方 。但正确的方法能带来 巨大的收益。” 人工智能在精确、受限的应用中创造真实的商业价值。在广泛、未定义的使 用场景中，它仍然处于实验阶段。最清晰的胜利来自于智能自动化。对于大 多数组织来说，通往真实商业价值的最短路径是训练人工智能代理来处理完 全在数字系统中发生的手动流程。人工智能代理正在诸如收入周期管理等领 域被成功使用。使用人工智能代理进行的智能自动化具有明确商业价值。 6 ? ? 2026趋势报告：数据与人工智能 云基础设施 展示用例价值的矩阵 云基础设施 展示用例价值的矩阵 投资 投资 阿啦 阿啦 生成生成 业务影响 业务影响 决策决策 AI AI 智能智能 自动化 自动化 客户客户 服务服务 文档文档 处理处理 开发者 开发者 工具 工具 技术成熟度 技术成熟度 医疗保健行业预示着未来的发展方向。近期，美国食品药品监督管理局批 准了AI辅助工具在肺活检过程中用于提升实时导航精度的有限使用。预计到 2026年，该技术将获得更广泛的批准。随着AI在现实世界中的更多应用改 进医疗保健，全球监管机构将完善基于AI的医疗应用监管指南，为更多创新 扫清道路。那么，究竟是什么将成功与失败区分开来？那就是针对性。从 具体问题出发的公司能够看到回报。在零售业，AI在需求预测、动态定价、 客户服务自动化和供应链优化方面带来了明确的ROI。这些领域在几个月内 就能产生可衡量的成果，而非几年。 在决策和α生成方面，人工智能仍主要处于实验阶段，尤其是在受监管的行 业。在高度受监管的金融服务领域，信任、透明度和合规性至关重要，人工 智能在这些领域的角色仍然处于探索阶段。 3 人工智能正从概念验证阶段发展到企 业级部署 到2026年，人工智能的采用将从根本上不同于当今的实验方法。从概念 验证转向生产已经发生了转变。 针对常见业务问题的现成人工智能解决方案比定制解决方案能提供更具一致 性的价值，因为它们专注、易于访问且立即有用。它们相对便宜，并可作为 员工测试平台和教育工具。若要区分您商业模式的独特能力，定制解决方案 则成为必要。聊天机器人似乎是昨日黄花。真正的价值在于解决具体问题。 当公司在没有明确商 业案例的情况下追逐 通用的AI转型时，这 仍然大多处于实验阶 段。构建没有明确定 义的用途的聊天机器 人，没有所有权的试 点，或与运营脱节的 大型语言模型实验。” 7 3 2024 202" 202& 202) 202- 3 2024 202" 202& 202) 202- 2026趋势报告：数据与人工智能 人工智能采纳进化 人工智能采纳进化 阶段 阶段 广义 实验 战略飞行员 & 基础 建筑 生产 部署 & 编排 人工智能增强 操作 主流 成熟A 能力 商业 令人惊讶的是，人工 智能将不会让人觉得 具有未来感。它将会 让人觉得平凡且必不 可少，就像微软办公 软件中的Excel曾经那 样。” 越来越多的公司将会 转向更为战略性的AI 应用方法，解决基础 设施的薄弱环节和通 往生产之路，以及调 整组织，将AI视为其 业务和组织发展策略 中的主要催化剂。 通用人工智能工具将让位于专业、代理化的应用。到2026年，越来越多的 领先企业将从一个通用工具转向更专业、代理化的AI应用。在需要成熟治 理的复杂环境中，企业级代理将成为这些先行者的焦点。一旦通用人工智 能被嵌入整个组织，为业务流程自动化编写代理就成为一个合理且强大的 下一步。这就是2026年预期最具动力的地方：AI从被动辅助转向工作流的 主动协调。 人工智能泡沫周期显示出顶峰的迹象，尽管专家们对时间表示不一致。一 些人认为，随着企业意识到炒作并不能带来即时转型，泡泡正在显示出破 裂的迹象。其他人反驳说，这个模式在达到修正之前还有两到三年的时间 。 人工智能将不会感觉像一项单独的倡议。到2026年，在已经建立良好基础 的公司中，人工智能的采用将从试点转向最小可行产品和生产。大多数公 司仍在实验，但这正在为有准备的公司改变。人工智能将通过工具、平台 和特定领域的代理嵌入到日常工作中。我们将看到关于人工智能项目的话 题减少，而更多关于人工智能增强型团队的话题，规划师、工程师和营销 人员都将使用人工智能助手和代理作为他们日常工作的组成部分。重点将 从构建模型转向治理、集成和衡量规模化价值。 已经开始了。近年来看到了广泛的POC实验，部分原因是格局和模型快速演 变，人类需要时间来适应。人们和组织拥抱小规模实验，但推迟了战略赌注 和决策。最初的适应 largely 结束了。对于大多数组织，在特定的用例集群 中，AI 开始显示出真正的效益。这可能不是 10 倍的收益，但即使是 10-20 % 也是实质性的。 实验广泛 战略飞行员建造与 基础 生产代理 部署与编排代理 AI增强 成为 操作主流变 成熟A 嵌入式 跨能力 嵌入式业务 acros s 8 2026趋势报告：数据与人工智能 AI 成功因素 是 商业案例定义？ 失败 达娜·夸利尼·苏夫西恩？ 是 失败 是 治理机制是否到位？ 失败 程序 no Pilon 程序 no Pilon 医疗保健领域将迎来监管进展。FDA批准用于提高肺活检实时导航精度的 AI代理预计将在2026年获得更广泛的批准。 有一项逆势预测在AI PC领域格外引人注目：尽管大多数组织专注于云端的 AI实施，但面向工程及其他内部应用场景的AI功能个人电脑的采用将会增长 。如今，许多公司使用云托管的AI模型，因为它们具有尖端能力，并且云有 运行模型的硬件。但这需要付出代价，并为许多组织和应用场景带来了合规 性和数据安全问题。AI个人电脑正开始出现，并将将某些应用场景卸载到本 地托管的开源模型，这些模型正在发展，并且对于许多用途来说已经足够好 。 多个行业将经历剧烈的运营转变。到2026年，人工智能将比人们意识到的 更主导零售运营，在幕后悄然运行。从定价和品类组合到营销和供应链， 大部分日常决策将由自主或半自主代理处理。团队不会消失，但它们的重 心将从执行转向判断和创造力。 行业将成熟，新的标准、协议、工具和服务将进入市场。行业将从实验过 渡到正式的工程。 聪明公司采用不同的方 法：它们从让整个组织 的广泛人员获得人工智 能开始，鼓励实验，分 享用例，构建提示库， 并将人工智能嵌入到日 常工作中。用户越多样 化，创新的思路就越丰 富。仅靠技术无法推动 有意义的AI采用。它需 要一场文化转变，这场 转变将AI交到业务用户 手中，而不仅仅是开发 者手中。 9 2026趋势报告：数据与人工智能 这些都是阻碍公司发展的五大关键错误： 错误一：先技术，后问题 第五个错误：误解人工智能的本质 错误四：战术思维，战略忽视 错误二：在流沙上建造 最根本的错误是把人工智能当作一个精确的机制来处理 快速实验将成为常态，尤其是在竞争激烈、复杂、受监管的行业。拥抱这种 变化的公司将领先于竞争对手。 公司想要以数据为驱动，但很多时候，数据质量很差。管理层理解这一 点，只有在数据与他们的直觉和愿望相关时，才会做出以数据为驱动的 决策。 错误三：夸大能力，未达预期结果 仅仅因为员工使用ChatGPT并不意味着客户会将服务视为AI赋能。 大多数公司在核心能力 方面存在差距，例如现 代、灵活、强大和简化 的数据平台，这将使它 们能够快速地与人工智 能和代理技术的应用相 结合。此外，管理人工 智能和代理风险和治理 方面的实践和技术尚在 萌芽阶段。这是除了主 要内部低风险用例之外 ，在生产路径上的最大 障碍。 从一开始未能将项目与回报率（ROI）联系起来是很常见的。仅仅雇佣一名 数据科学家并获取数据是没问题的，但在初始项目发布后却难以持久。缺乏 战略性地思考如何使生产路径得以实现，而去策略性地推出一系列用例是有 问题的。企业需要考虑一个三到五年的视野、价值映射、所需业务模式调整 、所需技术以及组织能力的AI战略。 4 公司正在重新思考那些无法扩展的短期、技术 优先的AI战略 组织在不进行战略思考的情况下，追求一系列互不关联的使用案例。现在 ，每个人都声称在从事人工智能和智能体，因为这些强大的功能已经变得 远为普及。然而，大多数情况都只是实验和概念验证。通往生产的应用路 径仍在探索中。 最普遍的错误是把人工智能当作一项技术倡议，并期望技术团队孤立地创 造用例。公司需要停止说他们应该广泛使用人工智能，而是要寻找商业挑 战，然后确定哪些技术能解决它们。 停止用糟糕的数据来 尝试实施人工智能。 创建一个合适的创新 中心，它能够帮助确 定哪些用例应该完全 被忽略，哪些应该被 调查、概念化，并最 终被规模化。 当今最大的问题是，企业声称他们有一个清晰且连贯的数据战略，但实际 上并没有。在大多数情况下，他们只涵盖了数据战略的一部分。这就好比 说我们有一个商业战略，但只关注人力资源。那只是整体商业战略的一个 要素。 10 30% 25% 20% 15% 10% 30% 25% 20% 15% 10% 2026趋势报告：数据与人工智能 数据基础技术 为什么人工智能项目会失败 为什么人工智能项目会失败 ata不足 质量 Inaeuate 承诺 糟糕的业务 案例定义 糟糕的业务 案例定义 缺乏 框架 数据平台中的人工智能和代理能力：像Snowflake、Databricks、AWS、 GCP和Azure这样的主要数据和分析平台在开发集成人工智能和代理能力 方面处于核心地位。许多人工智能和代理实验发生在工作流程层面，但与 公司拥有的数据和知识没有很好地集成。对于许多 许多公司低估了与人 工智能合作所需付出 的努力及其固有的不 一致性所导致的不稳 定性，特别是在业务 关键流程中。它不能 简单地实施并期望立 即取得成果。” 尽管每个人都追逐大型语言模型和生成式人工智能，但有几项关键技术和方 法虽然对未来很重要，却仍然被低估。 基于逻辑。人工智能是概率型的（90%的结果就是好结果），而生成式人 工智能完全不懂逻辑。当每个人都发起100个人工智能项目而大多数失败时 ，公司需要投入。选一个让它成功。不要因为它是新闻就急着用人工智能 来做所有的事情。 5 语义建模、对话智能和治理正成为关键的差异化 因素 语义建模和知识图谱：简化统一数据平台，消除数据孤岛，同时确保对整 个数据资产的数据治理、血缘关系、元数据、安全和质量层的一致性至关 重要。系统化的知识管理、知识图谱和语义模型方法作为数据驱动的大型 语言模型和代理用例的关键使能者。 质量不足 ata 资源/ 不充分 投入资源/ 治理缺失 框架治理 11 2026趋势报告：数据与人工智能 人工智能治理与监控工具 获取与业务战略一致的数据战略，然后专注于创造 下一代人工智能能力 第一优先：在全生命周期中投资数据 达特亚特专家对未来18个月的建议在五个优先领域上非常一致。 6 企业正在优先考虑数据生命周期管理、现代化 和人力能力 人工智能治理、监控和可观察性：尽管对于生产人工智能部署至关重要， 但这些能力仍然被低估。 数据代表最重要的投资领域。这包括获取、存储、治理、分析和访问。公 司如何管理其数据直接影响其所有活动。无论是采用人工智能、构建代理 还是提升自助服务能力，拥有一个现代化且整合良好的数据栈都将使所有 这些都变得戏剧性地更容易和更具可扩展性。 像自动化软件开发生命 周期（SDLC）代理这 样的项目仍然主要由爱 好者驱动，客户需求有 限或不存在。AI熟练度 尚未被视为项目管理中 的独立技能，这表明行 业尚未准备好迎接AI增 强的软件开发时代。” 组织应该思考一些任务上自己的模型：哪些常规操作可以用人工智能自动 化？调整现有模型用于此目的难度有多大？ 对话智能与自然语言查询：对话智能将帮