企业 AI 的隐藏税收：为什么数据架构是没人预算的 ROI 问题

背景：被忽视的数据层

过去几年，大公司投资 AI 基础设施、软件和实施，董事会批准，财务构建商业案例，采购谈判算力，却忽略底层数据管理。这不是头条失败，没有重大中断、泄露或召回，而是安静复利拖累，表现为计划外人头和时间线滑落。基础设施领导者多次提到“数据引力”。MIT NANDA 2025 年报告发现，95% 企业生成式 AI 试点对损益表影响很小或没有，问题在于 AI 整合运营的差距，而非模型质量。成功试点不证明能在整个数据资产上运行同一系统。多数企业 AI 架构仍假设数据会移动到新平台，集中后智能层就能工作，但这在企业规模几乎从不成立。

关键细节：数据引力的隐藏税收

企业数据有引力。法规规定某些记录位置，主权规则将数据集留在司法管辖区，即使算力更便宜。业务部门十年治理无激励交出数据，有时无法律途径。概念验证用小切片预清洗数据，成本后来才出现。数据引力指大量数据积累拉应用向它们，数据集越大移动越贵。转移费只是开始；延迟、带宽、安全控制和运营努力增加账单。成本不是一行项目，而是几十个小需求：构建维护管道、核对副本、应用治理、跟踪额外数据集。这些任务单独不灾难，合起来成为项目税收，扩展时更贵。最危险的是时机：常在平台采购和团队配备后 12 到 24 个月出现，初始成功指标已上报。此时合同已签、团队已雇、方向公开承诺，解除集中化架构比从头设计贵得多。计算易预算，但管道维护、核对、治理、安全审查和运维人员分散不同组织。许多验尸停在“数据没准备好”，但更深层是用存储策略解决上下文问题。

解决方案：上下文层而非集中化

模型需要上下文：找到正确记录、对照政策、尊重访问规则、从当前信息工作，而非快照。这不来自更大仓库，而来自企业级上下文层：一致治理地跨系统发现、连接和检索信息，不要求源交出数据。底层记录、元数据和向量不同。记录受法规、主权、所有权和应用约束；元数据和向量帮 AI 推理记录，不继承约束。问题不是将所有数据放一处，而是让正确上下文在数据已存在处可用。将上下文而非整合视为目标的企业，避免两年后重建同样税收。签署重大 AI 基础设施投资前，应回答四个问题：

• 哪些数据集受法规或合同限制不可移动？
• 谁拥有治理，副本在别处会怎样？
• 源系统演变时副本如何同步？
• 智能可到数据处，还是架构要求集中？

这些问题不选供应商但塑造短名单。正确架构和供应商选择带来 AI 成果，更快更低成本自动化。数据架构应成为 AI 商业案例一等公民，而非算力交易后细节。行业本能用 token、吞吐量、GPU 利用率衡量 AI ROI，这些只讲一半故事。另一约束在计算上游：数据能否被信任、治理、保持最新，而不对人员造成不断增长税收。Token 长度和 GPU 效率告诉运行成本，不告诉模型是否有好决策上下文。这取决于数据是否准确、最新、受治理并连接正确业务流程。策划的上下文决定代理行动准确性，以及是否成为 AI 原生组织。计算是已知预算项；数据引力是许多仍在发现的项目，通常在支票兑现后很久。从 AI 获得最多的公司，将设计数据架构服务代理需要的上下文，而不移动或集中整个分布式状态。作者 Gaurav Chawla 是 Dell Technologies Inc. 的 Fellow 和 VP、CTO，为 SiliconANGLE 写了这篇文章。