大多数人工智能试点项目在规模化之前就停滞不前。数据战略和治理并非新鲜事物，但在人工智能时代，它们显得尤为重要。
概览
人工智能带来了巨大的希望和更丰厚的投资。但许多项目止步于试点阶段。麻省理工学院8月下旬发布的一项广为引用的研究报告显示，95%的人工智能项目在进入生产阶段之前就停滞不前。贝恩公司的研究发现，根据具体应用场景，三分之一或更多的试点项目能够进入生产阶段。但这两项研究都表明，大多数应用场景都止步于试点阶段。
根本差距并非在于人工智能模型本身的能力，而在于其部署方式的不足。许多公司尚未投资——或者才刚刚开始投资——实现人工智能价值的关键推动因素，包括端到端流程重塑、严谨的人工智能治理、有效的变革管理、高管的承诺以及高效的数据战略。
组织数据管理方面的缺陷——包括数据质量差、数据不一致、合规性薄弱以及可访问性不足——早在人工智能时代之前就一直困扰着数字化项目的部署。试点项目之所以往往成功，是因为它们基于经过人工清理的离线非生产数据集。但当需要将这些试点项目推广到整个企业时，潜在的数据问题会迅速再次出现，从而减缓甚至阻碍项目的进展。
随着人工智能基础模型的出现，人们曾寄希望于人工智能能够变得如此复杂强大，能够处理杂乱无章、结构混乱的数据，从而彻底解决数据质量管理和控制的问题。这或许在未来会成为现实，但就目前而言，我们距离这个目标还很遥远。尽管人工智能可以辅助处理一些特定环节（例如识别质量问题或标记不一致之处），但“垃圾进，垃圾出”的基本原则仍然是人工智能与其他任何数字解决方案一样的固有特性。
构建强大的数据基础是一项艰巨的工作，而且比以往任何时候都更加重要。
人工智能提升了数据的价值，但也使其变得更加复杂。生成式人工智能利用结构化和非结构化数据，包括音频、图像和视频。大多数组织历来缺乏对非结构化数据的管理，导致数据质量面临诸多挑战。例如，呼叫中心的信息检索，尤其是在复杂的企业环境中，经常会遇到同一提示信息来源过时或相互冲突的问题，导致人工智能给出的答案不准确。
随着企业部署智能体人工智能，这一基础变得至关重要。这些智能体不仅分析数据，还能根据数据采取行动，驱动工作流程、做出决策并自主处理客户任务。如果没有可靠且管理完善的单一数据源，智能体人工智能就可能基于有缺陷的输入数据采取行动，从而损害性能和信任。
良好的数据战略和治理原则已相当成熟，针对集中式和分散式组织如何制定稳健的战略，已有明确的最佳实践。现在正是重振和加强这些原则和实践，以确保人工智能成功部署的时机（见图 1）。
阻碍数据战略发展的传统障碍
随着数据在业务绩效中扮演的角色日益重要，碎片化、复杂性和数据错配等潜在挑战也变得不容忽视。解决这些问题需要从传统的思维模式转向企业级的数据战略和所有权。然而，许多组织仍然深陷于各种障碍之中。
人工智能项目通常以独立计划的形式启动 ，但很快就会发现其数据需求远远超出传统报告所需。如果没有协调一致的数据战略，进展就会停滞不前。
数据湖一直致力于收集大量数据 ，但许多数据湖已经变成了复杂的、单体式的平台，数据质量难以管理，有用的数据集也难以找到和有效使用。
所有权往往不明确 ，通常归系统管理员或数据平台团队所有。缺乏与业务目标一致的所有权，治理就缺乏方向，无法满足实际需求。
数据治理可能较为非正式，或仅限于少数核心数据集。但如今的分析和人工智能项目需要更广泛、更健全的治理，并由业务部门和数据技术部门共同管理。
数据战略是扩展人工智能的基础
人工智能的强大程度取决于其背后的数据。领先的组织将数据视为战略资产——优先考虑其价值，明确所有权，并构建必要的架构和治理机制，从而将高质量数据转化为持久的竞争优势。成功的转型遵循几个重要的原则。
以价值为导向的优先级排序： 明确哪些数据资产能够创造竞争优势，并制定能够推动战略成功的数据计划。
数据产品模型： 构建数据产品——即为特定目的而精心打造的数据集——以支持高价值的数据项目。数据产品应具备可发现性和互操作性，以便分析师和工程师能够将其用作构建模块，进行转换和组合，从而挖掘新的价值来源。
所有权和问责制： 将高价值数据组织成不同的领域，并指定负责人，确保数据保持高质量和可访问性。同时，也要为数据产品指定所有权，特别是那些基于多个领域数据构建的数据产品。所有权的分配应务实；并非所有领域或数据资产都需要以相同的严格程度进行管理。
企业协同： 协调各团队和业务部门之间的治理，以推动利用不同数据源的各项举措。制定企业数据记录和共享政策，并建立机制以就关键数据定义达成一致。明确并商定决策权和升级流程，以解决团队间的任何冲突。
投资应随着需求的变化而调整： 随着技术团队收集、整理和整合数据，不断涌现的应用场景应指导资源的分配方向。数据管理是一个持续的过程，团队必须保持敏捷，将重心转移到最重要的资产上。
提升数据质量的治理流程： 将良好的治理融入工作流程，确保业务和技术领导者定期召开会议，审查数据质量并决定如何持续改进。鼓励一线团队提出质量问题，并将用户反馈纳入持续改进的循环中。业务和技术团队携手合作，制定并管理完善的政策、标准和流程，以确保数据的质量、安全性和可访问性。
数据架构： 前瞻性的数据架构将支持更动态的数据产品，并充分利用不断扩展的数据类型。它将使代理能够更智能地行动，挖掘更深刻的洞察，提供实时建议和预测，并实现与员工和客户之间更加个性化的多渠道互动。内置的治理和信任机制，以及可扩展的灵活性，将确保数据在企业内部安全无缝地流动，从而将高质量、易于访问的数据转化为真正的创新和增长引擎。
一家北美公用事业公司展示了如何通过加强数据基础来提升分析价值并提高效率。该公司曾饱受数据所有权分散、数据质量参差不齐以及文档不足的困扰。为了扭转局面，该公司首先从12个维度对数据成熟度进行了评估，制定了统一的分类体系，并启动试点项目来记录关键数据资产及其血缘关系（即数据的创建地点和生命周期流转过程）。第一阶段填补了20多个关键业务用例中的关键数据缺口。第二阶段通过将数据管理融入工作流程，并在各个领域扩展血缘关系和质量跟踪，实现了数据治理的落地。这些举措取得了切实成效——具体而言，第一年效率提升了20%至25%——帮助该公司追回了约1000万美元的账单差额，并提高了客户用量预测的准确性。
人工智能的成功取决于数据战略。
健全的数据战略、治理和运营模式不再是锦上添花，而是实现人工智能价值的核心推动因素。为了兑现人工智能的承诺，数据生命周期的每个阶段——从数据采集和处理到人工智能赋能和最终用户互动——都需要精心设计、有效治理和积极维护精心挑选的数据产品。
这并非自然而然就能实现的。它需要有意识地进行现代化改造——提升团队能力、增强组织适应能力、加强业务与技术之间的协作，以及升级架构和技术。一个强有力的数据战略能够清晰地阐明这些目标，并制定切实可行的路线图来实现这些目标。
谷歌、淡马锡和贝恩公司今日发布了第十版年度《东南亚电子经济报告》， 题为《从数字十年到人工智能现实：加速东盟的未来 》。 该报告首次将覆盖范围从六个市场扩展至整个东盟市场。 扩大范围至东南亚十个国家——新增文莱、柬埔寨、老挝和缅甸 ——以更全面地了解该地区不断发展的数字经济。...
概览
私募股权投资者和并购交易撮合者现在将评估人工智能的潜在影响视为全面尽职调查的关键步骤。
人工智能的影响可分为三类：革命性影响、变革性影响和增强性影响。
人工智能颠覆行业或创造机遇的潜力，会因目标在行业中所处的位置而产生显著差异。...
我们曾协助一家领先能源公司通过该方法解决重大数据管理问题，实现供应链转型，具体成效包括：减少30%不必要的高价值库存、优化物流与仓储成本、提升计划效率。
这一切始于重建数据基础、建立可持续数据环境的两步法。...