為人工智慧重建數據棧

人工智慧可能正主導著董事會的議程，但許多企業發現，實現有意義採用的最大障礙在於其數據現狀。雖然面向消費者的 AI 工具以速度和便利性令用戶驚艷，但企業領導者正發現，大規模部署 AI 需要一些遠不那麼光鮮亮麗、卻影響更為深遠的東西：統一、受治理且符合用途的數據基礎設施。

AI 雄心與企業準備就緒程度之間的差距，正成為下一階段數位轉型的關鍵挑戰之一。正如 Databricks 高級副總裁 Bavesh Patel 所言：「AI 的品質及其有效性，實際上取決於組織內部的資訊。」然而，在許多公司中，這些資訊仍碎片化地散佈在舊有系統、孤立的應用程式和不連貫的格式中，使得 AI 系統幾乎不可能生成值得信賴且具備豐富背景資訊的輸出。

Patel 表示：「事實上，對大多數組織而言，巨大的競爭差異化因素在於他們自己的數據，以及他們可以添加進去的第三方數據。」

為了讓企業 AI 發揮價值，數據必須整合為開放格式，進行精確治理，並使其跨職能部門皆可存取。Patel 直言不諱地描述，如果沒有這個基礎，企業將面臨「糟糕的 AI」風險。這意味著必須超越孤立的 SaaS 平台和斷連的儀表板，轉向統一、開放的數據架構，使其能夠結合結構化與非結構化數據、保留即時背景資訊，並執行嚴格的存取控制。當基礎工作準備就緒，組織就能邁向可衡量的成果，釋放效率、自動化複雜的工作流程，甚至推出全新的業務線。

Infosys 部門技術長 Rajan Padmanabhan 表示，這種對價值的關注至關重要，特別是當企業在驅動業務決策的輸出中尋求精確度時。領先的公司不再將 AI 倡議視為孤立的創新項目，而是將 AI 部署直接與業務指標掛鉤，利用治理框架來確定哪些方案能產生結果，哪些應該果斷放棄。

Patel 補充道：「我們在業務用戶的 AI 素養中看到了巨大的機會，他們非常渴望了解應該如何思考 AI。當你揭開 AI 的面紗，它意味著什麼？從技術、培訓和賦能的角度來看，你需要建立哪些組件和基石？」

未來的可能性是巨大的。隨著 AI 代理（AI agents）從副駕駛（copilots）演變為能夠管理工作流和交易的自主操作員，現在就建立正確基礎的組織將成為贏家。

Padmanabhan 指出：「我們看到的一種新思維方式，是從執行系統或參與系統轉向行動系統（system of action）。這就是我們看到的未來之路。」

AI 在企業中的未來，將取決於企業是否能將碎片化的資訊轉化為戰略資產，從而驅動更明智的決策和全新的運作方式。

本集 Business Lab 由 Infosys Topaz 合作製作。

完整逐字稿：

Megan Tatum： 歡迎收聽由《麻省理工科技評論》（MIT Technology Review）製作的 Business Lab，我是 Megan Tatum。本節目旨在幫助商業領導者理解從實驗室走向市場的新技術。

本集節目由 Infosys Topaz 合作製作。

近來 AI 的進步釋放了一些引人注目的工業應用，但由於依賴不足的數據模型，許多企業正陷入困境。AI，特別是代理式 AI（agentic AI），對數據提出了全新的要求。這項技術需要更強的存取權限、背景資訊和護欄才能有效運作。現有的數據模型往往力有未逮，過於碎片化或孤立，數據本身也常缺乏品質。為了彌合這一差距，企業需要進行「AI 就緒」的升級。

簡單來說：數據重構。

今天的嘉賓是 Databricks 全球市場高級副總裁 Bavesh Patel，以及 Infosys 數據分析與 AI 部門技術長 Rajan Padmanabhan。

歡迎 Bavesh 和 Rajan。

Rajan Padmanabhan： 謝謝，很高興來到這裡。

Bavesh Patel： 謝謝邀請。

Megan： 太棒了，非常感謝兩位今天加入我們。Bavesh，如果我先請教你，當我們談論「AI 就緒數據」（AI-ready data）時，具體是指什麼？AI 對數據提出了哪些新要求，這又如何影響數據的結構和使用方式？

Bavesh： 是的，好問題。很高興今天來到這裡。顯然，全世界都為 AI 著迷，因為身為用戶，我們都能看到它的強大力量。AI 現在已在數億用戶中普及。當我們思考企業和商家使用 AI 時，AI 的品質和有效性真正取決於組織中的資訊，也就是數據。我們發現，大多數企業的數據都被鎖在不同的應用程式和系統中。很難獲得一個全面的視角來了解：我所有的數據是什麼？它有多可靠？它是最新的嗎？所有這些都會注入 AI 中。除非你對數據有正確的理解，能確保數據準確並可供 AI 利用，否則你最終會得到糟糕的 AI。

我們看到很多客戶花時間清洗數據、組織數據，並確保存取控制正確，這往往是優質 AI 的燃料。

Megan： 是的，這是非常基礎的事情，對吧？但我認為這很容易被忽視。Rajan，對於企業釋放 AI 及其應用的全部潛力而言，擁有 AI 就緒數據究竟能帶來什麼樣的改變？

Rajan： 首先，謝謝邀請。延續 Bavesh 所說的，數據與 AI 是相輔相成的。同樣地，消費者 AI 與企業 AI、企業代理式 AI 是不同的，因為首先，業務需要具備背景資訊（context）。來自企業資訊的背景資訊——不僅是結構化的，還包括非結構化數據、用戶生成的內容以及各種形式的數據——對於正確掌握背景資訊至關重要。無論你選擇哪種模型，這都是關鍵。這就是像 Databricks 這樣的平台發揮作用的地方，無論你是想利用眾多模型，還是想建立自己的模型，或是根據你的數據來錨定（ground）模型。

第三個關鍵點，這實際上將是 AI 採用的障礙之一。這就是為什麼你會看到 AI 在消費者端的採用率飆升，但在企業端卻進展艱難，主因在於輸出的精確度。因為你正在做出商業決策，無論是買入、賣出還是推薦內容。對於這些，精確度至關重要。我們看到成功的客戶，對於精確度的要求不僅是願景，而是必須達到 92% 以上。如果你擁有這一點，那麼 AI 數據將成為現在的關鍵。

Megan： 既然我們已經概述了這有多關鍵，那麼企業應該從哪裡開始？在建立 AI 就緒數據模型時，基礎是什麼？

Bavesh： 是的，我認為 Rajan 說中了要點。企業面臨的問題與消費者 AI 不同。第一件事是你必須掌控你的數據。如前所述，很多數據是被鎖定的。確保你有能力將數據放在一個可以全面了解盡可能多數據的地方。這始於將數據採用開放格式。今天組織中許多有價值的數據被鎖在某些專有的 SaaS 應用或系統中，數據集之間沒有連接以形成背景。第一步是真正分析你的數據資產。哪些關鍵數據需要放在一個可以開始理解它們以及它們如何相互關聯的地方？

思考如何設置數據目錄（data catalog），思考數據資產之間的關係如何運作，並加上數據治理，這似乎是第一步。如果你想想 ChatGPT 是如何建立的，它獲取了互聯網上的所有數據，然後進行聚合、綜合，並建立了這些變換器模型（transformer models）；而企業內部往往還沒能掌握組織內的所有數據。這是你真正需要思考的第一個基礎。第二件事是你不能只是隨機地進行 AI 項目。你真的需要思考商業價值。我們的許多客戶更具戰略性地看待 AI，他們希望能夠在項目中取得進展並產生商業價值。

建立一個與數據組織程度相連的 AI 價值路線圖，這兩件事是成功啟動組織 AI 的基礎。

Megan： 價值這部分非常重要，對吧？據我了解，Infosys 和 Databricks 密切合作，引導組織完成這一轉型。Rajan，你能分享一些你所看到的企業實例嗎？這對他們整合更複雜的 AI 和代理式 AI 應用產生了什麼影響？

Rajan： 這是一個非常好的問題。Databricks 和 Infosys 合作開發了一個框架。首先，一切都必須從價值開始。在我們合作的一家大型食品公司中，我們應用了這個框架。該框架包含六個部分。首先也是最關鍵的是價值管理，Bavesh 剛才也提到了。我們共同開發了一個 3M 衡量框架：適應性（adaptability）、商業價值（business value）和責任（responsible）。你不能只做一個車庫項目，它必須是可衡量的、負責任的。我們幫助這位客戶進行優先排序，確定哪些投入能帶來最大的投資回報。

第二個關鍵點是，並非所有企業都是「AI 原生」的公司。大多數公司誕生於模擬時代或數位時代。有些公司正利用 AI 進行現代化，因為大量的歷史資訊有助於建立長期背景。這就是我們與 Databricks 原生工具（如 Lakebridge 或 AI 助手）密切合作的地方，並在其上建立可組合的服務，幫助客戶釋放數據價值並引入 Databricks。接著，我們幫助客戶準備數據，引入結構化、非結構化、分析性等各個方面的數據。

第三層，我們利用 Databricks 內部的強大功能，無論是 Unity Catalog、開放格式還是網關等。我們能夠為客戶提供數據。真正幫助客戶的第三部分是 Agent Bricks，這是差異化因素之一，它賦予了企業特色。我們建立了針對特定行業的代理，如消費性包裝貨品（CPG）、能源、金融服務。對於這位客戶，我們採用了一些 CPG 特定的案例，涵蓋人力資源、採購或行銷領域。這真正幫助客戶圍繞這些建立業務能力，並釋放了八到九個案例，我們稱之為代理式 AI 產品，能解決真實的業務問題並驅動更多價值。

這種全面的框架、服務套件、Infosys 的解決方案資產，加上釋放 Databricks 的價值，真正幫助了這些客戶。我們在許多成功的案例中都看到了類似的模式。

Megan： 聽起來產生了實質性的影響。Bavesh，Rajan 提到了 Databricks 目錄中的一些工具。我知道你們最近推出了一個用於 AI 代理和應用的操作型數據庫。這樣的平台如何幫助組織？它與目前市面上的其他平台有什麼不同？

Bavesh： Databricks 推出了一款名為 Lakebase 的新產品，它本質上是一個可以用來構建 AI 應用的 OLTP 數據庫。企業中主要有兩種類型的數據：一種是所有發生的歷史數據，這是分析的基礎。你有一個 OLAP 系統來存放歷史數據，而 Databricks 推出了所謂的 Lakehouse（湖倉一體），它本質上是一個包含所有非操作型歷史數據的數據倉庫。Lakehouse 的概念正隨著 AI 推動，因為客戶有成千上萬的業務效戶需要獲取數據。過去他們走的是 BI 路線，即建立儀表板或報告。

大多數組織中這些儀表板和報告激增，且需要定制，業務人員獲取數據需要很長時間。AI 現在讓分析變得簡單得多，我們可以實現數據存取的民主化，這一直是數據團隊的終極目標：將正確的數據、以正確的權限提供給正確的人。

透過 Databricks 的 Genie 產品，你可以直接使用英語或其他語言對數據提問。它會根據背景回答你的問題。它不只是像 ChatGPT 那樣提供互聯網上的主題資訊，它會告訴你：「為什麼我 4 月份的銷售數字沒有達到預期？」

它會根據你的企業數據提供根因分析。Genie 將是實現企業內部數據民主化的重要工具。這是 OLAP 的世界，也就是 Lakehouse。最近，我們推出了 Lakebase，即 OLTP 的世界。我們發現代理（agents）正被部署在組織中，這些代理需要一個地方來存放所有的編排（orchestration）和特定工作流中的背景資訊。一方面是用戶提問，另一方面，下一章節將是自動化整個業務流程。例如行銷活動的生成，涉及很多工具和步驟。

代理可以自動化其中的大部分。但在代理的後端，你需要一個即時數據庫來追蹤代理所做的一切。這就是 Databricks 帶來的 OLTP Lakebase 解決方案。我們的創新在於它是一個現代化的 Postgres 數據庫，我們將計算和存儲分離，就像我們在 Lakehouse 中所做的那樣。但在 Lakebase 中，數據的一份副本存在雲端存儲中，計算是分離且無伺服器（serverless）的。你可以進行分支操作，並快速啟動 OLTP 數據庫。我們發現代理正在啟動這些 Lakebase，因為它們可以快速啟動、運行、在需要時關閉或複製。

代理需要速度和具成本效益的解決方案。這一切的美妙之處在於，當你結合 OLTP（Lakebase 和即時性）與 OLAP 時，你現在擁有一個處理所有數據的系統。你不需要到處複製數據，不需要管理所有權限，可以設置背景。我們認為這些 AI 應用是未來企業運行的模式，它們將消除人類重複性工作的瓶頸。我們希望成為這一切的預設動力，因為我們相信 Lakebase 技術對於 AI 數據庫來說會更快、更便宜、更安全。

Megan： 聽起來是個重大的變革。我們已經多次提到「價值」這個概念。我們知道，衡量 AI 投資的商業價值是目前高層領導者的首要任務。Rajan，在創建 AI 就緒數據系統時，價值衡量有多重要？組織如何確保他們正在監控哪些是有成效的，哪些不是？

Rajan： 這是至關重要的，大多數成功的 AI 或代理式 AI 實施都需要這種價值衡量。我繼續用那家大型食品公司的例子來說明。我想做個比喻：當最初的數位世界到來時，我們有很多分析是圍繞著定義績效管理 KPI、基於事實的決策等。通常，這些指標對於衡量一個職能或業務的表現非常關鍵。同樣地，對於價值衡量，組織非常需要映射出預期的成果。

在這個案例中，目標是如何優化直接和間接採購的支出。透過應用 AI，我想識別可以優化支出的領域。這意味著一個關鍵衡量標準是：你的間接費用分類是什麼？哪些支出被分類了？透過引入 AI 減少了多少？建立這些衡量標準和指標非常關鍵。一旦建立了基礎指標，美妙之處在於，利用 Databricks 提供的功能（如指標視圖、工具等），可以將來自應用程式的 AI 遙測、業務遙測轉化為可衡量的成果指標，並使用 Genie 進行價值管理衡量。

接著會發生兩件事：對於我們為客戶建立的產品（無論是採購端還是行銷研究端），如果你發現它有價值（例如識別出優化空間或達到了預期的覆蓋率），你可以加速該案例並進一步微調產品以擴大規模。或者，如果你發現它沒有真正驅動價值，你可以採用「快速失敗」的方法，與其勉強維持，不如及時轉向其他方向。

根據我們的經驗，不僅是這位客戶，還包括工業製造、金融服務或能源領域的其他客戶，關鍵在於預先建立指標驅動的評估方法，並利用技術將遙測信號轉化為衡量標準（我們稱之為 AI 羅盤室）。這樣業務利益相關者（無論是行銷、供應鏈還是財務部門）就能看到：「嘿，這是預期目標，這是目前的衡量結果，這是失敗的地方，這可以幫助我們轉向。」這將真正驅動並在企業中普及 AI 和代理式 AI，從而產生價值。

這是企業需要做的關鍵部分。這就是我提到的六部分框架：應用價值辦公室、應用 AI 就緒、應用轉型架構。第三部分是治理，這是其中的核心。接著是運行你的操作，不是基於 SLA（服務等級協議），而是基於體驗等級協議和業務指標進行持續衡量。這六個層次非常關鍵，這也是我們看到組織取得成功的原因。

Megan： 有很多具體的方法可以衡量價值。你提到了治理，AI 對治理的影響是高層領導者之間的另一個熱門話題，而與數據的互動是其中的核心。擁有正確的治理和安全協議在多大程度上是 AI 就緒數據不可或缺的一部分？Bavesh，這些系統需要處理哪些場景？這對數據模型意味著什麼？

Bavesh： 這正成為部署成功 AI 項目的先決條件。我記得 MIT 有份報告指出，95% 的新 AI 項目未能產生商業價值。一個重要原因是，你可以快速製作原型或編寫試點代碼，但當你真正將工作負載移至生產環境時，你會意識到治理變得極其關鍵。

那麼治理到底意味著什麼？首先是整理好數據，如我所說，採用開放格式。大多數公司現在意識到，他們與客戶互動的方式、研發藥物的方式、批准信用額度的方式，所有這些企業資訊實際上是他們的競爭優勢。因為每個人都可以使用像 ChatGPT 或 Claude 這樣的前沿模型。

對大多數組織而言，真正的競爭差異化在於他們自己的數據，以及他們可以添加的第三方數據。將數據轉換為開放格式以便理解數據，而理解數據正是治理的切入點。因為當你思考治理時，你希望能找到數據。

如果我是終端用戶或正在開發 AI 產品，我想知道哪些數據對我是可用的。我可以信任這些數據嗎？數據有多新？它是來自分析世界，還是我需要像 OLTP 這樣的即時系統？我需要找到數據。我還需要確保存取控制的方式不會給組織帶來麻煩。這變得很關鍵。如果我有一堆包含採購訂單的 PDF，誰真正有權存取這些數據？

例如在醫療保健的臨床試驗中，你必須確保不同試驗的人員看不到患者數據。也許用於構建模型的數據跨越了多個試驗。誰有權存取所有數據？誰只能存取部分數據？你必須思考這些。我們還會查看數據的語義。Rajan 在一開始就提到了這一點：背景是什麼？我們如何思考業務人員腦中的指標和事物？我們需要開始在某處將其代碼化。Databricks 有一個名為 Unity Catalog 的產品，你可以在其中進行發現、存取控制和業務語義管理。你還需要共享數據。

在代理的世界中，我們看到了一種稱為「代理擴張」（agent sprawl）的現象。在很短的時間內，就像 SaaS 應用在組織中變得普遍一樣，它們解決了特定的業務問題。你去找一個業務部門，他們說：「我需要做信用承銷」或「我正在做預先授權案例」。總有一個 SaaS 應用能解決。同樣地，未來將會有大量的代理一直在運行。但現實是：那個代理表現如何？用戶的反饋迴路是什麼？運行該工作負載的成本是多少，是否在劇烈上升？如果你沒有方法在大規模情況下監控、理解和追蹤所有的問答與響應，你將陷入困境。這甚至可能傷害你的組織，因為用戶會對該做什麼感到困惑。

在看待治理時，大多數組織意識到他們必須開始了解從系統、流程到工具層面所建立的一切，專注於一個案例，為其建立治理，但要以可重複的方式建立。AI 不會只關乎一兩個案例，誰能建立起以安全、安全、具成本效益且驅動業務成果的方式構建多個案例的飛輪，誰就是贏家。如果不應用治理，這將很難實現。

在 Databricks，我們在四五年前就在治理上押下了重注。這是我們公司目前成長的主要原因之一，因為我們可以確保進入 AI 的數據是高品質的。你可以使用 Genie、Agent Bricks，也可以使用 Lakebase 構建應用，但如果沒有治理，這一切都無法運作。它被稱為 Databricks 內部的「大腦」。

我們的大多數客戶在 Unity Catalog 上花費了大量時間。好消息是，AI 正在幫助治理更快地建立起來。我們有一個客戶，三年前他們試圖映射來自客戶、忠誠度應用、電子商務引擎的所有領域的數據資產。他們必須手動映射。現在 AI 正在為他們完成大部分工作，人類只需進行檢查。

我們利用 AI 讓這一切變得更簡單。我們始於將 AI 視為業務案例和成果，但我認為最大的價值在於：在 Databricks，我們在平台內部使用 AI，使其更易於操作，並為你的業務提供正確的支持。這是我們計劃在 AI 市場中持續創新的關鍵部分。

Megan： Rajan，Bavesh 剛才提到了這一點，代理式 AI 的整合是否增加了另一層複雜性？這引發了哪些關於治理的新考量？

Rajan： 這是一個非常有效的問題。我想用一個比喻來解釋。我們正進入自動駕駛汽車、機器人出租車的世界。雖然這帶領我們走向自主世界，但在路上行駛時仍有必須遵守的規則。我之所以用這個比喻，是因為代理運作時需要遵守約束。

例如，作為一名技術長，我可以做十件事，但如果我不能批准超過 70% 的折扣，或者我不能給某人獎金（因為那是財務長的職權），代理必須意識到這一點。

這是一方面：對代理施加約束並確保其遵守。第二個複雜性在於存取工具。在今天的商業世界中，當你定義一個流程時，某些流程需要特定的工具集來執行。有些權限是基於身份、需求或情境的，你需要對此進行治理。第三是資訊共享。雖然 MCP、UCP 等技術很棒，但關鍵在於你需要分享什麼，以及不該分享什麼。

最後一部分是學習與重新學習。有時當你學到好東西時，你應該保留；但有時最好完全移除它，並以更新的方式重新評估或學習。這些都是關鍵。對於代理來說，這至關重要，因為當你在企業中運行代理時，你需要了解、學習並遵守某些合規規則、業務約束、權限身份。適用於人類的規則也將開始適用於代理。這需要一套新的操作系統。這並不意味著要拋棄現有的東西，這就是我對 Bavesh 提到的 Unity Catalog 的理解。

我們看到客戶實施的最佳實踐是擴展 Unity Catalog 的功能，現在你可以編目工具、編目 MCP 以及編目這些代理，然後根據約束對這些代理進行治理和錨定。

這非常關鍵。不要等到以後，而是要將其作為戰略的一部分，並在衡量價值時將其作為關鍵維度。這就像不僅要製造自動駕駛汽車，還要確保汽車按照道路規則行駛，而不是失控。

Megan： 有很多值得思考的地方。非常精彩。最後，讓我們展望未來。我們都知道 AI 和代理式 AI 的發展速度非常快。對於那些現在優先考慮 AI 就緒數據的組織，Bavesh，你認為未來幾年最引人注目的技術案例是什麼？

Bavesh： 我認為興奮程度已達到頂峰。我們看到了對 AI 的海量投資。之所以如此興奮，是因為你可以看到早期採用者獲得了巨大的收益。我認為公司可以分為三類，表現出色的公司通常從副駕駛（copilots）開始，只是為了給人們快速的答案。這可以看作是提高個人生產力。這是第一階段，雖然其投資回報率（ROI）有時會受到質疑。但有了像 Genie 這樣的工具，它會變得更有效，因為它是基於你的數據，且數據在組織中具有背景。我認為這是一個我們將看到大量創新的領域。大多數組織將開始在正確的時間將正確的資訊提供給正確的人，這一直是許多組織的夢想。

第二類是自動化整個業務流程。我們看到行銷職能（如我之前描述的）或公司的回扣流程。這涉及一系列步驟，你需要進入三個不同的應用，從 Excel 導出數據並放到這裡。成千上萬的人正在做非常辛勞、單調、可重複的工作。這些代理將不僅為業務流程帶來巨大的生產力，還會讓事情變得更快。原本需要數週的流程現在只需數天，原本需要數天的現在只需數小時或數分鐘。

我們看到的一個趨勢是 AI 世界非常動態。在一個擁有很多不同參與者的世界中，你需要思考基本原則和基礎。你希望擁有自己的數據，確保掌握結構化和非結構化數據，並加上治理。但另一件要確保的事是不要讓自己被鎖定（lock-in）。

今天，Gemini 在多模態（圖片、影片等）方面表現出色；而在編寫代碼時，Claude 非常強大；如果你只是進行某些類型的內省式提問，ChatGPT 非常好。你真正需要的是一個開放數據平台，讓你可以在多個雲端構建開放 AI，這就是我們在 Databricks 所構建的。

這有助於第二點，因為當你構建這些代理時，你不必被鎖定在某一個模型中。你應該為特定的工作負載選擇品質最好、安全性最高、ROI 和成本最優的模型。一個工作負載可能會使用多個模型，甚至可能是特定的行業模型。你需要一個能處理這種複雜性的系統和平台。

第三類是業務重構（business reimagination）。很多人談論這一點：是的，你會讓數據可用並讓每個人都能存取；你會讓現有流程更有效率。但第三點是，將會從中誕生全新的事物。

我們有一個大型銀行客戶，他們開發了一款一年前還不存在的產品。本質上，它是利用機器學習和大語言模型（LLM）幫助財務部門預測餘額，因為他們手頭有更多數據。過去，銀行家獲取數據需要很長時間，無法真正為財務部門預測餘額。對於一家大型企業來說，他們現在構建了一個全新的數據 AI 解決方案並將其貨幣化，在頭六個月就產生了數億美元的收入。我們正看到全新的業務線開啟，這非常令人興奮，因為這才是轉型真正發生的地方。會有生產力的提升，會有業務流程層面的自動化，然後還會出現我們甚至無法想像的大型新事物。

我們在每個行業都看到了早期信號。零售商正獲得每小時甚至每分鐘級別的數據，以便與供應鏈更緊密地整合。我們看到了更精準的「客戶 360 度」案例。作為消費者，我們常被廣告困擾，但現在廣告變得如此具備背景資訊，且商家掌握了大量關於目標客戶真正感興趣的資訊，他們提供的是增值資訊，這更能吸引客戶。在代理式商務、禮賓服務和虛擬化購物方面也有很多創新。

看看任何行業，絕對都有做事的新方法。這就是 AI 真正令人興奮的地方，但你不能在沒有思考基礎事物的情況下走得太遠。你之前提到了：開放數據平台、確保治理正確、思考歷史分析數據和即時應用數據，擁有一個良好的基礎，這將使你能夠擴展、更快移動並在這個新世界中競爭。

我們對客戶正在構建的東西感到非常興奮。老實說，這是我在 Databricks 職位上最棒的部分，我們的團隊會問客戶：「你們正在驅動什麼成果？」早期信號非常正面。我們看到那些認真對待基礎元素、有條不紊地構建基於成果的 AI 解決方案的公司，那 5% 成功的項目是非常成功的。這就是我們公司成長的原因，因為一旦你有了一個成功的項目，就會獲得高層的關注。

最後一點是，歷史上很多技術都侷限在 IT 部門。業務部門設計如何進入市場、如何競爭、提供什麼產品和服務，而 IT 是賦能者，在許多情況下變成了成本中心，被降級為合理化支出和工具組合的部門。

但現在我們看到業務部門在 AI 方面佔據主導地位，他們想了解：「嘿，現在有哪些以前不可能、但現在可以做的事？」我們在業務用戶的 AI 素養中看到了巨大的機會，他們非常渴望了解該如何思考 AI。當你揭開面紗，AI 意味著什麼？從技術、培訓和賦能的角度來看，你需要建立哪些組件和基石？我們花了很多時間與高管溝通，幫助他們完成這段旅程。我們確實看到了前方許多驚人的機會。

Megan： 是的，有很多創新正在發生。最後，Rajan，你對未來的什麼最感興趣？

Rajan： 我認為 Bavesh 已經涵蓋了很多，但我看到的是，今天我們主要在談論「勞動力轉移」（labor shift）。這意味著釋放人類潛力，或將現有的工作方式轉向更具效率的新方式。這主要是一場效率遊戲。我認為這是我們現在看到的，大多數成功的案例都圍繞著勞動力轉移。但真正有前景的是另外兩種轉移：業務轉移（business shift）。

我們看到的新思維是從執行系統或參與系統轉向「行動系統」（system of action）。這是我們看到的未來之路。這就是我提到的一些點：業務部門希望存取數據，但它如何真正產生實質影響？

一個經典例子是我們為一家製造業客戶實施的案例，圍繞著產品創建的生命週期，並根據不同的 B2B 市場發布相關內容。這不僅僅是推薦或創建，而是重新想像這個流程。原本涉及五個不同部門的流程，現在可以做得更快，同時在決策和執行力方面提供更高的準確性。這是我們看到的第二點。

第三部分我認為是商務的演變。不僅是代理式商務，我們還看到了「代理對代理」（agent to agent）的商務、代理對人類的商務、代理對代理的支付、代理對人類的支付，以及內容貨幣化。

這些是新的商業機會，例如構建新的商業代理產品。這可能是針對家庭科技、消費者端或工業技術端。這就是我所說的「經濟轉移」（economy shift）、勞動力轉移和業務轉移，因為這將帶來一套新的行動系統，將其從執行系統或帶有代理插件的傳統 SaaS 應用中轉移出來。這將是一場重大變革，我們正身處其中。但在技術方面，關鍵在於：在今天的世界中，你有數據、分析數據、操作數據，還有智慧，這些都有不同的層面。

我認為分析核心和操作核心將真正合二為一。這就是為什麼我們對 Lakebase 等產品的發布如此興奮，因為這是未來的驅動力。當企業思考為 AI 技術案例做好準備時，他們應該思考：如何為新世界創建這種統一的核心？

第二部分是人們必須重新想像。以 SAP 為例，你可能需要整合數百個邊緣應用和業務應用。通常我們會造成這些整合的擴張。一個技術案例是，人們可以問：「我如何在這個統一核心之上創建一個基於領域的服務網格（service mesh），以及如何讓它更具備代理整合的就緒性？」這是我們向客戶建議的技術案例之一。

我認為現在隨著 SAP、BDC 與 Databricks 之間許多新領域的出現，以及這種「零基礎整合」（zero-based integration），這讓他們重新思考整合的方式和做事的方式。

第三部分，關於技術投資和技術案例，我想說的是：不要只談論現在。現在是你必須像擁有員工（FTE）一樣對待代理的時候了。代理將成為你新的員工。

這意味著一些新的技術範式將是在組織內創建這些「共同智慧」（co-intellects）。這意味著你需要投資於我們所說的「代理網格」（agentic grid），它就像一個統一的代理架構，所有代理都可以在其中協作和整合，並建立在同一個統一的操作分析核心之上。這將創造一套新的體驗——代理式體驗，而非傳統的體驗或對話式體驗。

接著，新的協作方法將成為人們必須從技術角度思考的關鍵方面。首先，我會說從數據的角度出發，建立統一的核心、統一的整合，並為智慧共享與協作以及代理協作建立統一的協作層，這一切都在單一的傘下進行治理。這將是一個關鍵的案例，沒有人會對此感到後悔，而且他們將從中獲得 100 倍的投資回報。

Megan： 未來確實不乏令人興奮的發展。非常感謝兩位的對話。剛才與我們交流的是 Databricks 全球市場高級副總裁 Bavesh Patel，以及 Infosys 數據分析與 AI 部門技術長 Rajan Padmanabhan。

本集 Business Lab 到此結束。我是主持人 Megan Tatum，我是《麻省理工科技評論》自定義出版部門 Insights 的特約編輯和主持人。我們於 1899 年創立於麻省理工學院，您可以在印刷版、網站以及全球每年的活動中找到我們。欲了解更多關於我們和本節目的資訊，請訪問我們的網站 technologyreview.com。

本節目在各大播客平台均可收聽。如果您喜歡本集內容，希望您能花點時間為我們評分和評論。Business Lab 由《麻省理工科技評論》製作，本集由 Giro Studios 製作。感謝您的收聽。

本內容由《麻省理工科技評論》的自定義內容部門 Insights 製作，並非由《麻省理工科技評論》的編輯團隊撰寫。它由人類作者、編輯、分析師和插畫師進行研究、設計和撰寫，包括調查報告的撰寫和數據收集。所使用的 AI 工具僅限於經過嚴格人工審核的輔助製作流程。