人工智慧需要強大的數據織網才能發揮商業價值

人工智慧在企業中的發展正迅速從實驗階段轉向日常應用。各組織正於財務、供應鏈、人力資源和客戶營運中部署副駕駛（copilots）、代理人（agents）和預測系統。根據最近的一項調查，到 2025 年底，半數的公司已在至少三個業務職能中使用了 AI。

但隨著 AI 嵌入核心工作流程，企業領導者發現最大的障礙並非模型性能或運算能力，而是這些系統所依賴的數據品質與脈絡（context）。AI 本質上引入了一項新要求：系統不僅必須存取數據，還必須理解數據背後的業務脈絡。

SAP 數據與分析總裁兼首席產品官 Irfan Khan 表示，缺乏這些脈絡，AI 雖然能快速生成答案，但仍可能做出錯誤的決定。

「AI 非常擅長產出結果，」他說。「它運作迅速，但若缺乏脈絡，就無法展現良好的判斷力，而良好的判斷力才是為企業創造投資回報的關鍵。沒有判斷力的速度毫無幫助，甚至可能對我們造成傷害。」

在自主系統和智慧應用程式興起的時代，脈絡層（context layer）正變得不可或缺。Khan 指出，為了提供脈絡，公司需要一個設計良好的數據織網（data fabric），其功能不僅僅是整合數據。正確的數據織網能讓組織安全地擴展 AI，協調跨系統與代理人的決策，並確保自動化反映真實的業務優先級，而非孤立地做出決定。

意識到這一點後，許多組織正在重新思考其數據架構。他們不再只是將數據移入單一儲存庫，而是尋求在應用程式、雲端和營運系統之間連接資訊的方法，同時保留描述業務運作方式的語義。這一轉變正推動人們對數據織網作為 AI 基礎設施基石的興趣日益增長。

失去脈絡是 AI 的關鍵問題

傳統的數據策略主要集中在聚合。在過去二十年中，組織投入大量資金從營運系統中提取資訊，並將其載入中心化的倉庫、數據湖和儀表板中。這種方法使跨業務的報告運行、性能監控和洞察生成變得更加容易，但在這個過程中，附著在數據上的許多意義——即數據如何與政策、流程和現實決策相關聯——卻流失了。

以兩家使用 AI 管理供應鏈中斷的公司為例。如果一家公司使用原始信號（如庫存水平、前置時間和供應評分），而另一家公司則加入跨業務流程、政策和元數據（metadata）的脈絡，兩套系統都會快速分析數據，但很可能得出不同的結論。

Khan 表示，諸如哪些客戶是戰略客戶、在短缺期間哪些權衡是可接受的，以及擴展供應鏈的狀態等資訊，將使一套 AI 系統能夠做出戰略決策，而另一套系統則因缺乏適當脈絡而無法做到。

「兩套系統都運作得非常快，但只有一套朝著正確的方向前進，」他說。「這就是『脈絡溢價』（context premium），也是當你的數據基礎在設計上就保留了跨流程、政策和數據的脈絡時所獲得的優勢。」

過去，公司隱性地處理了脈絡缺失的問題，因為人類專家提供了缺失的資訊，但對於 AI 而言，這方面的短缺會造成嚴重的限制。AI 系統不僅僅是顯示資訊，它們還會根據資訊採取行動。如果系統無法解釋數據為何重要，AI 模型可能會針對錯誤的結果進行優化。庫存數字、付款記錄或需求信號可能準確，但它們不一定能揭示哪些客戶必須優先考慮、適用哪些合同義務，或哪些產品具有戰略重要性。結果，系統可能會產出技術上正確但在營運上有缺陷的答案。

這種體認正在改變公司對 AI 就緒程度（AI readiness）的思考。大多數公司承認，他們尚未具備成熟的數據流程和基礎設施來信任其數據和 AI 系統。只有五分之一的組織認為其數據處理方法高度成熟，且僅有 9% 的組織感到已完全準備好與其數據系統進行整合與互操作。

不要整合，要織合

新興的解決方案是數據織網（data fabric）：一個跨越基礎設施、架構和邏輯組織的抽象層。對於代理型 AI（agentic AI），織網成為主要的介面，允許代理人與業務知識而非原始儲存系統進行互動。知識圖譜（knowledge graphs）發揮著核心作用，使代理人能夠使用自然語言和業務邏輯來查詢企業數據。

數據織網的價值依賴於三個組成部分：提供速度的智慧運算、提供業務理解與脈絡的知識池，以及基於該理解進行自主行動的代理人。Khan 表示，這些能力如何協同工作才是其強大之處。

技術提供了架構——這是使代理人之間的溝通與協調成為可能的基礎。流程將定義業務與 IT 如何共享所有權，並建立治理機制和一種讓人們有足夠信任去採納它的文化。現在，這三者必須協同工作，業務數據織網才能真正取得成功。

「它賦予了自信、一致的決策能力，當這些元素結合在一起時，AI 不僅僅是分析和解釋數據——它還能推動更明智、更快速的決策，真正創造業務影響，」他說。「這就是精心設計的業務數據織網的承諾，其中每個部分都相互強化，每一項洞察都建立在信任與清晰的基礎之上。」

從技術上講，構建數據織網層需要多種能力。數據必須透過聯邦化（federation）而非強制整合，在多個環境中皆可存取。需要一個語義層或知識層來協調跨系統的意義，這通常由知識圖譜和目錄驅動的元數據提供支持。治理和政策執行也必須跨織網運行，以便 AI 系統能夠安全且一致地存取數據。

這些元素共同創造了一個基礎，讓 AI 與業務知識而非原始儲存系統進行互動——這是從實驗邁向真正企業自動化的關鍵一步。

超越數據孤島與儀表板

在代理型 AI 興起的時代，監控、分析和根據數據做出決策的責任正日益轉移到軟體上。AI 代理人可以監控事件、觸發工作流程並即時做出決策，通常無需人類直接干預。這種速度創造了新機會，但也提高了風險。當多個代理人在財務、供應鏈、採購或客戶營運中運作時，它們必須受相同的業務優先級理解所引導。

如果沒有一個共同的知識層將分散的數據連接在一起，系統之間的協調很快就會崩潰。一個系統可能針對利潤進行優化，另一個針對流動性，另一個則針對合規性，每個系統都基於不同的數據片段運作。

Khan 指出，重要的是，大多數企業已經擁有了使這一切運作所需的大部分知識。多年的營運數據、主數據、工作流程和政策邏輯已經存在於各個業務應用程式中——公司只需要讓它們變得可以被存取。部署數據織網的公司對其數據獲得了更大的信任，超過三分之二的企業看到了數據可存取性、數據可見性的提升，並對其數據行使了更多控制權。

「機會不僅僅是從頭開始發明脈絡，而是激活並連接你企業中已經存在的脈絡，」他繼續說道，並補充說數據織網是「確保數據語義、業務流程和政策作為一個統一系統跨所有雲端連接的架構」。

本內容由 MIT Technology Review 的客製化內容部門 Insights 製作。並非由 MIT Technology Review 的編輯團隊撰寫。本內容由人類作者、編輯、分析師和插畫師進行研究、設計和撰寫，包括調查問卷的編寫和調查數據的收集。所使用的 AI 工具僅限於經過嚴格人工審核的輔助生產流程。