一句话看懂：Confluent 的最新研究显示，企业并不缺乏对 AI 的投资意愿，但高达 72% 的 IT 领导者表示，落后的实时数据基础设施正在阻止他们扩展 AI 系统。这意味着，阻碍 AI 落地的核心瓶颈并非资金或模型，而是数据质量与数据架构。
事件核心：发生了什么
流数据平台公司 Confluent 发布的一项新研究指出，企业目前的 AI 部署困境主要源于数据问题，而非投资不足。调查发现，72% 的 IT 领导者认为糟糕的实时数据基础设施阻碍了规模化发展；66% 面临数据溯源不确定性；65% 遭遇数据所有权碎片化。这些数据挑战导致 AI 部署低于预期、投资回报率低——只有 32% 的企业已将 Agentic AI 投入生产，大多数仍处于延迟状态。值得注意的是，80% 的企业表示正在优先使用企业数据来驱动 AI 系统，88% 的 IT 领导者将数据流平台列为最重要的支持工具，其优先级甚至高于 AI 和机器学习（82%）。Confluent 首席产品官 Shaun Clowes 解释，当前的基础设施并非为“持续智能”而设计，这是所有行业企业共同面临的问题。
为什么重要
这项研究的价值在于扭转了行业对 AI 落地阻碍的主流认知——问题不在资金或算力，而在于数据基础设施。许多企业花重金采购大模型或构建训练集群，却忽略了底层数据是否实时、可追溯、所有权清晰。数据孤岛和批处理架构无法支撑 AI 系统需要的高频、低延迟反馈。从技术路线看，这意味着企业需要在“买更多 GPU”和“升级数据管道”之间重新分配预算；对于云服务商和数据平台公司（如 Confluent、Snowflake、Databricks）来说，这是明确的市场信号——数据基础设施的现代化改造将成为比 AI 训练本身更优先的支出方向。
对用户/开发者/创作者的影响
对于企业级用户和 IT 决策者：在规划 AI 项目时，应首先评估现有的数据收集、清洗、流式处理能力，而非直接采购大模型 API 或部署 Agent 框架。对于后端和数据工程师：数据流平台（Kafka 及其生态）和实时数据处理能力将成为必备技能，企业招聘重心可能从“AI 模型工程师”转向“数据基础设施工程师”。对于普通内容创作者和个体开发者：短期内影响有限，但当企业级 AI 应用因数据问题延迟或失败时，依赖这些平台能力的创作者（如使用企业 API 进行内容生成的开发者）可能会遭遇服务不稳定或功能上线推迟。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
第一，观察 Confluent 及其竞争对手（如 Redpanda、StreamNative）是否会推出针对 AI 场景的简化数据流产品，降低企业接入门槛。第二，留意技术社区是否出现从“模型优化”到“数据管道优化”的讨论重心转移，以及相关开源工具的增长。第三，关注是否有企业公开披露因数据基础设施改造而显著提升 AI 部署成功率的案例，这将直接影响其他组织的技术采购决策。
来源：TechRadar
