85%的企业 AI 落地卡在数据上，为什么你还在选模型？
一句话看懂：在近期 Snowflake Summit 26 上，埃森哲高管指出 85% 的企业 AI 落地瓶颈并非模型选型，而是数据治理。Gartner 数据显示，88% 的企业增加了 AI 投入，但仅 11% 的 CFO 看到了财务回报——核心矛盾在于，多数企业先挑模型后修数据底座的顺序搞反了。
事件核心：发生了什么
Snowflake Summit 26 主题演讲中，埃森哲首席战略官 Manish Sharma 直言，企业 AI 落地最大的卡点不是大模型或 Agent 框架，而是数据基础设施的缺失。现场公布的数据显示：只有 16% 的企业将 Agentic AI 部署到生产环境，55% 仍停留在探索阶段。Gartner 补充预测，到 2027 年优先整理数据而非优先选模型的企业，业务价值将是同行的两倍。赛诺菲和某美国制造业客户的案例验证了这一点：前者通过五年前统一的数据底座，将销售代表生成邮件等任务缩短至一分钟内；后者在统一数据源后，会议不再争论“数据是否对”，直接转向决策。
为什么重要
这一发现揭示了 AI 行业当前最隐蔽的效率陷阱：模型选型能带来即时反馈感，但数据治理是长期的“修地下管网”工作，短期看不到成果。许多 CTO 误以为“数据问题 = 数据量不够”，但实际问题是碎片化、语义不统一和治理缺失——CRM 与 ERP 中的客户名称不一致，AI 便无法理解。更关键的认知偏差是“等模型成熟了再整理数据”。Anthropic 联合创始人 Daniela Amodei 指出，模型能力呈指数提升时，高质量数据产生的价值回报也呈指数增长。先修数据底座的企业，每换一代模型就能多赢一轮，而选择等待的企业只会陷入“每个新模型都卡在数据上”的重复困局。
对用户/开发者/创作者的影响
对企业 CTO 和 AI 开发者来说，这一趋势直接改变技术路线优先级：
– 开发者/架构师：若正在搭建 Agent 或 RAG 应用，首要任务不是选 Claude、GPT 还是开源模型，而是统一数据语义（如采用 Snowflake OSI 等开源标准），确保不同系统的数据定义一致。这一步做完后，模型可随时切换，切换成本极低。
– 企业采购决策者：预算分配应从“模型采购”转向“数据底座+管控平面”。先统一数据层（计算存储分离架构），再搭模型层，最后加观测和审计机制（如 Snowflake 收购 Natoma 后的 MCP 协议原生接入）。
– 普通用户/内容创作者：短期内影响有限，但当企业数据底座完善后，AI 助手（如医药销售代表的 concierge）的响应速度和准确性将显著提升，误判和幻觉减少。
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
1. 数据治理工具落地：Snowflake 推出的 OSI 开源标准能否成为行业共识，降低企业数据整合成本？需关注其 GitHub 社区活跃度和竞品（如 Databricks）反应。
2. 企业采购迁移：若更多 CFO 开始要求 AI 项目绑定业务产出（如订单转化率、决策周期缩短），模型订阅服务商（OpenAI、Anthropic）可能被迫调整定价策略，以支持“先数据后模型”的客户需求。
3. 控制平面竞争：Snowflake 对 Natoma 的收购将 Agent 审计能力引入数据层，这一整合是否能真正降低 AI 部署风险，还需产品落地后的用户反馈（预计 2026 下半年）。
来源：InfoQ CN
