每项关于生成式AI的调查（包括我们自己的调查）都指向一个无法回避的结论：数据成熟度不足将阻碍生成式AI潜力的充分发挥。
当我们询问采用AI面临的挑战时，56%的受访者将“数据成熟度不足”列为首要挑战。
纵观整个行业不难发现，数据成熟度不足是采用AI过程中的一大障碍。
业界普遍认为，数据成熟度不足正在对AI工作产生负面影响。
什么是数据不成熟？
在AI领域，数据不成熟是指组织的数据实践尚不完善或不充分，因而限制了其有效利用AI的能力。这包括数据质量、可访问性、治理和基础设施等方面的问题，例如：
- 数据质量不佳：不一致、不完整或过时的数据会导致AI结果不可靠。
- 数据可用性有限：部门之间的数据孤岛阻碍数据访问和全面分析，限制了洞察的获取。
- 数据治理薄弱：缺乏有关数据所有权、合规性和安全性的政策，会带来风险并限制AI的使用。
- 数据基础设施不足：工具和基础设施不足会阻碍大规模数据处理和AI模型训练。
- 数据战略不明确：缺乏明确的战略会导致各项举措缺少协调，并且对有助于AI的高价值数据关注不足。
数据成熟度不足会阻碍组织充分发挥AI的潜力，因为高质量、管理完善且易于访问的数据是开发可靠、高效AI系统的基础。为改善数据成熟度，组织通常会从制定数据战略、实施数据治理政策、投资数据基础设施以及提升各团队的数据素养入手。
对AI采用的影响
前文的所有讨论都是为了引出本文的核心观点：数据成熟度不足正在拖慢AI的采用。AI采用速度已经开始放缓，因为大多数组织基本上已经率先采用了较易实现的生成式AI用例（聊天机器人、助手和副驾驶），而在转向工作流自动化等更具价值的用例时，又面临数据成熟度不足的问题。未能优先提升数据成熟度的组织，将难以充分利用这些更高级的AI能力。
数据成熟度不足会降低人们对分析结果的信任，也会削弱执行的可预测性。这将阻碍企业以更自主的方式利用AI，无论是用于业务流程自动化还是运营流程自动化。MIT Sloan Management Review在2023年的一项研究中指出，与数据实践不成熟的组织相比，拥有成熟数据管理实践的组织成功实现工作流自动化的可能性高出60%。数据成熟度不足会限制AI的预测准确性和可靠性，而这两点对于无需人工干预即可做出决策的自主功能至关重要。
组织必须（这里指RFC中的“MUST”）先妥善治理数据，才能真正发挥AI在优化工作流方面的潜力，并节省宝贵的人力时间，让人们专注于战略和设计，而目前大多数AI尚不擅长这些任务。
克服数据成熟度不足
解决数据成熟度不足的问题，是实现高级AI能力的关键。主要步骤包括：
- 制定清晰的数据战略
使数据收集、管理和质量标准与组织目标保持一致，确保数据能够有效支持AI项目。 - 实施健全的数据治理
制定数据所有权、合规性、安全和隐私政策，以提高数据质量，并增强对AI洞察的信任。 - 投资可扩展的数据基础设施
采用云存储和数据管道等现代化基础设施，以支持高效处理和可扩展的AI训练。 - 完善数据质量标准
制定数据准确性、一致性和完整性标准，并定期监控和清理数据。 - 提升数据素养并促进协作
营造重视数据素养的文化，推动数据团队与业务部门协作，提高数据的可访问性并扩大其影响。
通过采用这些实践，组织可以为AI奠定坚实的数据基础，从而优化工作流程、降低风险，并腾出更多时间处理战略性任务。
数据成熟度不仅是技术上的必要条件，更是一项战略优势，有助于组织充分释放AI的潜力。通过解决数据成熟度不足的问题，组织可以从基础AI应用转向更具变革性、以价值为导向的用例，从而为在AI驱动的未来实现长期成功奠定基础。
如需了解详情，请参阅我们的《2024 年数字化企业成熟度指数报告》。
关于作者
Lori MacVittie是F5首席技术官办公室的杰出工程师兼首席技术布道师，在应用交付、自动化战略和基础设施领域拥有深厚的专业知识。无论是为AI智能体定义防护机制、剖析脆弱的多云架构，还是探索可扩展系统的极限，她都善于化繁为简。她在应用开发、IT架构以及网络和系统运维领域拥有30多年的行业经验。加入F5之前，她曾担任技术编辑，并因出色表现获得奖项。 MacVittie拥有计算机科学硕士学位，著述颇丰，出版作品涵盖安全、云和企业架构领域。她还热衷于桌面游戏和电子游戏，并且对奶酪有着毫不掩饰的鲜明见解。
Lori Mac Vittie 的更多博客文章相关博客文章
2023年应用策略现状：成本与复杂性是推动多云网络发展的首要因素
多云网络解决方案可在核心、云和边缘环境之间实现无缝、安全的互联，为解决当今混合IT面临的挑战提供支持，因而备受业界关注。