2025数据与人工智能雷达：10挑战掌握您的数据2025年的AI转型

由Wavestone发布了《2025数据与人工智能雷达：10挑战掌握您的数据2025年的AI转型》这篇报告。以下是对该报告的部分摘录，完整内容请获取原文查看。人工智能，尤其是生成式人工智能的兴起，增加了执行委员会（ExCom）对数据与人工智能领域的兴趣，而不断变化 的法规使得首席数据官面临解决多个挑战的压力。

1.人工智能的崛起：时候扩大规模并实现治理工业化了

尽管人工智能在以下方面有所上升： 商业世界，大约85%的AI项目仍然失败。 达到生产阶段。此数值略有降低 但是仍然相对较高， 并且只有最成熟的组织才能管理 将其大幅降低。

人工智能代理是一种设计用于处理复杂问题、制定行动  方案并使用一系列工具执行这些方案的系统。与传统计 算机应用不同，这些代理具有先进的推理、记忆和任务 执行能力。例如，这些代理可以解决复杂问题（例如， 生成项目计划、编写代码...），通过分析自己的输出进 行自我批评，使用现有工具和信息系统，甚至进行代理 间的协作。

人工智能的兴起也促使决策者加强治理，把握所有涉及的问题。这些问题 很多： 风险管理、合规性、主权、伦理、碳 足迹，只是通过这一治理需要解决的一些问题。需要同时解决多个问题， 以便确立实施人工智能的可持续方法。

2.解锁数据的全部潜力

每个人都现在同意，数据是组织成功的关键资产。然而 ，由于其潜在的未充分利用，这通常是由于组织壁垒、 知识、数据控制、可访问性和互操作性。异质实践也使 得不同团队之间的协作变得困难。

为了应对这些挑战，数据治理仍然是关键词。一个运营 模型 涵盖组织、角色和职责， 以及操作模式，对于所有组织来说仍然是一项必备条件 。而且，在理论之外，通过所有参与者都能理解的切实 实践来思考实施，这是一种强有力的区分因素，而许多 组织仍然局限于描述，而没有将定义的要素应用于实际 应用中。

许多公司最近推出了雄心勃勃的数据培训计划，特别 是通过在其团队中部署商业智能（BI）工具。虽然这种 培训使员工熟悉了“ 什么 即工具的工程技术应用和数 据接入——它往往省略了“ 如何 ": 如何将此数据翻译成可用的、有影响力的 信息。今天，我们的目标是再进一步，通过培训团队 进行数据故事讲述。不再仅仅是操纵数据，而是学习 如何基于洞见讲述相关且令人信服的故事。这种技能 正变得至关重要，以加强团队从数据中提取最大战略 价值的能力，通过将数字转换为明智的决策杠杆。

3.数据治理和质量仍然是关键关注点

如果有一个主题始终在组织内部需要解决的数据问题列表的顶端，那就是数 据质量。根据项目团队、数据科学家和数据分析师的说法，他们所有的问题 都源于他们 supposed to be handling 的数据的不可靠性。这些数据质量问 题仍然是一个主要关注点，只有37%的客户在2024年声称 他们的努力提高数据质量已取得成功。

数据可观测性正在上升，原因有很多。数据源的激增， 加上日益复杂的IT基础设施，使得持续监控变得更加必 要。 数据流动不可或缺。在如此众多 不同数据块之间的互连，难以进行手动、非自动的监督 ，因为这可能会在面临可能影响数据管道的事件时留下 反应行动的空间。数据可观测性采取积极主动的质量监 控方法，快速准确地检测数据流中的异常。它旨在提供 对数据及系统健康状况的全面可见性，使团队能够首先 了解任何问题、其起源以及如何纠正这些问题。

与对数据质量采取静态方法相对， 本学科专注于对数据在整个生命周期中（从源头系统到 下游分析）的流动性能和状态进行实时监控。利用这些 工具，团队可以预测数据问题，这是确保信息可靠性的 关键要素。这些工具实现了自动化监控、问题警报、数 据比较、根本原因分析和服务级别协议跟踪，使团队对 端到端数据质量有更深入的了解。对于利用数据生成洞 察、构建机器学习模型的数据驱动型组织来说，这些工 具至关重要。 模型，或推动创新，数据可观察性 解决方案对于确保数据保持为有价值的资产而非风险至 关重要。

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）