6.0
关注
AI SCORE
行业动态2026-07-30 22:22
企业数据平台从以人为中心向 AI 转变
dev.to · AI#数据平台#架构
Editor brief · 编辑速览
企业数据平台的设计假设正在改变——不再优先考虑人类用户的交互模式。对数据基础设施和平台工程师有策略参考价值。
企业数据平台的设计假设正在改变——不再优先考虑人类用户的交互模式。对数据基础设施和平台工程师有策略参考价值。
几十年来，企业数据平台的设计始终围绕着一个假设：
人类是数据的主要用户。
数据工程师构建 pipeline。
分析师探索数据集。
业务用户使用 dashboard。
应用程序执行查询。
整个数据栈的发展，始终围绕着如何帮助人们查找、转换和分析信息。
但 AI 正在成为一种全新的数据消费者。
这彻底改变了数据平台的要求。
下一代企业数据平台不能只负责存储和处理数据。
它们还需要帮助机器理解数据。
企业数据平台的演进，始终专注于改善数据访问。
首先出现的是关系型数据库。
目标是实现可靠的事务处理。
随后出现了数据仓库。
目标变成了集中式分析。
再后来，数据湖和 lakehouse 应运而生。
目标是存储海量的结构化与非结构化数据。
每一代平台都解决了重要问题。
但它们共享同一个假设：
已经有人理解数据背后的业务含义。
数据分析师知道哪张表包含可信的收入数据。
开发者知道应该关联哪张客户表。
业务专家知道“活跃客户”的真正含义。
平台提供数据。
人类提供理解。
AI 系统的工作方式并不一样。
分析师可以询问同事：
“我应该使用哪张客户表？”
开发者可能记得：
“绝对不要直接关联这两张表。”
业务用户知道：
“收入指的是已确认收入，而不是发票金额。”
这带来了一个新的架构挑战。
企业数据平台过去被设计用来回答：
AI 则需要它们回答：
这些数据代表什么？
大多数 AI 系统都从 metadata 开始：
这些信息很有用。
但它只能描述结构。
假设一家大型企业拥有多个系统：
CRM
|
ERP
|
Finance
|
Supply Chain
每个系统都可能包含客户信息。
每个系统都可能使用不同的标识符。
每个系统都可能服务于不同的业务目的。
人类员工能够理解，这些记录可能代表同一个业务实体。
而一个只查看 schema 的模型，看到的却是一张张彼此割裂的表。
缺失的并不是更多数据。
如果 AI 成为企业数据的主要消费者，未来的平台就需要具备更多能力。
AI 需要理解重要的业务对象：
不能只把它们当作数据表，而要将其视为真实的业务概念。
企业知识往往隐藏在各种关系之中。
客户与订单相连。
订单与发票相连。
发票与付款相连。
这些关系并不总是通过外键定义。
很多关系存在于业务规则、历史决策和运营经验之中。
AI 需要的是可信的关系，而不是猜测出来的 join。
同一个词，在不同部门可能有不同含义。
财务部门所说的“收入”，可能不同于运营部门所说的“销售额”。
市场部门所说的“客户”，可能不同于会计部门所说的“客户”。
AI 需要的是业务定义，而不只是字段描述。
这并不意味着要替换现有的数据库或数据仓库。
这些系统仍然不可或缺。
真正的变化在于，企业需要在现有数据之上增加一层。
这一层负责连接：
Business Concepts
↓
Data Relationships
↓
Physical Data
↓
AI Applications
这一层能够帮助 AI 从检索信息迈向理解信息。
许多组织正在大举投资：
更强大的基础设施
这些改进确实很重要。
但仅靠模型能力，无法解决对企业的理解问题。
两家公司可以使用相同的 AI 模型，却得到截然不同的结果。
差异往往并不在模型本身。
而在于模型背后企业知识的质量。
多年来，企业数据平台一直针对人类进行优化。
由人类解释含义。
由人类串联线索。
由人类消除歧义。
AI 改变了这种关系。
下一代数据平台将不只回答：
它们还将帮助回答：
“这些数据意味着什么、彼此如何关联，以及什么时候可以信任？”
未来的企业数据平台，不只是数据存放的地方。
它是让 AI 能够理解企业如何运作的基础。
如需采取进一步行动，你可以考虑屏蔽此人和/或举报滥用行为。