戴尔基础设施解决方案副总裁Gaurav Chawla：「数据引力」让企业AI试点成功却扩大失败

麻省理工学院2025年的一份报告指出，高达95%的企业生成式AI试点项目对营收几乎或根本没有可量化的影响。报告认为，模型品质并非企业面临的主要问题，缺口在于将AI整合到运营流程的方式。换句话说，试点成功并不能证明同一套系统在全组织环境下也能顺利运行。

戴尔技术长办公室基础设施解决方案副总裁Gaurav Chawla近日在专栏文章中提出了一个解释这一落差的机制：「数据引力」。他的核心判断是，大多数企业导入新AI平台后，误以为只需将数据汇集到一处，上方的智能层就能自然运作。这在概念验证阶段看似合理，但在企业级规模下几乎不可能实现。

数据引力的含义是：数据集越大，企业移动它的成本就越高。具体而言，法规要求某些数据只能存放在特定位置，数据主权规则限制数据在指定区域内存储，过去数十年围绕特定数据集建立的治理架构使业务单位几乎没有动机将数据迁移到新平台，有时甚至不存在合法合规的途径允许这样做。更关键的是，当有人试图将数据与围绕它构建的应用程序分离时，这些应用程序可能发生严重且代价高昂的故障。

Chawla指出，数据引力的影响通常隐藏在概念验证和试点阶段，因为这些项目只在经过预先清理的小部分数据上运作。企业真正需要承担的成本，在AI项目应用到大部分杂乱无章的真实环境数据后才会浮现。传输费用只是一部分，数据交由AI处理后产生的延迟、带宽、安全控制和运营开销会进一步推高整体成本。

这笔「隐形税」最危险的地方在于它出现的时间。Chawla强调，成本往往在采购完成、团队组建到位后的12至24个月内才显现，此时AI带来的初步成果早已向上呈报，采购合约已签署，团队人力已聘雇，企业发展方向也已对外公开承诺。此时再回头修改架构，成本远高于从一开始就针对数据引力进行设计。

Chawla认为，企业AI的价值限制一半在算力，另一半在数据。Token使用量和GPU效率可以告诉团队运行模型的成本，但无法呈现模型是否具备做出良好决策所需的上下文。AI模型从来不需要有人将原始数据直接倒在它面前，它需要的是上下文——能够找出正确的记录、与政策交叉比对、遵守存取规则，并基于最新信息运作，而非仅依赖项目启动时的数据快照。

因此，解法不是更大的数据仓库，而是建立企业级的上下文层，利用受管制且一致的机制，跨系统和跨位置发现、连接并检索数据，使AI不必将每个数据源交给中央存储库处理。元数据和向量信息能够协助AI查找并推论受法规、主权、所有权限制而无法任意移动的记录。

Chawla建议企业在执行重大AI基础设施投资前先回答四个问题：哪些数据集受法规或合约限制而无法移动？各数据集的治理权归谁所有，副本存在于其他地方时会发生什么？随着来源系统演进，副本如何保持同步？智能处理能否部署至数据现存的位置，还是架构要求所有数据必须集中化？

需要指出的是，这一框架来自一家基础设施厂商高管的论述，具有明确的商业立场。Chawla描述的「上下文层」停留在概念层面，未给出具体实施案例或量化效果对比。数据引力作为解释机制具有直觉上的合理性，但其边界——例如在何种规模或何种行业约束下这一机制真正构成瓶颈——尚未得到独立验证。

不过，将试点到规模化的落差归因于一个可命名的架构性约束，而非笼统的「数据未就绪」，确实为从业者提供了更具体的诊断起点。未来能从AI中获益最多的企业，可能是那些在设计数据架构时就为AI代理所需上下文提供支撑、同时不必移动或集中全组织数据的企业。