【導(dǎo)讀】AI編程智能體快速發(fā)展，其應(yīng)用邊界早已超越軟件開發(fā)領(lǐng)域，延伸至數(shù)據(jù)管理等更廣泛的數(shù)字領(lǐng)域。許多企業(yè)機(jī)構(gòu)正在各類數(shù)據(jù)管理任務(wù)中嘗試或部分結(jié)合AI技術(shù)。隨著AI技術(shù)落地進(jìn)程加快，從數(shù)據(jù)與分析（D&A）團(tuán)隊(duì)，到業(yè)務(wù)高管和董事會，領(lǐng)導(dǎo)層對提升效率和降低成本的期望也不斷提高。
Gartner高級研究總監(jiān) 顧星宇
持續(xù)攀升的行業(yè)熱度也讓人們對AI智能體能實(shí)現(xiàn)的功能產(chǎn)生了越來越高、有時(shí)甚至不切實(shí)際的期望。利益相關(guān)方時(shí)常會問，這些工具是否能將核心的數(shù)據(jù)管理能力完全自動化，或是大幅減少對專業(yè)團(tuán)隊(duì)的依賴。與此同時(shí)，技術(shù)供應(yīng)商正將AI功能嵌入自身平臺，并將其定位為“智能體式”解決方案，表示支持用戶自助使用，最大限度地減少對技術(shù)團(tuán)隊(duì)的依賴。盡管這些功能確實(shí)有其價(jià)值，但技術(shù)供應(yīng)商的營銷方式可能會加劇人們認(rèn)為AI智能體可以取代基礎(chǔ)數(shù)據(jù)管理投入的誤解。
事實(shí)上，AI編程智能體不太可能接管企業(yè)機(jī)構(gòu)的數(shù)據(jù)管理職能。目前，它們的主要用途大致可分為兩類：復(fù)制已知模式，以及在模式不明確或缺失的情況下嘗試生成新的解決方案。在后一種情況下，產(chǎn)出的結(jié)果往往需要大量人工干預(yù)。缺乏經(jīng)驗(yàn)的用戶得到的結(jié)果可能無法復(fù)用、難以擴(kuò)展，或不符合企業(yè)標(biāo)準(zhǔn)，最終仍需專家進(jìn)行優(yōu)化或重構(gòu)。這種局限性源于AI系統(tǒng)有效運(yùn)行所依賴的上下文類型。
與傳統(tǒng)編程任務(wù)不同，數(shù)據(jù)管理在很大程度上依賴于對業(yè)務(wù)數(shù)據(jù)及定義業(yè)務(wù)數(shù)據(jù)的元數(shù)據(jù)的語義含義的理解，而這兩者都是動態(tài)且持續(xù)演化的。這種上下文僅靠代碼庫或文檔無法完全捕捉，它實(shí)際上存在于數(shù)據(jù)與分析（D&A）團(tuán)隊(duì)所維護(hù)的企業(yè)機(jī)構(gòu)知識和治理實(shí)踐中。
數(shù)據(jù)管理團(tuán)隊(duì)的核心價(jià)值在于構(gòu)建、維護(hù)這一語義層，并使其與不斷變化的業(yè)務(wù)需求保持一致。若將數(shù)據(jù)管理簡單地視為“對數(shù)據(jù)進(jìn)行編程”，則低估了這項(xiàng)工作的復(fù)雜性。這種認(rèn)知可能導(dǎo)致企業(yè)采用的AI方法會給分析和AI項(xiàng)目帶來風(fēng)險(xiǎn)，包括定義不一致、數(shù)據(jù)質(zhì)量差、洞察偏差，最終影響企業(yè)決策。
為了有效應(yīng)對這一轉(zhuǎn)變，數(shù)據(jù)與分析領(lǐng)導(dǎo)者應(yīng)避免人的專業(yè)知識與AI效率之間直接競爭的討論框架。如果僅聚焦AI幻覺、安全或成本等風(fēng)險(xiǎn)展開討論，可能難以在預(yù)算有限、需要不斷證明投資回報(bào)率的壓力環(huán)境下獲得認(rèn)同。相反，數(shù)據(jù)與分析領(lǐng)導(dǎo)者的重點(diǎn)應(yīng)放在明確區(qū)分成熟AI能力與營銷宣傳，同時(shí)重新定位數(shù)據(jù)與分析團(tuán)隊(duì)，使其成為數(shù)據(jù)意義、治理和戰(zhàn)略的關(guān)鍵協(xié)調(diào)者。
語義債務(wù)是智能體式數(shù)據(jù)管理的隱性制約因素
非技術(shù)背景的業(yè)務(wù)用戶通常能夠執(zhí)行低至中等技術(shù)難度的數(shù)據(jù)任務(wù)，例如對特定數(shù)據(jù)產(chǎn)品應(yīng)用篩選條件，或?qū)δ硞€(gè)指標(biāo)進(jìn)行微調(diào)。然而，這種操作依賴于一個(gè)關(guān)鍵前提：使用者必須充分理解數(shù)據(jù)的語義含義，并確認(rèn)其匹配自身使用場景的業(yè)務(wù)上下文。但在現(xiàn)實(shí)中，企業(yè)往往沒能滿足這一前提條件。
以一個(gè)常見場景為例：某企業(yè)機(jī)構(gòu)的“活躍用戶”指標(biāo)最初被定義為過去30天內(nèi)登錄過的用戶。如果某團(tuán)隊(duì)將該定義更新為7天內(nèi)登錄過的用戶，但未正式同步元數(shù)據(jù)或溝通相關(guān)變更，其他團(tuán)隊(duì)可能仍沿用原始定義。這將導(dǎo)致企業(yè)機(jī)構(gòu)內(nèi)部出現(xiàn)解釋不一致和結(jié)果沖突的問題。
此類情況是語義債務(wù)的典型表現(xiàn)：數(shù)據(jù)產(chǎn)品的業(yè)務(wù)上下文因分析需求的變化而不斷演進(jìn)，但其在系統(tǒng)和元數(shù)據(jù)中的定義卻未能同步更新。這些不一致現(xiàn)象并非孤立事件，實(shí)際上它們頻繁發(fā)生，并且隨著企業(yè)機(jī)構(gòu)數(shù)據(jù)使用規(guī)模的擴(kuò)大而日益復(fù)雜。
在當(dāng)今不確定的商業(yè)環(huán)境中，對數(shù)據(jù)的需求比以往任何時(shí)候都更加迫切，波動也更大。以敏捷性為核心的交付模式正變得越來越普遍，例如自助式分析和去中心化方法。這些模式雖然提升了分析速度，但也加速了語義債務(wù)的積累。隨著業(yè)務(wù)上下文快速變化，底層的數(shù)據(jù)定義更難維護(hù)，導(dǎo)致AI智能體所依賴的上下文出現(xiàn)不一致。
這種日益加劇的脫節(jié)使智能體驅(qū)動的數(shù)據(jù)管理難以可靠運(yùn)行。
數(shù)據(jù)管理團(tuán)隊(duì)在應(yīng)對這一挑戰(zhàn)中發(fā)揮著關(guān)鍵作用。當(dāng)他們從傳統(tǒng)的“對數(shù)據(jù)進(jìn)行編程”方式，轉(zhuǎn)向與一線應(yīng)用場景和數(shù)據(jù)使用者開展更緊密協(xié)作時(shí)，其價(jià)值才能得到最大程度的發(fā)揮。這些團(tuán)隊(duì)通過在數(shù)據(jù)與應(yīng)用場景之間架起橋梁，確保了數(shù)據(jù)與分析的一致性、可信度和相關(guān)性。
在此過程中，他們也有助于明確自身在投資回報(bào)率（ROI）方面的積極作用，確保數(shù)據(jù)能夠帶來切實(shí)成果，同時(shí)緩解了企業(yè)削減維護(hù)數(shù)據(jù)與分析基礎(chǔ)能力建設(shè)投入的壓力。
