夜雨聆风关键讯息，D1时间送达！
企业网D1net
企业正在重走当年“数据孤岛”的老路，只不过这次主角变成了AI，而且失控速度更快、代价更高。本文作者以特斯拉的数据治理经历为例，指出AI正在企业内部“野蛮生长”——各部门为了提效自行搭建模型、智能体和自动化工具，短期看效率飙升，长期却会引发治理失控、重复建设、维护成本爆炸和人才流失。传统软件治理思维已经失效，因为AI不是普通软件，而是像电力和数据库一样的“基础设施”。真正的关键，不是制定更多政策，而是建立统一的数据底座、共享标准和可继承的AI基础架构。
AI正在像没有高速公路系统的城市一样无序蔓延，如果各个团队继续各自为战、自行搭建临时方案，企业很快就要为自己制造的混乱买单——而且是一笔天文数字。
这一幕，我见过。
十多年前，在特斯拉，我们的财务团队遭遇了一场数据危机，信息散落在会计系统、供应链系统和交付系统中，彼此割裂，数据结构各不相同，工程团队理所当然地把精力集中在全自动驾驶(FSD)和制造上，于是，我们做了所有渴望提升效率的团队都会做的事：自己动手搭建解决方案，我们自学了SQL，用创造性的IF-THEN逻辑对数据进行归一化处理，还建了自己的报表数据库。
效果非常好，直到它变成了一场治理噩梦，工程副总裁对我们这个嵌入了业务逻辑的孤立系统深恶痛绝，我们最终把它移交给了 IT 部门，但在此之前，我们的临时方案倒逼公司不得不正式组建一支真正的数据团队。
模式永远相同：渴望提效的团队搭建临时方案的速度，永远快过组织的治理能力，等到领导层注意到的时候，这些临时方案已经变成了基础设施。
那是十多年前的事了，这个模式花了好几年才完全显现。
而今天，我正在保险行业以及各行各业看到完全相同的动态，只不过时间被压缩到了几个月，而不是几年。AI的采用正在各企业中野蛮生长，推手依然是那些渴望提效的人，但没有统一的平台，也没有治理机制。领导层没有为安全试错留出空间，于是AI的采用就像一座没有高速公路系统的城市一样四处蔓延。区别在哪？当年我们搭建的是SQL数据库，到了2026年，我们搭建的是AI智能体，而碎片化的代价，是指数级更高的。
什么是AI蔓延？
AI蔓延(AI Sprawl)指的是：当AI的构建成本下降速度超过了企业的治理能力时，就会发生这种情况。各个团队独立地搭建模型、智能体和自动化流程，每一个都在孤立运行，彼此不连通，结果就是数据碎片化、决策漂移，以及那些被悄悄抛弃的智能系统。
它之所以发生，是因为执行变得极其廉价，大语言模型API、无代码工具和云基础设施让启动AI变得轻而易举。理赔团队搭建一个自动化流程来加速核赔，核保团队构建一个模型来评估风险，客服团队部署一个聊天机器人，每个项目都能带来局部价值，单独看没有一个像是问题。
但合在一起，它们就构成了一片无法治理的荒原。
过去18个月，生成式AI的加速进一步加剧了IDC所说的"生成式AI混战"：由业务部门主导、缺乏集中监管的应用散落各处、彼此割裂，有时甚至重复建设。许多企业已经掉进了研究者所说的"生产力陷阱"：只盯着短期价值创造，而忽略了可扩展性，导致跨部门复用能力严重受限。
AI蔓延无处不在
一家大型财产险公司最近邀请我们与其创新领导层沟通流程自动化的落地，我们与多条业务线的十多位关键干系人进行了交流，发现光是在理赔受理、核保和反欺诈这几个领域，就有十几个不同的概念验证和本地解决方案。
其中六个解决的是重叠问题，没有一个共享数据基础设施，有两个几个月前就已经被废弃，但仍在运行、仍在计费。
这不是个例，这就是常态。
AI蔓延之所以持续存在，是因为它极其隐蔽——除非你主动去找，否则根本看不见。业务部门动作快、独立搭建、解决眼前问题。IT部门只有在出了问题、触发审计、或者供应商续约时才会发现影子AI——而那时候才知道原来有个工具谁都不知道存在，而且，企业里越是有创新能力的团队越多，这种症状就越严重。
蔓延的四大隐性成本
AI蔓延造成的成本会随时间不断叠加，其中许多在任何单一预算科目中都看不到，它引发的是一连串危险的连锁失效：
1. 治理变得不可能。你无法治理你看不见的东西，当AI系统散布在各个部门，审计追踪就会断裂，偏见监控变得不一致，可解释性标准因团队而异。
2. 扩展停滞。彼此割裂的系统无法整合，每个新项目都从零开始，而不是在共享基础设施上迭代。
3. 维护和重复支出成倍增长。那些为了加速工作而搭建AI的团队，最终把大部分时间花在了维护上。一家保险公司报告称，他们60%的AI工程能力都用在了维护现有工具上，而不是构建新能力，与此同时，各团队在不知不觉中为重叠的功能重复付费，因为没有人能看到AI支出的全貌。
4. 人才流失。最优秀的AI工程师想解决的是硬核问题，当他们被困在维护碎片化基础设施的泥潭里，他们就会选择离开。
为什么传统治理会失效
70%的大型保险公司正在投资AI治理框架，但只有5%拥有成熟的框架，这个差距不是因为决心不够或资源不足，而是因为犯了一个根本性的分类错误。
过去二十年，企业软件治理之所以行得通，是因为软件本身的运作方式是确定的。系统都是点对点的解决方案：理赔平台管理赔，保单管理系统管保单。每个工具都有明确的负责人、清晰的范围和可预测的边界。治理可以绕着边缘展开——通过访问控制、审计日志、变更管理、供应商审查——因为边界是可见的。我们治理的是外围，因为外围就是产品本身。
AI不是点对点的解决方案，它是基础技术，更接近于电力或数据库，而不是某个软件，它不存在于某个既定的边界内，而是流淌在每一个流程、每一个决策、每一个接触数据的部门中，正因为它是流动的，所以你无法在外围治理它。
这就是为什么套用老办法的保险公司一直在原地打转，政策文件、监督委员会和合规检查清单，都是为治理那些静止不动的系统而设计的，AI不会静止，它被设计、被修改、被重训练、被扩展——而且往往就在同一周内，由它本应服务的团队来完成，等治理委员会审完，企业里其他地方已经又冒出了三个版本。
失败的原因不是保险公司把AI治理搞砸了，而是他们把AI当作软件来治理，而它实际上是基础设施。基础设施需要的是另一套纪律：共享的底座、统一的标准，以及"所有人都会在上面搭建"这个前提。你不会通过审查每一台电器来治理电力，你治理电力的方式是标准化电网。
在保险公司完成这个认知转变之前，他们的框架只会继续在纸面上趋于成熟，而蔓延在底下不断恶化。
每位保险公司CIO都应该能回答的三个问题
如果传统治理的失败是一个分类错误，那么领导层的首要任务就是确认自己到底在哪个类别里运营，这三个问题不是为了得出干净利落的答案，而是为了揭示：你是否还在把AI当作软件来治理，而实际上你应该把它当作基础设施来治理。
1. 你是在外围治理AI，还是在根基上治理？
看看你现有的AI治理成果——政策、委员会、审查流程，它们是设计来在工具建成后包裹住单个工具，还是用来设定所有工具都必须遵循的共享标准？外围治理问的是"这个具体模型合规吗？"根基治理问的是"这个组织里的每一个模型，是否默认继承了相同的定义、相同的数据溯源和相同的护栏？"如果你的治理只在审查时才介入，那你仍然在把AI当软件对待，你已经落后了。
2. 如果明天你能在整个企业中统一一件事，什么能产生最大的杠杆效应？为什么你还没做？
每家保险公司都有一张清单，上面列着他们知道应该标准化但一直没做的事：核心实体的共享定义、处理非结构化输入的通用方式、决策记录的单一事实来源。问题不在于哪一项应该排在最前面——大多数CIO其实心里有数，问题在于到底是什么在阻碍标准化：是政治因素、预算限制，还是组织架构?因为那个阻碍，不管是什么，也正是让蔓延不断恶化的根源，治理框架解决不了被一再推迟的根基性决策。
3. 下个季度启动一个新的AI项目时，它会自动从现有体系中继承什么？
这才是真正的试金石，在点对点解决方案的世界里，每个新系统都是从零开始搭建，治理是事后才加上去的。在基础设施的世界里，每个新系统在写下第一行代码之前，就已经继承了共享标准、共享定义和共享监管。如果诚实的回答是"它什么都不会继承，我们事后再治理"，那你没有AI治理问题，你有的是AI根基问题——再多的政策也填补不了这个缺口。
令人不安的真相是，大多数保险公司如果诚实地回答这三个问题，就会发现自己仍然在用老剧本，这是一个信号，表明需要做的不是更多的治理，而是不同的治理——那种把AI视为底层地基而非顶层建筑的治理。
关于企业网D1net(www.d1net.com)
国内头部to B IT门户，同时在运营国内头部的甲方CIO专家库和智力输出及社交平台-信众智(www.cioall.com)。旗下运营19个IT行业公众号(微信搜索D1net即可关注)
如果您在企业IT、网络、通信行业的某一领域工作，并希望分享观点，欢迎给企业网D1net投稿。
投稿邮箱：
editor@d1net.com
合作电话：
010-58221588（北京公司）
021-51701588（上海公司）
合作邮箱：
Sales@d1net.com
企业网D1net旗下信众智是CIO（首席信息官）的专家库和智力输出及资源分享平台，有六万多CIO专家，也是目前较大的CIO社交平台。
信众智对接CIO为CIO服务，提供数字化升级转型方面的咨询、培训、需求对接等落地实战的服务。也是国内较早的toB共享经济平台。同时提供猎头，选型点评，IT部门业绩宣传等服务。
扫描 “二维码” 可以查看更多详情
