传统数据团队要失业?自主式AI正逼出新一轮技术变革

AI智能体要想良好运转，仅靠数据远远不够，它们还需要来自各个应用和公司运营中的真实世界的上下文。

最近，我参与了一次语音AI项目的架构评审，最初的方案高度聚焦于为智能体提供上下文所需的数据，讨论围绕检索机制、客户历史和知识访问模式展开，但随着评审的深入，讨论很快超出了数据的范畴。围绕身份与认证流程、电话系统集成、跨渠道连续性、交互质量保障、升级处理、运营策略，以及运营知识管理系统如何为智能体的推理上下文提供支撑等问题逐一浮现。

令我印象深刻的是，一场最初聚焦于AI和数据需求的讨论，逐渐揭示出一个远比数据更大的命题：自主式AI系统并非纯粹在数据系统的边界内运行，它们处在数据、应用、运营、治理、安全和组织知识的交汇点上。

多年来，大多数企业都把"数据与AI"整齐地归入同一个范畴之下，这种结构在机器学习和深度学习的早期阶段确实发挥了作用，那时的成功高度依赖集中式数据集、特征工程和统计模型，但随着生成式AI和自主式AI系统的能力不断增强，旧模式已经暴露出局限，这些新一代系统不只是在处理数据：它们利用数据，连同许多其他要素，来进行推理、决策和行动，它们主动深入企业工作流、API、策略、人类决策模式、实时运营现实，以及分散在各处的机构知识。

这让我想到一个更宏观的问题：自主式AI仍然只是一种数据能力，还是正在演变为一个更广泛的跨职能智能层，在数据、应用和运营的交汇处发挥作用？

大约十年前，我亲身体验了机器人流程自动化(RPA)的浪潮。RPA擅长在现有应用和工作流内部自动化重复性任务，然而，当流程变得动态、模糊或依赖上下文时，它就力不从心了，因为它缺乏自适应推理、语义理解和上下文感知能力。RPA可以高效执行工作流，但它无法真正理解组织意图。

如今的自主式AI系统则暴露了另一种挑战，现代AI智能体在机器学习和深度学习的推动下，展现出了令人印象深刻的推理能力、语言流畅性、生成能力和预测智能，然而，它们往往缺乏可靠企业级执行所需的运营根基，它们可能并不完全理解工作流状态、企业策略、升级路径、运营上下文，以及那些塑造组织实际运作方式的机构知识。

综合来看，这两波技术浪潮揭示了企业自动化领域的一个重要转变，RPA暴露了没有智能和自适应推理的自动化的局限。现代AI智能体大幅推进了推理能力，但它们现在正暴露另一种局限——有智能却缺乏充分运营根基的局限。没有这种根基，自主式AI系统在企业规模上会变得不可靠、不一致，且运营成本高昂。

这正是我认为自主式AI开始超越传统"数据与AI"组织模式的地方，构建可靠的AI系统越来越需要跨应用、运营、治理、安全和企业知识领域的协同，而不仅仅是数据平台和模型流水线。行业中关于自主式AI运营模式的讨论已经开始认识到，自主企业系统所需的组织和运营整合，远远超出了传统AI基础设施的范畴。

多年来，我看到企业架构师们精心绘制基础设施、安全、数据、服务、API和客户渠道的架构图，然而，这些架构讨论中经常缺失的是语义上下文：那些连接文档、隐性专家知识、不断演进的策略、运营例外和日常业务实践的活的组织知识。

最近，我参观了一个联络中心争议处理单元。一位处理争议案件的人工坐席可以访问历史交易数据、客户与商户洞察、实时工作流状态、应用API和异常处理逻辑。同样重要的是，这位坐席还依赖于对策略的精细解读、对最新操作流程的了解，以及过往决策中的先例。

当我分析支撑这一业务可靠运转所涉及的系统、工作流和组织职能时，一个重要的规律变得清晰起来。数据团队擅长流水线、数据血缘、治理、分析，以及将原始数据转化为可执行洞察。应用团队聚焦于交易、编码化业务规则、API、用户体验和交付速度。运营团队则优先关注连续性、异常处理、策略合规、升级管理和客户结果。

我的观察是：语义上下文分布在这三个组织职能之中，它们共同塑造了企业的实际运作方式。AI智能体要想在企业工作流中一致、可靠地运行，就必须同时从所有这些职能中汲取上下文理解。围绕上下文工程的新兴讨论越来越多地认识到这一挑战——为AI系统协调运营、应用和知识层的上下文。到了这一步，挑战就不再只是数据、应用或运营中的任何一个单独的问题，而是在整个企业范围内构建统一语义上下文的挑战。

有一个领域已经为可靠的自主式AI交互提供了一线曙光：软件工程。成熟且维护良好的Git仓库通常与AI编程助手配合得非常好。正如Huseyin Kaplan所描述的，围绕智能体就绪仓库的新兴工程实践，已经认识到显性运营结构、上下文文档和受治理的仓库语义对AI辅助开发的重要性。

这些仓库记录了版本历史、所有权归属、架构决策、评审流程、规范、依赖关系、问题讨论和丰富的上下文文档。随着时间推移，它们演变为活的、受治理的知识系统，在软件生命周期周围构建统一语义上下文的同时，保留了技术意图、运营标准和架构治理。

我认为这种一致性有助于解释，为什么自主式AI系统在结构良好的工程环境中往往比在许多企业运营环境中表现更可靠，即便后者拥有大得多的数据集。真正的差异不在于数据量，而在于语义与运营的一致性。

所有这些观察把我带回了最初的问题：自主式AI是否已经超越了传统数据组织的承载能力？

随着企业逐步走向更加自主和智能体化的系统，自主式AI在结构上归属何处的问题变得越来越紧迫。将这一能力完全放在数据组织内，有可能打造出技术上精致却与真实运营工作流脱节的能力。正如David Linthicum最近在《企业AI缺失业务核心》一文中所论证的，许多AI项目仍然难以与业务的运营现实深度整合。同样，将自主式AI仅置于应用组织内，也可能导致碎片化的实现，缺乏治理一致性、共享知识结构和企业级运营上下文。

一条更可持续的路径，或许是将自主式AI视为一种真正的跨职能企业能力——一种有意衔接数据、应用、运营、治理和企业知识领域，并从中汲取统一语义上下文的能力。

这种做法并不会削弱强大的数据平台、运营严谨性或应用工程的重要性。相反，它承认：真正的企业智能来自这些领域之间的交互，而非任何单一领域的孤立运作。

几十年来，企业围绕存储数据、移动数据和处理交易来优化架构。自主式AI引入了一个不同的使命：让系统在统一语义上下文中一致、可靠地推理。

在下一波自主式AI浪潮中取得成功的企业，未必是拥有最大数据集或最先进模型的那些，它们可能是那些在数据、运营流程、应用系统、治理结构和企业知识之间创造了最大一致性的企业。

这给企业领导者和架构师提出了重要问题：AI项目是否仍主要被当作以数据为中心的项目来推进，还是组织正在积极解决可靠自主式AI所需的运营和语义缺口？在你所在的行业，一个真正受治理的企业知识层应该是什么样的？哪些组织职能应当负责构建和维护它？

这些已不再是抽象的架构问题，随着AI系统变得更加自主并深度嵌入运营，答案可能越来越决定哪些企业能够可靠地部署AI、有效地治理AI，并从中创造持久的商业价值。