人工智能（AI）如今已成为企业董事会和高管办公室的首要议题。从传统的机器学习（ML）到生成式人工智能及新兴的基于代理的方法，人们普遍预期人工智能将彻底改变企业的运营与竞争方式。
与此同时，预期正超越实际成果。兰德公司2024年的一项研究指出，约80%的人工智能项目以失败告终，其根源在于多重因素，包括缺乏"充分训练有效人工智能模型所需的数据"。[1]
这项发现凸显了许多企业低估的根本性挑战：如何从正确来源获取正确数据，以支持人工智能驱动的系统和运营。该挑战主要体现在两个方面——数据可用性（数据是否存在？）和数据连接性（数据能否被访问和共享？）。若缺乏这一基础，人工智能项目将陷入停滞、成效不彰或无法实现规模化。
作为兼职首席人工智能官，我屡屡目睹这一模式。问题并非源于对人工智能的雄心不足或投资匮乏，而是未能充分聚焦于构建支撑其发展的数据基础与基础设施。这一挑战错综复杂，跨越组织边界，需要高层管理者的关注。那些延迟解决基础性问题的组织往往发现，率先行动的竞争对手能够更快地扩展人工智能应用，锁定运营优势，并提升绩效预期——这些优势使其难以被追赶。
本博客探讨了数据与连接性为何对企业人工智能的成功至关重要，并概述了领导者应考虑采取的切实步骤。这是系列文章的首篇，旨在探讨在日益由人工智能驱动的世界中，企业如何做好未来准备。
[1] J. Ryseff、B. De Bruhl 与 S. Newberry. 《人工智能项目失败的根本原因及其成功之道》，兰德公司研究报告，2024年8月13日。
人工智能是企业核心能力
人工智能已深度融入众多企业职能领域。机器学习技术被广泛应用于欺诈检测、运营优化、维护需求预测及产品质量提升。自然语言处理技术则为大规模客户服务和技术支持业务提供有力支撑。
生成式人工智能通过整合传感器数据、运行日志和人类输入，进一步拓展了这些能力，能够诊断异常、规划优化策略并提出行动建议。新兴的智能体人工智能方法旨在超越建议层面，实现运营工作流的协调与执行。
数据与连接性是人工智能的战略性推动力
企业的AI能力取决于比先进模型更基础的东西：运营数据和互联系统的可靠可用性及可访问性。AI系统需要持续获取正确数据来训练和重训模型。一旦部署，这些数据便成为AI系统解读并据此行动的现实世界信号。
连接性是实现企业级应用的关键。它使数据能够在不同系统、环境和人工智能应用之间被访问、共享和整合。缺乏连接性将导致数据碎片化、延迟或无法获取，从而限制人工智能在决策支持、自动化和执行方面的能力。
实际上，获取人工智能所需的数据始终是一项长期挑战。企业数据分散在内部应用程序、运营系统以及遍布多个设施和地理区域的各类物理资产（设备与器械）中。其中许多资产和系统运行于独立环境或专有遗留网络中，超出了传统IT领域的范畴。
数据质量差和连接性差的后果包括但不限于：
- 人工智能飞行员无法突破概念验证阶段，因为关键的运行数据在规模化应用时存在缺失、不可获取或不可靠的问题。
- 当人工智能生成的洞察因系统间缺乏连接或管理不善而无法付诸行动时，自动化和基于代理的举措便陷入停滞。
- 基于不完整数据的人工智能驱动决策，会增加产生不安全且不可靠结果的风险，从而使企业面临严重的运营、财务和法律风险。
- 经过验证的AI应用场景（如预测性维护、异常检测和运营优化）若缺乏对资产的实时可视性，其效能将大打折扣。
- 人工智能投资难以证明投资回报率，因为基础数据和连接性问题从未在前期得到解决。
人工智能面临的数据挑战可分为三类
企业的人工智能数据挑战主要体现在两个基本方面：数据的可用性，以及系统访问和传输数据的连接性。数据是人工智能赖以生存的原始输入，而连接性则确保数据能够被及时获取、有效利用。
在这两种形式中，人工智能数据的挑战通常分为三类：
- 数据不存在。这是 关于数据可用性的挑战。 企业资产可能未配备收集AI模型所需数据的传感器。此类"暗资产"在众多工业环境中普遍存在。在其他情况下，数据虽可获取却缺乏使AI能够利用的上下文信息（元数据）。2025年AI就绪度调查显示，在272名受访者中，54%将"数据质量与可用性"列为工业环境中采用AI的首要挑战。[2]
- 数据处于孤立状态且难以获取。这 关乎连接性的挑战。工业与制造设施中的传统资产设计于网络化之前的时代。 数据仍被困在资产本身或独立的专有运营技术（OT）网络中。其他数据则存在于采用不同架构和标准的企业应用程序（如ERP、MES、CMMS、LIMS、BMS）中，导致集成与通信困难重重。在2025年人工智能就绪度调查中，48%的272名受访者指出，与传统系统及数据孤岛的集成是第二大挑战。[3] 随着企业向自动化和智能执行转型，除数据可访问性外，互联互通的重要性与紧迫性正被重新认知。孤立系统已不再是可容忍的低效现象，而是阻碍行动的硬性障碍。
- 数据受权限和治理机制的约束。这 涉及数据可用性的挑战。部分数据由第三方（如原始设备制造商、供应商或合作伙伴）拥有或控制。在其他情况下，网络安全、安全或监管要求则限制了数据的使用方式和范围。
人工智能数据面临的挑战并非千篇一律。要全面应对这些挑战，需要采取不同的策略和战术。不存在适用于所有情况的"万能解决方案"。
[2] 《2026年加速人工智能应用场景：工业数据、智能与人工智能就绪度调查报告》，HiveMQ报告，2025年。本次2026年工业数据、智能与人工智能就绪度调查由工业物联网世界（IIoT World）实施，收集了来自制造、能源、物流、交通、智慧城市、医疗保健及其他工业领域272位专业人士的见解。
[3] 同上。
这些挑战需要战略和执行的关注
人工智能已不再是单纯的技术项目，而是影响收入增长、成本结构、客户体验及企业风险的一系列业务与运营举措。当人工智能项目失败或表现不佳时，其后果不仅限于技术里程碑的错失，更包括重大投资回报延迟、人工规避方案导致的运营成本上升，以及财务风险、声誉风险或安全风险的加剧。
鉴于这些影响的规模，人工智能数据和连接性挑战不能被视为孤立的IT或运营问题。它们代表着一项战略业务优先事项，需要高层管理者的主导、明确的责任划分以及深思熟虑的投资决策。在这些问题被提升至高层议程并作为企业共同责任对待之前，人工智能团队将继续为其无法完全掌控的结果承担责任。
这些挑战之所以尤为复杂，在于其涉及整个企业。问题并非数据和连接性问题是新事物，而是随着人工智能日益融入决策和执行过程，曾经可控的差距如今直接制约着企业绩效并加剧风险。解决这些问题往往需要IT、运营、工程、安全、法律及外部合作伙伴的协同投资，以可持续的方式实现数据访问、连接性和治理的现代化。 通过单个项目进行零散投资或许能带来短期进展，但很少能为人工智能构建持久基础，反而往往增加长期成本和复杂性。持久的改进需要将数据和连接性视为共享的企业资产，并获得高管支持、激励机制协调以及兼顾短期收益与长期可扩展性的路线图支撑。
企业领导者应考虑的五个下一步行动
应对人工智能数据和连接性挑战需要有意识的关注和领导力。高管和领导者应考虑采取以下后续措施：
- 通过数据与互联视角重新审视您正在推进的人工智能计划。评估 当前的人工智能项目与试点计划，识别因数据匮乏、数据获取受限及互联性不足而阻碍进展与效能的环节。
- 识别关键运营数据被孤立或滞留的位置。 对主要运营站点进行 重点审查，找出在核心IT环境之外运行的资产、设备或系统。盘点已部署监控设备的位置、已连接的设备、数据手动提取的环节，以及所有权或访问权限不明确的区域。优先处理计划部署或已使用人工智能的站点。
- 将数据和连接性明确列为人工智能战略的支柱。更新 人工智能战略和路线图，明确说明如何解决数据可用性和连接性问题。将这些基础建设视为董事会层面的多年期优先事项，这是在整个企业范围内扩展人工智能应用的必要条件。
- 明确执行责任归属。指定 负责企业数据可用性与连接性的高管领导层，其职责 覆盖IT、运营及业务部门。确保该角色具备决策权、信息可见性及预算影响力。
- 在企业风险管理计划中纳入数据和连接性考量。评估 数据与连接性缺口如何加剧网络安全、安全保障、合规性及业务连续性方面的风险暴露。
结语与最终指引
随着人工智能日益融入核心业务运营，数据可用性与系统互联性的薄弱环节正日益决定着业务成果。这些挑战无法通过孤立的技术修复或责任推诿来解决，需要高层关注、明确的责任归属，以及对人工智能赖以生存的数据与互联基础架构进行有针对性的投资。
在批准下一项人工智能计划之前，领导者应提出一个简单的问题：生成关键运营数据的系统是否真正具备企业级别的可访问性、互联性与可治理性？当下果断行动的企业将更有能力将人工智能愿景转化为持续的商业价值，并打造更具韧性、面向未来的现代化企业。
若您的AI项目依赖运营数据、远程资产或传统基础设施，切勿让其陷入瘫痪。立即联系我们，了解Digi基础设施管理解决方案如何提供连接性、可视性和控制层，为AI应用奠定基础。
常见问题
为何许多工业场所和运营设施中仍存在大量遗留的未联网设备？
大多数工业和运营设施历经数十年建造而成，其中许多甚至早于现代"IT互联"环境的出现。这些运行环境的设计初衷是执行特定功能，确保可靠与安全。 工业资产的设计初衷是实现设备长寿命周期，而非数据共享或企业互联。生产及工业资产通常运行数十年之久，仅为实现互联而更换设备往往缺乏经济合理性。因此，大量机器、工业控制系统及现场设备仍运行于专有协议、孤立的专有网络或老旧架构之上——这些系统从设计之初就未考虑与现代IT系统集成。这类环境的构建目标是保障运营持续运行，而非向分析或人工智能平台输送数据。
随着时间推移，这些运行环境逐渐演变成由互联与非互联系统拼凑而成的杂乱体系。尽管部分新型资产和设备支持现代网络连接及远程监控，但相当比例的运营技术设备仍难以实现集中访问、集成或管理。这种"连接性断层"源于设备生命周期漫长、增量式升级以及运营技术与企业IT系统历来的割裂状态。
难道我们不能直接用现代联网系统替换旧设备吗？
在大多数工业环境中，全面更换旧设备既不现实，也不具经济可行性。许多运营资产的设计使用寿命长达数十年，只要它们能正常运行、安全可靠且满足生产要求，仅因连接性问题就进行更换往往难以获得合理依据。大规模设备更换带来的资本成本、运营中断、停机风险及人员再培训需求，通常远超其短期效益。
在众多企业启动现代化改造时，往往采取分阶段实施策略，历时数年逐步推进。初期重点在于延长现有资产的使用寿命并提升其可视性，而非直接替换设备。例如，将传统设备接入IT网络或实现设备间互联，便是更具现实可行性和风险可控性的策略。 通过保障对既有数据和系统的安全访问，众多企业得以在不影响生产的前提下，逐步提升可视化水平、分析能力及运营决策质量。这种方法使企业能够分层引入新功能，借助更优质的数据指导未来资本规划，并实现更具战略性的现代化转型。
未互联或遗留系统如何实际影响人工智能计划？
人工智能系统依赖于企业范围内及时、可靠的数据来生成准确的洞察并支持决策。当关键运营资产和系统未实现互联时，人工智能所依赖的数据便会出现不完整、延迟或不一致的情况。这将限制模型性能，增加人工数据准备的需求，并削弱对人工智能驱动输出结果的信心。在许多情况下，人工智能项目的停滞并非源于模型无效，而是因为它们无法获取真实运营全貌的完整信息。
随着企业将人工智能的应用从分析洞察转向自动化和更自主的决策，其影响变得愈发深远。无法可靠地与运营环境交互的人工智能系统，终究只是建议工具或洞察工具，而非行动与执行的驱动力。孤立的系统会形成盲区，阻碍洞察与执行，因此数据与互联互通成为实现人工智能真正商业价值与运营价值的基础。
下一步工作
关于作者
陈本森是Strategy of Things公司的首席运营官，该公司总部位于硅谷，致力于协助政府及企业通过人工智能与物联网实现创新。 他拥有逾30年创新技术从业经验，服务对象涵盖《财富》500强企业、初创公司及政府机构。曾任美国国家标准与IoT 主席，为联邦政府提供物联网政策建议；担任CompTIA与IoT 顾问联席主席；并在美国能源部建筑技术办公室的IMPEL计划中担任行业导师，该计划旨在通过连接产业界与国家实验室研究人员，培育创新创业思维。