【導讀】AI編程智能體快速發展，其應用邊界早已超越軟件開發領域，延伸至數據管理等更廣泛的數字領域。許多企業機構正在各類數據管理任務中嘗試或部分結合AI技術。隨著AI技術落地進程加快，從數據與分析（D&A）團隊，到業務高管和董事會，領導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 顧星宇
持續攀升的行業熱度也讓人們對AI智能體能實現的功能產生了越來越高、有時甚至不切實際的期望。利益相關方時常會問，這些工具是否能將核心的數據管理能力完全自動化，或是大幅減少對專業團隊的依賴。與此同時，技術供應商正將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團隊的依賴。盡管這些功能確實有其價值，但技術供應商的營銷方式可能會加劇人們認為AI智能體可以取代基礎數據管理投入的誤解。
事實上，AI編程智能體不太可能接管企業機構的數據管理職能。目前，它們的主要用途大致可分為兩類：復制已知模式，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，產出的結果往往需要大量人工干預。缺乏經驗的用戶得到的結果可能無法復用、難以擴展，或不符合企業標準，最終仍需專家進行優化或重構。這種局限性源于AI系統有效運行所依賴的上下文類型。
與傳統編程任務不同，數據管理在很大程度上依賴于對業務數據及定義業務數據的元數據的語義含義的理解，而這兩者都是動態且持續演化的。這種上下文僅靠代碼庫或文檔無法完全捕捉，它實際上存在于數據與分析（D&A）團隊所維護的企業機構知識和治理實踐中。
數據管理團隊的核心價值在于構建、維護這一語義層，并使其與不斷變化的業務需求保持一致。若將數據管理簡單地視為“對數據進行編程”，則低估了這項工作的復雜性。這種認知可能導致企業采用的AI方法會給分析和AI項目帶來風險，包括定義不一致、數據質量差、洞察偏差，最終影響企業決策。
為了有效應對這一轉變，數據與分析領導者應避免人的專業知識與AI效率之間直接競爭的討論框架。如果僅聚焦AI幻覺、安全或成本等風險展開討論，可能難以在預算有限、需要不斷證明投資回報率的壓力環境下獲得認同。相反，數據與分析領導者的重點應放在明確區分成熟AI能力與營銷宣傳，同時重新定位數據與分析團隊，使其成為數據意義、治理和戰略的關鍵協調者。
語義債務是智能體式數據管理的隱性制約因素
非技術背景的業務用戶通常能夠執行低至中等技術難度的數據任務，例如對特定數據產品應用篩選條件，或對某個指標進行微調。然而，這種操作依賴于一個關鍵前提：使用者必須充分理解數據的語義含義，并確認其匹配自身使用場景的業務上下文。但在現實中，企業往往沒能滿足這一前提條件。
以一個常見場景為例：某企業機構的“活躍用戶”指標最初被定義為過去30天內登錄過的用戶。如果某團隊將該定義更新為7天內登錄過的用戶，但未正式同步元數據或溝通相關變更，其他團隊可能仍沿用原始定義。這將導致企業機構內部出現解釋不一致和結果沖突的問題。
此類情況是語義債務的典型表現：數據產品的業務上下文因分析需求的變化而不斷演進，但其在系統和元數據中的定義卻未能同步更新。這些不一致現象并非孤立事件，實際上它們頻繁發生，并且隨著企業機構數據使用規模的擴大而日益復雜。
在當今不確定的商業環境中，對數據的需求比以往任何時候都更加迫切，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的積累。隨著業務上下文快速變化，底層的數據定義更難維護，導致AI智能體所依賴的上下文出現不一致。
這種日益加劇的脫節使智能體驅動的數據管理難以可靠運行。
數據管理團隊在應對這一挑戰中發揮著關鍵作用。當他們從傳統的“對數據進行編程”方式，轉向與一線應用場景和數據使用者開展更緊密協作時，其價值才能得到最大程度的發揮。這些團隊通過在數據與應用場景之間架起橋梁，確保了數據與分析的一致性、可信度和相關性。
在此過程中，他們也有助于明確自身在投資回報率（ROI）方面的積極作用，確保數據能夠帶來切實成果，同時緩解了企業削減維護數據與分析基礎能力建設投入的壓力。
