大模型的竞争格局，如今早已不再局限于参数规模与算力堆砌的“军备竞赛”。真正的精彩篇章，正聚焦于落地应用与实际成效。行业内的共识愈发清晰：AI应用的天花板，往往不在于模型本身的先进程度，而在于数据质量与可用性——数据才是那个真正的瓶颈。
如果2024年至2025年，业界还在探讨“AI能帮我解决什么问题”，那么到了2026年，关注点已彻底转向：AI凭什么能输出可靠答案？凭什么能做出可信赖的决策？答案冰冷而直接：就凭优质的数据。
但现实是，绝大多数企业的数据基础，还远未达到这一要求。
数据短板拖累了AI的效能
Gartner曾在报告中指出：到2025年，80%的数据与分析计划将难以大规模创造业务价值，其核心障碍正是数据孤岛与质量问题。这一预测虽略显悲观，但企业在落地AI项目时的真实体验，确实与之高度吻合——模型跑通、推理框架搭建就绪后，一旦接入企业内部真实数据，各种问题便纷至沓来。
一个典型案例来自Denodo全球销售副总裁兼大中华区总裁何巍的分享：一家车企在推进AI问数项目时，所有数据均存储在同一头部云厂商的数据仓库中（看似数据源单一），但查询结果却完全不可控。同一问题提出两次，得到的答案竟然迥异。
问题恰恰出在这个“单一数据源”本身——它就像一个堆满杂物的巨型仓库，不同部门、不同阶段产生的数据，尽管物理上集中，但定义方式千差万别。
这绝非个例。企业内部诸如“订单”这样的常见字段，在三套系统中可能存在三种截然不同的定义：销售部门签约后即视为订单，财务部门确认收款后才算订单，而售后部门则从开始服务之时才界定为订单。当AI被要求计算订单转化率时，若无人提前指定应使用哪个系统的订单作为分子，它只能随机选取，结果自然不可信，且每次计算都可能得出不同数值。
更棘手的是，企业每日生成的数据量正呈指数级攀升。IDC预测，到2026年全球数据总量将超过220ZB，其中企业级数据占比持续增长。传统依赖ETL（抽取、转换、加载）将数据物理复制到数据仓库或数据湖的做法，正变得日益昂贵且低效。一位大型制造企业的IT负责人曾算过一笔账：每复制一次数据到数据中台，存储、计算、运维成本便层层叠加，而数据中台的规模还在持续膨胀。
打个比方，传统数据集成就像线下会议，所有参与者必须齐聚同一间会议室。但当企业遍布全球、数据分散在数十甚至上百个系统中时，这种“物理集中”的成本与难度，已高到不切实际。
而AI对数据实时性的严苛要求，进一步放大了这一矛盾。传统数据中台定期搬运数据，可能采用T+1甚至更慢的周期。但AI问数要求“即问即答”——用户输入问题后，系统必须立刻从最新数据中提取答案。在AI时代，用昨天的数据回答今天的业务问题，显然是无法接受的。
无需迁移，即可调用全公司数据
在这种背景下，企业亟需一种更为科学的数据架构方式，以应对AI时代对实时性、准确性、安全性与可解释性的全新要求。
此时，数据虚拟化技术成为企业数据管理架构中不可或缺的中间件。与传统ETL不同，数据虚拟化并不物理复制数据，而是在分散的数据源之上构建一个统一的“逻辑层”。再做个类比：传统做法是将所有食材搬运到中央厨房再开始烹饪；数据虚拟化则是让食材留在各自仓库，只为厨师提供一张“地图”，标明每种食材的位置与取用方法。
这张“地图”，正是Denodo这类企业所构建的AI数据层。它本身不存储数据，只存储数据的“映射关系”——一份关于“数据在哪里、含义是什么、谁能访问”的目录。
这种做法的优势显而易见。首先，无需迁移数据，而是直接连接所有数据源，从而避免了数据复制带来的成本与延迟。根据Denodo公开的客户案例，采用其数据虚拟化平台的企业，数据准备时间平均减少67%，相比传统ETL节省65%的时间。例如，某企业过去处理一天的数据需要8小时，而采用数据虚拟化后，处理一整月的数据仅需不到30分钟。这种效率提升在AI时代尤为关键——AI应用需要频繁调用并组合不同系统的数据，如果每次都要等待ETL任务完成，用户体验和业务响应速度将大打折扣。
其次，数据虚拟化架构通过“语义层”有效解决了各部门对“订单”一词认知不统一的问题。企业可以在逻辑层预定义一套统一的业务语义，例如明确告知系统财务订单与销售订单的区别，以及在不同业务场景下应优先使用哪个定义。这样，当AI接收到用户的自然语言提问时，语义层会先将问题翻译成数据系统能够理解的语言，再由虚拟化层去各个数据源中查找对应的数据。
最后，这套架构还解决了AI时代最关键的权限与合规问题。传统物理集中式数据架构往往采取“一刀切”策略——要么能访问全部数据，要么完全无法访问。而数据虚拟化层能实现行级、列级的精细权限控制。更重要的是，对于跨国经营的企业，数据跨境传输是巨大的合规风险。数据虚拟化通过逻辑连接方式，使原始数据可以原地留存、不出境，仅通过查询接口被调用。这对正在大规模出海的中国企业而言，无疑是一个极具吸引力的架构选择。
事实上，数据虚拟化并非全新概念，其近年来的广受关注，根本原因在于企业数据环境的复杂度已让传统方法难以招架。一家企业的数据可能分布在本地机房、多个公有云、SaaS系统、IoT设备等数十个来源中。若要实现全面物理集中，不仅成本高昂，而且永远无法跟上业务变化的速度。
Denodo基于数据虚拟化技术打造的“AI数据层”，恰好契合了企业当下的核心需求。借助这套架构，企业无需大规模迁移原始数据，即可打通全域数据链路，让AI真正能够调用全域、实时、口径一致的数据。
数据架构的重构势在必行
2026年初，Gartner在悉尼的数据与分析峰会上发出警告：59%的IT领导者表示在尚未做好充分准备的情况下被推动采用生成式AI工具；61%的受访者感受到来自高层管理者的压力。在这种“被迫上马”的背景下，夯实数据基础变得比以往任何时候都更为紧迫。
如果说过去两年企业讨论的是“AI能帮我看数据吗？”，那么进入2026年，问题已演变为“AI能替我用数据吗？”当AI+BI成为一种主流业务模式时，AI对数据的调用不再局限于“用户单次提问、系统单次查询”的简单交互，而可能是一个智能体在完成复杂任务时，自主发起数十次甚至上百次的数据请求。这对数据架构提出了全新的、更高的要求。
换言之，AI下一阶段的竞争，核心将不再只是模型之间的比拼，而是企业数据基础设施之间的较量。谁能率先在这一领域给出令市场信服的答案，谁就有可能定义下一代企业AI的基础设施标准。
在这一进程中，数据的“可发现性”变得格外重要。过去，数据主要供数据分析师和业务人员通过BI工具查询使用。但到了智能体时代，数据的消费者很大一部分变成了“机器人”。人可以通过经验判断数据大致位于哪个系统，但机器人缺乏这种直觉。它需要一个清晰、标准化的数据目录，明确告知每个数据集在哪里、含义是什么、如何访问。据何巍介绍，Denodo推出的AI SDK，其核心价值之一就是为开发者提供标准化的接口（如MCP协议），使AI智能体能够像调用API一样便捷地调用企业数据。
此外，在AI时代，语义层已成为企业数据管理的必选项。何巍坦言，如果三个月前问他“模型是否足够聪明到能够自主理解数据”，他的答案可能不同。但在近期服务了数百家企业后，他得出的结论是：模型再强大，也无法解决语义不统一的问题。因为语义问题本质上是业务问题，而非技术问题，不是单纯依靠向模型喂更多数据就能解决的。Denodo搭建的AI数据层，作为承载统一业务语义、统筹合规数据资产的核心枢纽，能够有效补齐企业数据治理的关键短板。今年7月上线的新版本Denodo Platform 9.5，更是大幅强化了平台内部的语义与上下文智能能力，同时简化了企业内各团队搭建、管理、共享可信数据产品的流程，使智能体、BI分析工具、自助数据应用均可获取统一、实时、具备完整业务释义的数据底座，从根源上解决了AI自主取数时口径混乱、信息缺失的难题。
在这套全新的数据管理体系下，企业无需推翻原有的数据中台。何巍表示，AI数据层可以作为数据中台的补充而非替代，将中台也作为一个数据源连接起来，避免重复搬运。当今世界的复杂性决定了没有任何单一技术能解决所有问题。数据中台适合处理需要大量清洗、加工、贴标签的确定性场景；数据虚拟化则擅长应对灵活、多变、实时的查询需求。两者是互补关系，而非替代关系。
AI竞争的下半场，胜负手在于数据。企业若想突破AI落地的瓶颈，关键在于构建坚实的数据基础设施。通过数据虚拟化等技术打造统一的AI数据层，打通数据孤岛、统一业务语义，才能真正修好通往AI的“最后一公里”，让模型发挥出应有的价值。
