企业架构管理（EAM）如何从根本上帮助企业构建可扩展的数据与AI战略？本文基于航空业的真实案例，揭示成熟方法论的实际价值。我们将从定义、范围界定、核心能力到具体应用场景，一步步拆解EAM如何成为驱动数字化战略的关键工具。
一、什么是企业架构管理（EAM）？
简而言之，EAM 就是一种管理并持续优化企业级数字生态系统架构的学科。它与特定企业的业务模式和运营模式高度一致，核心目标是满足业务需求。
为了更好地理解，我们可以把企业架构比作城市规划：
- 城市可以是“自然生长”的（形成杂乱无章的“新兴景观”），也可以是有目标、有规划地系统建设。
- 城市中既有负责整体规划的总建筑师，也有专攻交通、排水、电力等跨领域问题的建筑师，同时还有负责具体建筑（如住宅、工厂）的建筑师。
- 对应到IT领域，架构师包括：业务部门架构师（如销售、生产、人力）、跨领域架构师（如IT基础设施、数据、AI）、平台和解决方案架构师。他们需要紧密协作，才能构建出协调一致的整体系统。
提示：EAM 不是一次性工程，而是一个持续迭代、不断适应环境变化的动态过程。
在这一领域，最著名的框架是 Open Group 的 TOGAF，它提供了一套完整的流程模型来设计、实施和管理复杂架构。
EAM 与数字化战略其实是“同一枚硬币的两面”。战略是确定长期目标并分配资源实现目标，而EAM的核心流程正是“制定愿景→评估现状→明确目标蓝图→制定路线图”——这正是战略落地的具体方法。目标蓝图不仅包含业务能力和应用平台，还包括架构原则和指导准则。
二、如何界定数据和人工智能战略的范围？
很多数据战略失败，根源在于范围定义不清。大型项目（尤其是企业级战略）必须预先明确三个核心维度：
- 时间范围：目标蓝图在未来多久实现？
- 横向广度：战略覆盖整个企业，还是仅针对某个业务领域（如“飞行运营”）？
- 深度：目标蓝图的细节粒度如何？是停留在抽象层面，还是具体到每个模块和数据产品？
此外，数字化维度通常包括人员、流程、技术。在数据战略背景下，技术维度（即架构维度）尤为重要，它通常包含“应用程序”、“数据”和“IT基础架构”。
关键提醒：Gartner 2025年《人工智能成熟度曲线》指出，“AI就绪数据”和“AI TRiSM”（信任、风险和安全管理）是首要挑战。实施AI的最大障碍并非获取最新的GPT模型，而是数据质量、系统集成、风险管理和缺乏有效的规模化流程。
还需区分两类主要应用和数据：
- 运营/交易应用：执行核心业务流程（如CRM、零售平台）。数据必须准确实时，通常由应用所有者“拥有”，格式与标准松散耦合。
- 分析型应用：优化核心流程（如数据仓库）。数据经过标准化和格式化，供集中消费。AI用例可能偏好原始未经处理的“原始”数据。
常见问题：如何避免对运营数据重视不足？
答案：传统上，运营应用间的数据交换由中间件团队负责，而非数据分析部门。数据战略若只关注分析系统，会忽略运营数据的标准化和治理。应通过企业范围的集成数据模型，将运营数据纳入EAM统一管理。
三、EAM 与其他战略功能的关联
有效的数字企业依赖一系列相互关联的战略功能。下表列出关键角色：
- 数字化战略：为整个企业提供总体愿景，涵盖组织、流程、技术。
- 企业架构管理 (EAM)：指定数字生态系统的高层结构，包括应用、数据、基础设施。在本文语境下，EAM 专注于数据和AI领域，交付数据技术战略。
- 数据治理：维护数据质量，确保法规遵从。
- 数据战略：设定数据作为资产的管理方向，强调分析型数据用例，并关注人员和文化。
- IT/数字化策略：除数字生态外，还关注IT组织的人员、文化、流程。
- 人工智能战略：范围类似数字化战略，技术包括AI应用和平台，以及相关数据。
注意：部门名称不重要（比如“集团数据和AI部”或“集团企业架构部”），关键是具备所需的能力。有效做法是：来自集团EAM部门的数据分析（企业）架构师与专注于数据和AI平台及交付的团队紧密合作，同时辅以人才、文化和流程方面能力（可能由CIO或CDO负责）。
四、EAM 的核心能力是什么？
EAM 生命周期包含“设想-指定-实施-评估”四个阶段，但实际工作中需要更细粒度的能力拆分。从三个层面来看：
4.1 企业范围层面
处理全局性主题，如数据架构、AI架构、安全架构。大型企业通常设置专岗负责每个领域，例如“数据与洞察架构师”。
4.2 领域层面（业务领域）
关注不同业务领域（如市场营销、销售、航班运营），构建连贯的、特定领域的数据和AI生态系统。例如“航班运营”领域的数据架构。
4.3 解决方案层面
由解决方案和平台架构师负责，确保大型解决方案（如GenAI应用、数据分析平台）能融入企业整体架构。
4.4 支持能力
EAM依赖一系列赋能能力：
- IT资产管理：通过解决方案目录、数据产品目录，实现透明化。也是投资组合管理的基础。
- EAM内容管理：管理原则、指南、标准、架构决策记录 (ADR)。例如GenAI标准：“基于LLM的解决方案主要标准是OpenAI”；数据标准：“所有数据仓库用例必须在中央数据分析平台实现”。
- EAM委员会：提供专业可靠的决策制定和发布方式。
- EAM协作和利益相关者管理：使众多参与方（“快艇”）保持同步，促进碎片化用例汇集成统一目标蓝图。尤其在GenAI快速迭代领域，社区工作至关重要，重点在于透明度和共同学习，而非提前制定过多标准。
五、EAM 如何落地数据（技术）战略？
最重要的EAM流程是目标蓝图流程，它决定哪些数据相关功能通过哪些解决方案实现。功能包括：数据仓库、原始数据存储、操作数据存储、数据目录、语义层、可视化和报告、数据提取、高级数据分析。
目标蓝图回答：对于特定能力，用哪种解决方案？在哪个业务部门？ 从而隐含回答：集中化程度如何？哪些使用中央方案，哪些使用业务部门特有方案？
创建步骤看似简单：
- 愿景与高级业务需求
- 现状分析
- 未来蓝图规范
- 路线图创建
难点：目标蓝图确定后，在大型企业中保持领先如同“放牧猫群”。需要企业范围的透明决策机制，并对所有改变数据格局的项目进行频繁协调。
在数据分析时代，数据产品成为目标蓝图的重要组成部分，用于支持数据可查找、可访问、可互操作、可重用（FAIR原则），以及系统模块化和高效数据所有权。EAM在定义数据产品需求和标准方面发挥关键作用（需与数据治理和数据平台架构师协同）。
常见问题：数据产品如何确保FAIR？
答案：EAM通过制定数据产品的接口标准、元数据规范、访问控制策略等，保证不同数据产品之间能够互相发现、连接和使用。例如，统一数据目录中的数据结构描述，以及API网关的标准化，都是EAM在数据技术战略中的具体落地。
六、EAM 在（Gen）AI 战略中的应用——航空集团案例
上述机制同样适用于GenAI战略。目标蓝图流程定义企业范围的标准，例如：
- 哪个平台用于哪些用例？ （普遍用例 vs 复杂用例）
- 集中化和标准化程度如何？ 大型企业是否真的需要五个不同的ChatGPT前端？
EAM能帮助企业统一GenAI解决方案的流程和模板，显著提升效率。同时，合规性至关重要：企业范围的IT资产清单和应用程序目录必须明确标注每个应用使用的AI类型，并将用例与风险类别关联。
实战案例：某航空集团通过EAM框架协调各业务部门的GenAI机器人开发，避免重复建设，并建立统一的测试与风控流程，确保合规。
七、小结
企业架构管理并非万能药，但它是一种经过验证、易于理解且定义明确的工具，专门解决数据和AI战略中“技术”部分的难题。它提供结构框架，能有效消除碎片化，协调企业范围内的各项发展：
- 提供经过实践检验的流程，用于定义数据和AI技术战略，其抽象程度与数字化战略一致。
- 确保跨业务领域和架构层的一致性，避免数字化沦为孤立解决方案的拼凑物，解决投资分散、能力重叠、治理模式不一致等问题。
- 通过完善的能力集，将战略从意图转化为可持续的运营现实。特别适合利用GenAI等新兴技术塑造企业格局。
一句话总结：当企业调整数据和AI战略时，必须将EAM作为核心组成部分，而不是附属品。
小提示：开始使用EAM的3个行动建议
- 建立跨部门EAM社区：定期组织企业架构师、数据架构师、AI架构师、业务领域负责人共同参与的目标蓝图讨论。在GenAI快速演化期，重点在于信息同步和标准对齐，而非强制刚性规定。
- 优先定义数据产品标准：从最核心的业务领域（如飞行运营）开始，定义数据产品的元数据、接口和访问控制规范，为后续扩展打下基础。
- 启用IT资产清单审计：梳理现有应用和数据平台，标记AI使用类型与风险等级，为EAM委员会制定决策提供透明依据。
常见问题汇总
Q: 企业规模较小时也需要EAM吗？
A: 是的。EAM的核心理念——结构化规划、持续协调、目标蓝图——对任何规模的企业都适用。小企业可以从轻量级开始，比如一张共享的架构路线图和一个周例会，避免信息孤岛和重复建设。
Q: 数据治理和EAM如何分工？
A: 数据治理侧重数据质量、安全、合规等管理流程；EAM侧重技术架构设计，例如选择什么平台、定义数据产品标准、规划数据集成方式。两者需要紧密协作，通常由EAM负责技术落地，数据治理提供规则输入。
Q: 如何在GenAI快速迭代时保持架构稳定？
A: EAM的核心不是限制创新，而是提供决策框架。可以设立“快速通道”模式，允许小范围试点新平台，同时通过架构决策记录（ADR）记录经验，成熟后推广到企业范围。