AI落地困于数据“最后一公里”：数据虚拟化成破局关键

事件概述

2026年以来，大模型从“拼参数”转向“拼落地”，业界共识逐渐清晰：AI应用的效果天花板不在于模型本身，而在于企业数据基础设施。多数企业的数据仍未做好准备，数据孤岛、口径不一、实时性差、安全管理粗放等问题严重制约AI应用的可信度与业务价值。

核心信息

• 数据困境典型表现：以某车企AI问数项目为例，尽管数据存放在单一云数据仓库，但由于不同部门对“订单”等业务概念定义差异巨大（销售签合同算订单、财务收钱才算订单、售后开始服务才算订单），同一问题两次回答截然不同。企业每月需处理的T+1或更慢的数据搬运模式，无法满足AI“即问即答”的实时查询要求。
• 传统ETL方式瓶颈：通过抽取、转换、加载将数据物理复制到集中仓库的做法，成本随数据量指数级膨胀（存储、计算、运维叠加），且跨几十个系统（本地、多云、SaaS、IoT）的集中搬运周期长、灵活度差。
• 数据虚拟化方案：以Denodo为代表的AI数据层技术，通过软件在分散数据源之上建立“逻辑层”，不复制数据，只存储数据映射关系和业务语义目录。Gartner报告曾指出数据孤岛和质量问题是80%数据分析计划无法创造价值的主因；Denodo公开案例显示该技术使数据准备时间平均缩减67%，部分企业处理整月数据从8小时降至30分钟。
• 语义统一与权限控制：在逻辑层预定义统一业务语义（如区分“财务订单”与“销售订单”），使AI在收到自然语言提问时先由语义层解析，再虚拟化层定向数据源。同时实现行级、列级精细权限管控，原始数据可不离开原系统，解决跨国经营的数据合规难题。
• 最新发布：Denodo Platform 9.5版本（2026年7月上线）强化了语义与上下文智能能力，简化可信数据产品的搭建、管理与共享，支持智能体、BI工具、自助数据应用获取统一、实时的数据底座。
• 与数据中台的关系：数据虚拟化可作为数据中台的补充而非替代，将中台作为一个数据源连接，避免重复搬运。数据中台适合确定性清洗场景，数据虚拟化适合灵活、多变、实时的查询需求。

值得关注

• AI智能体调用的新挑战：智能体在完成复杂任务时可能自主执行数十次甚至上百次数据查询，传统BI工具下的“一问一答”模式无法满足。数据“可发现性”成为关键，Denodo推出的AI SDK通过标准化接口（如MCP协议）让智能体像调用API一样调用数据。
• 竞争重心转移：2026年，企业数据基础设施的完善程度将决定AI应用的最终效果，模型再强也解决不了语义不统一这一业务问题。构建AI数据层、打通数据孤岛、统一业务语义，是修通AI落地“最后一公里”的必要条件。