2025年数据与AI雷达：掌握数据与人工智能转型的10大挑战研究报告(英文)

2025 数据与人工智能雷达

第一章 摘要

2025年，数据与人工智能领域将面临多项关键挑战，包括工业化人工智能、通用人工智能规模化、AI治理、大规模数据/AI同化、数据治理与质量、联邦化组织、数据民主化、数据可观测性、非结构化数据治理以及数据价值衡量。研报指出，85%的AI项目目前仍处于试点阶段未能成功落地，工业化AI需要建立AI工厂和MLOps实践，并确保模型在生产环境中的部署。通用人工智能（GenAI）虽已兴起，但多数公司仍停留在PoC阶段，需要谨慎制定技术战略并管理PoC组合。AI治理日益复杂，涉及风险管理、合规性、伦理等问题，欧洲《AI法案》的颁布将进一步推动合规工作。数据治理和质量仍是关键，数据可观测性工具的应用将提升数据质量监控能力。非结构化数据治理需要特定实践，如OCR和自然语言处理技术。数据价值衡量需区分直接和间接收益，并建立相应的KPI体系。

第二章 解锁数据的全部潜力

最成熟的组织正在将数据管理权限下放至业务单元，建立联邦化组织结构以统一数据角色、标准和实践。数据网格概念兴起，通过去中心化数据管理加速数据分享和消费。数据产品成为数据访问和使用的核心，通过数据市场实现数据民主化。公民数据科学家角色出现，使数据科学在商业中更易访问。数据叙事能力变得至关重要，团队需要学习如何将数据转化为有影响力的信息。

第三章 数据治理和质量保持关键关切

数据可观测性工具的应用日益普及，通过实时监控和警报机制提升数据质量。数据质量管理与数据可观测性相辅相成，但后者不能独立解决问题。非结构化数据治理需要关注元数据管理，利用AI技术提升数据治理效率。数据价值衡量需区分直接和间接收益，并建立相应的KPI体系。赋能因素的价值难以量化，需要长期投资并推动文化融合。

第四章 以及接下来是什么？为未来做准备通过将人置于变革的核心

数据和人工智能领域人才短缺，公司需采取措施吸引和留住人才。人工智能对就业的影响需要长期规划，包括定义职业路径、实施技能管理和再培训计划。CDO雷达方法帮助组织识别关键主题和成熟度级别，为未来做好准备。