2026年数据分析和人工智能规划指南

Gartner洞察 2026年数据分析和人工智能规划指南 Sumit Agarwal、GeorgiaO’Callaghan、Christopher Long、Wilco van Ginkel、MaryamHassanlou、Zain Khan、Cuneyd Kaya、Raúl Arrabales 2026年数据分析和人工智能规划指南 2025年10月13日-ID G00837539-阅读全文约需30分钟作者：SumitAgarwal、GeorgiaO'Callaghan、ChristopherLongWilcovanGinkel、MaryamHassanlou、ZainKhan、CuneydKaya、Raúl Arrabales主题：面向技术专业人员的数据分析和人工智能；数据和分析解决方案的架构、实施及扩展；生成式AI资源中心 2026年，企业必须在加速推进AI和数据分析落地的同时最大化业务价值。为实现这一目标，数据和分析技术专业人员需充分利用所有可用数据，设计模块化、灵活的架构，并建立稳健的治理机制以确保可信度。 概述 主要观点 ■数据分析技术与AI的融合，使得企业能够通过对话式界面对结构化和非结构化的数据进行分析。尽管这种方法具有变革意义，但其效果取决于AI智能体、大语言模型（LLM）技术及语义架构的成熟度，以确保能够得出可靠的分析结果。 ■越来越多的企业已将生成式AI用例投入生产环境。大多数实施方案侧重于提高生产率，同时却面临着用户接受度低、投资回报难以量化等挑战。■围绕生成式AI的风险认知增强以及监管审查升级，加剧了企业的担忧，导致审批与落地进程延缓。风险源于该技术的“黑箱”特性，以及对安全性、数据隐私和可靠性的担忧。■企业在利用数据提升竞争优势和优化决策方面承受着越来越大的压力。同时，随着技术与产品的快速迭代，组织在技能、方案落地及风险意识方面的不足愈发凸显。 建议 ■利用结构化和非结构化的企业数据构建全局视图，借助AI智能体和嵌入式模型推动敏捷决策。采用网格化分析方法，确保分析开发、部署和管理工作的一致性。■推动AI能力从助手型应用向AI驱动的业务工作流演进，以提升业务影响和价值。审慎筛选高优先级用例，将其整合到业务流程工作流中，力求实现取得最优成果。■将控制措施直接内嵌于架构之中，从而加强AI治理。推动架构评审委员会（ARB）参与建立并持续维护评估框架，用于审定AI相关的技术产品与架构决策。■依托有效的变革管理，实施数据与AI素养提升计划，加速AI分析与解决方案的落地应用。借助技术趋势的驱动力，推动全组织范围内的技能提升。 分析和人工智能趋势 分析和AI能力正日趋融合，这一趋势显著提升了企业从数据中获取价值并做出决策的能力与敏捷性。目前，AI已嵌入所有主流技术平台，深刻重塑业务的运营模式。2026年，随着企业追求更为快速且智能的决策与卓越运营，AI将发挥关键作用。 《2025年Gartner人工智能调研：首席信息官和技术领导者观点》显示，82%的受访者认同其组织内部的变革步伐正在飞速加快，反映出AI创新的迅猛节奏。1新的生成式AI模型与AI智能体框架持续涌现，技术领导者的重大投入也预示着颠覆性变革将进一步深化。 这种融合为企业带来多重挑战与战略机遇： ■企业数据往往杂乱且结构多元，而多数分析工具仍仅适用于管理完善的结构化数据。 ■诸如Microsoft Copilot等AI工具虽能快速提升生产力，但当AI赋能完整工作流而不仅仅是孤立任务时，真正的业务转型才能发生。 ■AI领域持续扩展，与之相伴的是更高的预期与预算投入。若缺乏有规划、有重点的投资，企业将面临资源浪费与投资回报不达预期的风险。 为保持领先，组织必须加强团队技能培养与提升；优先试点新的AI产品与框架；并构建具备可扩展性、灵活性与可靠性的架构解决方案。 如图1所示，这些目标与Gartner认为将在2026年影响分析与AI实施的以下几大关键架构和技术趋势高度契合： ■分析和AI解决方案需具备对结构化和非结构化数据的全局视角。■从AI助手向AI驱动工作流的转变将需要融合多种AI技术。■AI投资的持续增长要求企业高度重视AI治理与AI素养建设。 2026年分析和人工智能关键趋势 分析和AI解决方案需具备对结构化和非结构化数据的全局视野 长期以来，企业数据管理策略与技术主要聚焦于结构化数据。如今生成式AI技术，尤其是基于LLM的解决方案，已具备从非结构化数据中挖掘巨大价值的潜力。尽管AI能力不断提升，结构化和非结构化数据往往仍处于孤岛状态。 然而，随着技术的不断进步，整合多类数据并提供对话式界面的能力，正带来根本性的变革。这一转变为企业开辟了新路径：从单纯依赖交互式仪表板，转向基于提示、问题驱动的分析模式。数据分析师与业务领导者可借助该方法实现灵活敏捷且基于问题的决策制定。但需要注意的是，提供此类能力的技术与解决方案仍处于发展初期，尚未成熟。 为了实施能够访问并分析多结构数据的解决方案，分析与AI专业人员（尤其是技术架构师、数据科学家及分析专家）应采取以下步骤： ■重构语义层，为分析与AI领域的未来发展提供支撑。■依托分析网格治理分析运营。■提升数据消费技术专家的分析工程技能。 规划考量 重构语义层，为分析与AI领域的未来发展提供支撑 语义层是一个抽象层，为多种来源的数据提供一致且统一的数据视图。它将复杂的数据结构和技术术语转化为常见的业务术语和概念。传统方法涉及整合各种结构化数据源，通过隐藏复杂的表关联关系、以业务语言呈现字段，最终构建出便于业务理解的数据视图。随着技术进步，语义层正扩展为复合型架构。图2展示了知识图谱支撑语义层、连接并建模结构化和非结构化数据的应用场景。 基于知识图谱的语义层 一直以来，数据管理团队负责管理结构良好的数据源，其工作重点为结构化数据。然而，生成式AI和LLM的兴起，改变了组织分析和处理非结构化内容的方式。检索增强生成（RAG）已成为从各类组织文档（包括PDF、PowerPoint演示文稿、Word文档和HTML文件）中提取信息并回答用户问题的首选解决方案。LLM还实现了文本转SQL的能力，帮助用户将自然语言问题转换为SQL查询，或生成Python代码来访问和分析结构化数据。 尽管取得了这些进展，但在结构化数据查询与非结构化数据分析之间，仍然存在操作上的隔阂。分析领域的未来发展重心，在于弥合这一差距，从而提供所有数据的全局视图。此方法旨在普及数据访问，使用户能够用自然语言提出跨越结构化和非结构化数据类型的复杂问题。 以下给AI的指令示例展示了需要同时分析结构化和非结构化数据的典型场景： 请提供上月销售额较前月下降10%的产品所对应的客户投诉摘要。 基于LLM的解决方案会将此查询分解为以下几个步骤： ■生成SQL查询，以识别上个月提交产品评价的客户，并筛选出其购买产品销售额下降10%的客户名单。■利用该客户名单检索其提交的评价内容。■运用LLM或BERT进行情感分析，识别负面评价或投诉。■调用RAG工具提取并总结客户投诉要点。■综合SQL查询与RAG工具的结果，生成全面的摘要报告。 实现此类分析需要以下核心组件： ■基于知识图谱的语义层：在初始步骤中，LLM需识别与产品销售额、销售日期、客户标识符及投诉标识符相关的数据库字段，以生成SQL查询。因此，建立完善的元数据映射机制，将业务定义与数据库中的表及字段进行关联，是至关重要的一步。该元数据应明确界定产品表与客户表之间的关系，而这种关系可借助知识图谱或其他语义层工具进行管理。语义层还可进一步扩展，以提供非结构化内容中各类实体之间的映射，并将其与结构化数据相连接。 ■AI智能体：AI智能体充当协调者的角色，负责规划并对执行步骤进行排序。它利用具备推理能力的LLM来分解问题。提供给LLM的提示词应包含引导其推理的上下文信息，否则可能需要根据元数据映射进行微调。该协调智能体还可调用以下专用智能体：如负责文本转SQL的SQL智能体、执行RAG工作流的RAG智能体，以及生成最终摘要的摘要智能体。 ■情感分析模型：可采用LLM或更轻量的BERT模型，接收文本片段作为输入，并输出情感预测结果。 这些组件的有效性取决于所有数据源及数据对象的元数据质量和完整性。业务团队须与数据管理团队紧密协作，持续完善元数据，及时弥补AI团队在查询响应评估中发现的数据缺口。 相关研究报告 ■《重构语义层，为分析与AI领域的未来发展提供支撑》■《如何评估知识图谱在特定用例中的适用性》■《如何运用知识图谱提升RAG性能》■《生成式AI如何重塑分析与商业智能平台》■《数据和分析专业人士须知：生成式AI在分析领域应用的未来展望》 依托分析网格治理分析运营 《2024年Gartner分析和AI工程调研》报告显示，在拥有统一团队负责开发、测试与生产阶段全流程分析交付的企业中，仅32%的受访者确认由一支集中式团队执行上述分析职能。2其余分析工作则由集中式团队与业务部门团队共同承担，或由业务部门内的单个或多个团队负责。此数据表明，企业一贯鼓励分析任务向去中心化模式发展，由业务团队自主执行。 这一模式使得集中式IT团队能够专注于建立通用框架（包括语义层与指标框架），并制定针对仪表板开发的最佳实践。尽管如此，自助式分析仍面临协作不足、可复用性低、交付平台分散、互操作性欠缺以及仪表盘泛滥等诸多问题。这些挑战要求企业对分析工作的开发、部署与治理模式进行重新构思和重新设计。 分析网格将联邦式架构、治理体系与以产品为中心的交付模式相结合。 分析网格（参见图3）是一种组织架构模式，旨在解决在多元分散式业务部门或职能中扩展分析运营所面临的挑战。在该模式下，各领域能够实现半自主运作，同时遵循统一的治理与互操作性标准，从而确保所有领域保持一致性与合规性。 期望依托分析网格优化分析开发与交付的企业，需聚焦四大基础支柱（如图3所示）： ■联邦式技术架构：在业务部门内系统化运作分布式、可组合的技术分析能力■联邦式/自适应治理：采用协调一致的共享治理模式，实现共同决策控制■领域主导权与协作：依托领域及技术专长赋能业务单元，提供持续培训支持并促进知识共享 ■产品交付模型：所有权从成果交付转向以产品为中心的交付与支持模式。 这四大支柱虽各自应对分布式分析中的特定挑战，但其真正的效能来自相互关联、协同运作形成的有机整体。企业必须协同推进四大支柱的并行与迭代实施，才能实现有效落地。 相关研究报告 ■《依托分析网格，赋能分析运营的扩展与治理》■《如何治理并扩展现有自助式分析计划》 提升数据消费技术专家的分析工程技能 在分析平台整合多种结构化与非结构化数据源的过程中，建立对业务背景和数据的统一认知就显得尤为重要。企业可通过实施复合语义层（可能包含知识图谱）来实现这一目标。健全的语义体系将成为现代对话式分析平台的基础。 一直以来，数据工程师专注于构建数据管道，将数据转换为适配目标架构的形式。相比之下，复合语义层则需要采用不同的方法。它必须提供将业务背景与技术数据结构相连接的元数据映射，因此需要对业务功能与数据有深入的理解。 尽管数据工程师精于数据的组织与迁移，但语义层的开发与维护工作，却暴露出数据工程团队在能力与职责上的新缺口。为此，企业需要兼具技术数据专长与业务洞察力的分析工程师来管理语义层。 分析工程师： ■专精于针对分析消费场景创建并扩展数据资产、模型及构件（包括指标存储库、数据集市和语义层）。 ■将数据工程最佳实践（如代码版本控制、持续集成/持续部署、环境与构件管理及工作流编排等）应用于分析开发。■全面掌握业务指标、关键绩效指标（KPl）及专业术语。■通常与商业智能管理员、自助分析开发人员共同隶属于领域分析团队，也可能归属于集中式数据与分析团队。 为弥补技能缺口，企业（尤其是数据和分析团队）应鼓励数据工程师和数据分析师拓展对业务功能的理解，学习将语义映射纳入知识图谱或语义层解决方案的方法。同时，需基于其在数据、SQL等分析工