作者

哈里·莫尔法基斯

Artefact 高级总监

还记得 Business Objects 吗？如果记得的话，你大概就能明白我想表达什么了。我们正步入一个新时代：能够构建企业级软件的大型语言模型（LLMs）将日益普及化。这固然是一项令人惊叹的技术成就，但也可能引发一场恶性竞争。

为什么？因为当大家忙着炫耀自己最新的AI花招时，却忽略了真正的金矿：数据本身。

让我们来分析一下：

  • 大型语言模型（LLM）的商品化：我们正目睹大型语言模型领域发生着迅猛的演变。昨日还属尖端的技术，今日已成标配。 不久之后，在基本功能方面，各款大语言模型之间将几乎难以区分。生成类人文本、回答问题，甚至编写复杂代码的能力，都将不再是区别它们的关键因素。这种商品化意味着，仅仅拥有大语言模型并不能带来显著的竞争优势。

  • 人工智能生成软件的兴起：大型语言模型（LLMs）及其他生成式人工智能工具正日益具备按需创建软件的能力。需要一款定制的库存管理应用程序吗？人工智能或许很快就能在几分钟内为您轻松搞定。这不仅是一场革命，而且正变得触手可及。

  • SaaS 的持久力：不过，别指望 Salesforce 或 SAP 这类企业会一夜之间消失。正如 Red Hat 通过提供企业级支持和服务在开源时代蓬勃发展一样，大型 SaaS 供应商很可能会适应这一新格局。他们可能会将人工智能生成的解决方案整合到自己的产品中，或者专注于提供运行这些人工智能应用程序所需的强大且可扩展的基础设施。

  • 真正的竞争优势：关键在于——在这个新格局下，竞争优势的真正来源将是贵公司的专有数据。为什么？因为虽然大型语言模型（LLMs）能够生成通用解决方案，但只有贵公司独有的数据才能驱动人工智能模型，使其真正理解贵公司业务、客户及市场的细微差别。

  • 数据准备度缺口：这正是许多企业绊倒的地方。即使您拥有全球最先进的人工智能工具，但如果数据准备不足，就无法有效利用这些技术。这就像试图用原油给法拉利加油——您绝不该这么做。

试想一下消费品行业中的以下情景：A公司和B公司都拥有同一款用于需求预测的先进大型语言模型。A公司拥有多年完整且经过整合的销售数据，其中包含促销活动、天气状况以及社交媒体情绪等背景信息。而B公司的数据则分散存储在各个系统中，且存在不一致的情况。您认为哪家公司能够做出更准确的预测？

事实上，如果没有经过正确清理、标准化和建模的数据，企业就无法充分利用人工智能革命带来的机遇。即使您手头拥有强大的AI系统，但如果输入的是低质量数据，最终得到的洞察也必然质量低下。

正因如此，真正的竞争不在于谁能最快地部署人工智能，而在于谁能理顺数据管理。关键在于构建一个强大的数据基础设施，为这些功能强大的新型人工智能工具提供动力。因为归根结底，人工智能只是引擎——而您的数据才是驱动它运行的燃料。

在消费品行业，这可能意味着以下两者的区别：

  • 准确预测并满足季节性需求高峰

  • 优化供应链，减少浪费，提高效率

  • 实时洞察并响应不断变化的消费者偏好

  • 通过个性化营销策略大幅提升转化率

因此，当你的竞争对手还在追逐最新的聊天机器人或人工智能写作工具时，请记住：真正的价值在于你的数据。问题是，你准备好释放它的价值了吗？

通往数据的征程：新边疆

我们都cloud。在过去的近十年里，这曾是当之无愧的热门词汇。但如今呢？我们正踏上一段更为关键的征程：数据之旅。

这不仅仅是一股新的技术潮流。这是企业运营、创新和竞争方式的根本性转变。如果你不跟上这股潮流，可能会被远远甩在后面。

这一转型之旅在实践中具体表现如何？它意味着从分散、孤立的数据源，转向统一且易于访问的数据生态系统。它意味着将原始数据转化为可付诸行动的洞察。它意味着建立一个单一的“数据源头”，为从运营决策到高级人工智能应用的方方面面提供支持。

对于一家消费品公司而言，这可能意味着将销售点数据与社交媒体情绪分析、供应链信息以及客户反馈相结合。其核心在于构建一个全面的业务视图，使您能够洞察趋势、预测需求，并以前所未有的速度进行产品创新。

真正的价值主张：关键在于数据，傻瓜

关键在于：人工智能的性能完全取决于其训练数据的质量。即使拥有全球最先进的大语言模型，如果它没有基于您企业的具体业务数据进行训练，那么它对企业的价值也最多只能是有限的。

真正的竞争优势在于释放您专有数据的价值。这需要构建一个功能强大的数据平台，该平台能够：

  • 汇总来自贵组织内不同来源的数据

  • 对数据进行清理和标准化处理，以便用于分析和人工智能应用

  • 确保相关人员能在恰当的时机获取这些数据

  • 确保数据质量、安全与合规性

这才是真正的考验。老实说，这可不容易。

让我们来分析一下：

数据整合：在一家典型的消费品公司中，数据可能分散在ERP系统、CRM平台、供应链管理工具以及无数的Excel电子表格中。将所有这些数据整合在一起是一项艰巨的任务，但这对于全面了解业务状况至关重要。

数据清洗与标准化：原始数据往往杂乱无章。不同的系统可能采用不同的格式或命名规则。对这些数据进行清洗和标准化，对于任何有意义的分析或人工智能应用都至关重要。

可访问性：数据只有落入能够加以利用的人手中，才具有价值。这意味着需要创建这样的界面和工具，让业务用户无需拥有计算机科学博士学位，也能访问和分析数据。

质量、安全与合规：拥有海量数据意味着肩负重大责任。确保数据准确性、防范数据泄露，并遵守《通用数据保护条例》（GDPR）等法规，这些都是不可妥协的。

挑战：不仅仅是技术

许多企业正是在这一点上碰壁。他们以为这纯粹是一个技术难题。但事实并非如此。这其实是一个组织层面的问题。

“数据网格”的概念由此应运而生。正如数据网格概念的提出者扎马克·德格哈尼（Zhamak Dehghani）所言：“数据网格是一种去中心化的社会技术方法，旨在消除分析数据与业务运营之间的二元对立。”[^1]

换句话说，这关乎打破部门壁垒、培育数据驱动型文化，并赋能领域专家，使其既能成为数据生产者，也能成为数据使用者。

这需要全公司的支持。这要求提升员工的技能水平。没错，这还要求进行大量的技术投资。

但这在实际中具体表现如何？试想一家消费品公司，其中：

  • 营销团队可以访问实时销售数据，从而随时调整营销活动

  • 产品开发团队可以即时分析客户反馈，以此为依据设计新产品功能

  • 供应链团队能够在中断发生之前就预测并加以防范

  • 高管只需轻点一下，即可实时全面掌握整个业务的状况

这正是数据网格（Data Mesh）成功实施所能带来的前景。但要实现这一目标，仅靠新技术是不够的。它需要我们在数据思维和组织方式上发生根本性的转变。

未来之路：平台工程与模型构建

那么，接下来我们该怎么做？未来几年，我们必须将工作重心完全放在数据平台工程和模型构建上。

这意味着：

  • 投资于强大的数据基础设施

  • 制定数据治理框架

  • 基于您的专有数据构建和训练模型

  • 在整个组织内培养数据素养文化

让我们来详细探讨一下这些内容：

投资数据基础设施：这不仅仅是购买最新技术，而是要构建一个能够随业务发展而扩展、灵活的架构。对于消费品公司而言，这可能意味着在供应链中部署物联网传感器、建立从零售商端获取数据的实时数据管道，或是创建一个用于存储所有历史数据的中央数据湖。

完善数据治理：数据越大，责任越重。您需要制定关于数据使用、质量标准和安全协议的明确政策。这在快速消费品（CPG）行业尤为关键，因为该行业涉及敏感的客户数据以及可能具有重要价值的商业机密。

构建和训练模型：这里正是魔法发生的地方。通过利用您独特的业务数据对人工智能模型进行训练，您可以打造出具有真正竞争优势的预测工具。试想一下，如果有一款人工智能，它能在产品趋势出现之前就预测出来，或者根据多种因素实时优化您的定价策略。

培养数据素养：这或许是最具挑战性，但也最具回报的一环。其核心在于营造一种文化氛围，让从首席执行官到一线员工的所有人都理解数据的价值，并懂得如何在日常工作中运用数据。

这确实是个艰巨的任务，但在这个“数据即新石油”、人工智能则是驱动其运转的引擎的世界里，不这么做就意味着被时代抛在身后。

结论

人工智能革命并非即将到来——它已经到来。胜负的关键不在于谁拥有最炫目的AI演示。真正的赢家将是那些能够有效利用数据来创造实际商业价值的人。

在快消品行业，这可能意味着产品上市是黯然收场，还是席卷市场。这可能是优化供应链、以应对下一次全球性冲击的关键。这可能正是让您能够以竞争对手只能梦寐以求的方式，实现客户体验个性化的关键所在。

那么，请问问自己：你准备好踏上这场数据之旅了吗？因为无论你准备好了没有，这场旅程已经开始了。平台正在搭建，模型正在训练，竞争已经拉开帷幕。你将领跑群雄，还是只能疲于追赶？