令人印象深刻的AI演示已死：真正进入生产的是什么

大多数工程团队都能做出令人印象深刻的AI演示。原型能工作，利益相关者被打动，所有人都认为用例有潜力。但随后项目就会遇到瓶颈。原因多种多样，但新研究表明，从多个来源收集和解析实时数据的困难往往是问题所在，而技能短缺又加剧了这一困境。

根据Confluent的2026年数据流报告，只有32%的组织报告将代理AI投入生产。与此同时，三分之二的受访者认为数据基础设施和数据质量是代理AI成功的障碍。模型在受控条件下运行良好，但生产环境则完全不同。

演示之所以有效，是因为周围的一切都是可控的。数据是静态的，经过精心策划，以精确支持模型被要求执行的任务。生产环境并不总是提供这些便利。在生产中，AI系统必须查询分布在数十个来源中的数据，包括数据库、事件流、应用日志和第三方提要。其中许多数据治理不善，几乎没有数据是设计用来被AI代理实时消费的。在试点中令人印象深刻的模型，因为使用过时、不完整或缺乏上下文的数据而返回不可靠的结果。直觉是调整模型，但问题更可能是喂养它的数据。

报告中，72%的IT领导者认为实时数据处理基础设施不足是扩展AI的障碍，高于前一年的61%。这一增长表明问题不会消失，随着团队将项目投入生产，问题变得更加明显。AI系统需要可信、有上下文且最新的数据，但当数据存储在未设计用于持续消费的孤岛中时，这些属性很难保证。批处理管道几乎总是引入延迟，缺乏正式的数据契约，并模糊了数据谱系。AI系统最终使用的是业务的不一致、部分快照，而不是实际正在发生的情况。

技能问题使这更加困难。报告揭示了另一个挑战：71%的IT领导者认为相关专业知识和技能的短缺是AI采用的障碍。应用程序开发的工作已从编码业务逻辑转向创建信息环境，让自动化系统可以学习和泛化。构建可靠的AI应用程序需要开发者成为更强的数据工程师。他们需要理解分布式系统、流架构、数据质量控制，以及如何构建在现实条件下能支撑的管道。他们需要推理数据谱系、模式演化，以及当上游源发生变化时会发生什么。适用于确定性软件（相同输入产生相同输出）的QA模式不适用于概率系统。大多数开发者以前从未需要这样思考。在正确的时间将正确的数据以治理和可重用的方式提供给正确的系统，这一学科已从专家关注点转变为任何构建生产AI的人的要求。这影响了组织应如何思考弥合演示到生产差距。数据工程技能的投资需要与AI本身的投资保持同步。

成功走出试点阶段的组织从一开始就将数据基础设施视为首要关注点。这意味着构建实时管道而不是批处理过程。这意味着在数据生产点应用模式定义、所有权元数据和质量检查，而不是在数据湖中。这意味着将数据结构化为可重用的数据产品，不同的团队和应用程序可以在此基础上构建，这样支持一个AI应用程序的工程工作可以加速下一个，而不是从头开始。2026年的报告发现，88%的IT领导者表示数据流平台有助于解决代理AI的数据基础设施和质量问题。这是因为它们解决了AI项目停滞的具体原因——实时数据交付、上游治理以及使数据在推理时足够可信。

转变已经在发生。报告首次发现，数据流投资超过了AI和机器学习投资，比例为88%对82%。尝试过交付生产AI的组织越来越认识到，模型不是最困难的部分。因此，如果你停留在试点阶段，抵制继续优化模型的冲动。更好的问题是，喂养模型的数据是否新鲜、准确且治理良好，以及你的管道是否确实是为生产AI构建的，还是仅仅是一次性演示。