令人印象深刻的AI演示已死：真正進入生產的是什麼

大多數工程團隊都能做出令人印象深刻的AI演示。原型能工作，利益相關者被打動，所有人都認為用例有潛力。但隨後項目就會遇到瓶頸。原因多種多樣，但新研究表明，從多個來源收集和解析實時數據的困難往往是問題所在，而技能短缺又加劇了這一困境。

根據Confluent的2026年數據流報告，只有32%的組織報告將代理AI投入生產。與此同時，三分之二的受訪者認為數據基礎設施和數據質量是代理AI成功的障礙。模型在受控條件下運行良好，但生產環境則完全不同。

演示之所以有效，是因為周圍的一切都是可控的。數據是靜態的，經過精心策劃，以精確支持模型被要求執行的任務。生產環境並不總是提供這些便利。在生產中，AI系統必須查詢分佈在數十個來源中的數據，包括數據庫、事件流、應用日誌和第三方提要。其中許多數據治理不善，幾乎沒有數據是設計用來被AI代理實時消費的。在試點中令人印象深刻的模型，因為使用過時、不完整或缺乏上下文的數據而返回不可靠的結果。直覺是調整模型，但問題更可能是餵養它的數據。

報告中，72%的IT領導者認為實時數據處理基礎設施不足是擴展AI的障礙，高於前一年的61%。這一增長表明問題不會消失，隨着團隊將項目投入生產，問題變得更加明顯。AI系統需要可信、有上下文且最新的數據，但當數據存儲在未設計用於持續消費的孤島中時，這些屬性很難保證。批處理管道幾乎總是引入延遲，缺乏正式的數據契約，並模糊了數據譜系。AI系統最終使用的是業務的不一致、部分快照，而不是實際正在發生的情況。

技能問題使這更加困難。報告揭示了另一個挑戰：71%的IT領導者認為相關專業知識和技能的短缺是AI採用的障礙。應用程序開發的工作已從編碼業務邏輯轉向創建信息環境，讓自動化系統可以學習和泛化。構建可靠的AI應用程序需要開發者成為更強的數據工程師。他們需要理解分佈式系統、流架構、數據質量控制，以及如何構建在現實條件下能支撐的管道。他們需要推理數據譜系、模式演化，以及當上遊源發生變化時會發生什麼。適用於確定性軟件（相同輸入產生相同輸出）的QA模式不適用於概率系統。大多數開發者以前從未需要這樣思考。在正確的時間將正確的數據以治理和可重用的方式提供給正確的系統，這一學科已從專家關注點轉變為任何構建生產AI的人的要求。這影響了組織應如何思考彌合演示到生產差距。數據工程技能的投資需要與AI本身的投資保持同步。

成功走出試點階段的組織從一開始就將數據基礎設施視為首要關注點。這意味着構建實時管道而不是批處理過程。這意味着在數據生產點應用模式定義、所有權元數據和質量檢查，而不是在數據湖中。這意味着將數據結構化為可重用的數據產品，不同的團隊和應用程序可以在此基礎上構建，這樣支持一個AI應用程序的工程工作可以加速下一個，而不是從頭開始。2026年的報告發現，88%的IT領導者表示數據流平台有助於解決代理AI的數據基礎設施和質量問題。這是因為它們解決了AI項目停滯的具體原因——實時數據交付、上游治理以及使數據在推理時足夠可信。

轉變已經在發生。報告首次發現，數據流投資超過了AI和機器學習投資，比例為88%對82%。嘗試過交付生產AI的組織越來越認識到，模型不是最困難的部分。因此，如果你停留在試點階段，抵制繼續優化模型的衝動。更好的問題是，餵養模型的數據是否新鮮、準確且治理良好，以及你的管道是否確實是為生產AI構建的，還是僅僅是一次性演示。