作者： Gartner 高级研究总监 顾星宇

AI编程智能体快速发展，其应用边界早已超越软件开发领域，延伸至数据管理等更广泛的数字领域。许多企业机构正在各类数据管理任务中尝试或部分结合AI技术。随着AI技术落地进程加快，从数据与分析（D&A）团队，到业务高管和董事会，领导层对提升效率和降低成本的期望也不断提高。

Gartner高级研究总监 顾星宇

持续攀升的行业热度也让人们对AI智能体能实现的功能产生了越来越高、有时甚至不切实际的期望。利益相关方时常会问，这些工具是否能将核心的数据管理能力完全自动化，或是大幅减少对专业团队的依赖。与此同时，技术供应商正将AI功能嵌入自身平台，并将其定位为“智能体式”解决方案，表示支持用户自助使用，最大限度地减少对技术团队的依赖。尽管这些功能确实有其价值，但技术供应商的营销方式可能会加剧人们认为AI智能体可以取代基础数据管理投入的误解。

事实上，AI编程智能体不太可能接管企业机构的数据管理职能。目前，它们的主要用途大致可分为两类：复制已知模式，以及在模式不明确或缺失的情况下尝试生成新的解决方案。在后一种情况下，产出的结果往往需要大量人工干预。缺乏经验的用户得到的结果可能无法复用、难以扩展，或不符合企业标准，最终仍需专家进行优化或重构。这种局限性源于AI系统有效运行所依赖的上下文类型。

与传统编程任务不同，数据管理在很大程度上依赖于对业务数据及定义业务数据的元数据的语义含义的理解，而这两者都是动态且持续演化的。这种上下文仅靠代码库或文档无法完全捕捉，它实际上存在于数据与分析（D&A）团队所维护的企业机构知识和治理实践中。

数据管理团队的核心价值在于构建、维护这一语义层，并使其与不断变化的业务需求保持一致。若将数据管理简单地视为“对数据进行编程”，则低估了这项工作的复杂性。这种认知可能导致企业采用的AI方法会给分析和AI项目带来风险，包括定义不一致、数据质量差、洞察偏差，最终影响企业决策。

为了有效应对这一转变，数据与分析领导者应避免人的专业知识与AI效率之间直接竞争的讨论框架。如果仅聚焦AI幻觉、安全或成本等风险展开讨论，可能难以在预算有限、需要不断证明投资回报率的压力环境下获得认同。相反，数据与分析领导者的重点应放在明确区分成熟AI能力与营销宣传，同时重新定位数据与分析团队，使其成为数据意义、治理和战略的关键协调者。

语义债务是智能体式数据管理的隐性制约因素

非技术背景的业务用户通常能够执行低至中等技术难度的数据任务，例如对特定数据产品应用筛选条件，或对某个指标进行微调。然而，这种操作依赖于一个关键前提：使用者必须充分理解数据的语义含义，并确认其匹配自身使用场景的业务上下文。但在现实中，企业往往没能满足这一前提条件。

以一个常见场景为例：某企业机构的“活跃用户”指标最初被定义为过去30天内登录过的用户。如果某团队将该定义更新为7天内登录过的用户，但未正式同步元数据或沟通相关变更，其他团队可能仍沿用原始定义。这将导致企业机构内部出现解释不一致和结果冲突的问题。

此类情况是语义债务的典型表现：数据产品的业务上下文因分析需求的变化而不断演进，但其在系统和元数据中的定义却未能同步更新。这些不一致现象并非孤立事件，实际上它们频繁发生，并且随着企业机构数据使用规模的扩大而日益复杂。

在当今不确定的商业环境中，对数据的需求比以往任何时候都更加迫切，波动也更大。以敏捷性为核心的交付模式正变得越来越普遍，例如自助式分析和去中心化方法。这些模式虽然提升了分析速度，但也加速了语义债务的积累。随着业务上下文快速变化，底层的数据定义更难维护，导致AI智能体所依赖的上下文出现不一致。

这种日益加剧的脱节使智能体驱动的数据管理难以可靠运行。

数据管理团队在应对这一挑战中发挥着关键作用。当他们从传统的“对数据进行编程”方式，转向与一线应用场景和数据使用者开展更紧密协作时，其价值才能得到最大程度的发挥。这些团队通过在数据与应用场景之间架起桥梁，确保了数据与分析的一致性、可信度和相关性。