在新發布的“中國數據分析和人工智能技術成熟度曲線圖”中，Gartner 認為，“數據中臺（Data Middle Office）”即將消亡，取而代之的是“數智基建”（Data Infrastructure）。

在上圖中，數據中臺處于幻滅的深淵（Trough of Disillusionment）；而數智基建則處于技術萌芽期（Innovation Trigger）。

參考：Gartner：數據中臺即將消亡，取而代之的是數智基建

1、數據中臺面臨的挑戰

Gartner的分析指出，隨著技術的發展和企業需求的變化，數據中臺可能面臨消亡的風險。這一觀點引發了業界的廣泛討論和思考。數據中臺消亡論主要基于以下幾點：技術迭代速度加快，新的數據處理和分析工具不斷涌現；企業對數據中臺的依賴可能限制了創新能力的發展；數據中臺的建設和維護成本高昂，部分企業可能難以承受。數據中臺的建設初衷是支撐企業戰略，實現數據的資產化和服務復用，但在實際操作中，很多企業卻出現了功能與戰略的錯位現象。一方面，部分企業在建設數據中臺時過分強調技術功能，而忽視了與企業戰略的緊密結合。這種“為技術而技術”的做法，導致數據中臺無法有效支持企業的核心業務，也無法為企業創造實際價值。

參考：125頁PPT | 數據中臺解決方案

據調查，約有60%的企業在數據中臺建設中存在戰略定位不清晰的問題。這些企業往往將數據中臺視為一個簡單的數據存儲和處理工具，而沒有將其作為企業戰略的一部分來規劃和實施。結果，數據中臺成為了一個昂貴的“數據倉庫”，而非企業戰略的有力支撐。

數據中臺的建設不僅需要強大的技術支持，更需要企業具備相應的組織能力和數據能力。然而，現實情況是，許多企業在這方面存在明顯不足。首先，數據中臺的建設需要企業進行組織架構的調整，建立專門的數據管理和運營團隊。但根據行業調研，約有40%的企業在組織架構調整上面臨困難，難以形成有效的數據管理和運營機制。其次，數據中臺的建設需要企業具備強大的數據治理能力，包括數據標準制定、數據質量管理、數據安全保障等方面。然而，數據顯示，超過50%的企業在數據治理方面能力不足，無法確保數據中臺的高效運行和數據資產的保值增值。此外，數據中臺的建設還需要企業員工具備一定的數據思維和數據操作能力。但遺憾的是，許多企業在員工培訓和數據文化建設上投入不足，導致員工對數據中臺的接受度和使用率不高，數據中臺的潛在價值無法得到充分發揮。總的來說，數據中臺建設的挑戰與失敗因素主要集中在功能與戰略的錯位、組織能力與數據能力的不足等方面。要解決這些問題，企業需要從戰略層面重新審視數據中臺的定位，加強組織架構和數據治理能力的建設，并加大對員工培訓和數據文化的投入，以確保數據中臺能夠真正成為企業數字化轉型的有力支撐。數據中臺的建設涉及到眾多技術選型和架構設計問題，這對于企業的技術團隊提出了較高要求。然而，由于缺乏統一的標準和成熟的經驗，企業在技術選型和架構設計上往往面臨較大的不確定性和風險。綜上所述，大數據和數據中臺概念的“落寞”并非意味著它們的價值消失，而是市場對于這些技術和概念的認識更加成熟和理性。未來，隨著數字化轉型的不斷深入，數據中臺將在企業中扮演更加重要的角色，但其發展也將更加注重實際應用和價值創造。

2、還有誰在堅持“中臺”？

技術行業日新月異，企業若不緊跟潮流，創造新名詞，就會缺乏升級動力，業務增長也會受限，多年來一直如此，那些耳熟能詳的縮寫詞也一直在更新換代。中臺熱潮退去后，真正有價值的東西才會沉淀下來。銷售人員總希望每月都有新名詞，一旦被冷落就棄之不顧，只有真正使用中臺并獲益的人，才深知其好處，目前支持中臺理念的，也都是實際受益者。

第一類受益者是技術人員，他們借助中臺概念打破業務壁壘，用合適工具整合技術平臺，持續獲益。信息系統常因業務快速變化、底層架構老化，只能不斷打補丁，導致業務系統混亂，一處改動可能引發其他系統崩潰。在預算不足時，難以進行迭代，陷入惡性循環：業務迭代，IT改軟件，問題層出不窮，人力捉襟見肘，業務埋怨技術不給力，技術則有苦難言，難以獲得預算投入底層迭代。

當初中臺概念火熱時，若能爭取到大筆預算并下定決心迭代，借助中臺概念獲得更多緩沖時間，壓制業務新需求和陣痛，即使不能全勝，也能緩解技術壓力。簡單說，就是利用中臺概念融資，獲得時間和資源，化解技術債務，減少債務利息和壓力，讓工作更順暢。

設想一個集團公司，旗下多個子品牌，各品牌都有自己的物流企業，但因各品牌發展區域重點不同，業務擴張時，已簽約物流企業可能并非最優解，多份合同還易滋生貪腐。此時，集團成立新部門，負責與全國物流公司對接，子品牌取消物流簽約，物流需求在信息系統中自動分解、派單、追蹤，無需實際落地，經驗告訴我們，這樣能提升效率、降低成本，這就是企業建立的物流中臺。未來成立子品牌時，只需上傳發貨地、收貨地、包裹特征等信息，就能輕松對接優質物流體系。物流體系還可延伸至企業上下游生態，中臺的靈活性在互聯網時代優勢明顯。

中臺失敗最常見的原因是“未達預期”，預期至關重要，沒有預期就沒有投入，投入后達不到預期同樣會失敗。不上中臺，意味著IT沒給領導正確規劃；預期過高卻落地失敗，又顯得IT缺乏執行力。中臺上線前的重要承諾是業務中臺化后能快速靈活開展新業務，通過業務抽象和微服務的K8S系統，實現業務邏輯復用，減少開發時間。

但現實是，中臺只是將部分可復用業務邏輯變成服務，一線還需加上UI、前端邏輯、批量處理操作和特殊業務判斷，真正節省的開發時間可能很少，甚至只是將問題從一處挪到另一處。投入資金后未立刻變強，中臺就會被反噬，遭人詬病。軟件開發是系統工程，非一兩個工具能顛覆，對中臺架構理解不深的人易陷入技術陷阱，忽略業務本質。

3、Gartner分析數據中臺要點數據中臺，一度被視為企業數字化轉型的加速器，如今卻面臨被Gartner預言的消亡。這一轉變并非無跡可循，其背后有著深刻的市場和技術邏輯。?

技術迭代速度：在人工智能和大數據技術的快速發展下，數據中臺的傳統架構和技術可能迅速變得過時。企業需要更快地適應新技術，而數據中臺的更新換代速度可能跟不上市場需求。?

成本與效益：數據中臺的建設和維護需要巨大的成本投入，但隨著時間的推移，其帶來的效益增長可能會放緩，甚至出現邊際效益遞減的現象。?

靈活性與擴展性：數據中臺往往被設計為一個集中式的平臺，這在一定程度上限制了其應對快速變化市場的能力。企業可能需要更加靈活和可擴展的解決方案來應對不斷變化的業務需求。?

數據治理挑戰：隨著數據安全和隱私保護法規的日益嚴格，數據中臺需要滿足更高的數據治理標準，這可能會增加企業的合規成本和運營復雜性。?

生態系統脫鉤：Gartner預測，許多現有的數據中臺將因為與生態系統脫鉤而過時。這意味著，如果數據中臺不能有效整合新興技術和市場趨勢，就可能被邊緣化。 在數據中臺逐漸顯露出局限性的同時，Gartner提出了“數智基建”（Data Infrastructure）作為替代概念。數智基建代表了一種全新的企業數據管理和應用模式，它具有以下特點：?

云原生：數智基建強調云原生技術的應用，支持企業在多云或混合云環境中靈活部署和管理數據。?

技術生態合作：與數據中臺依賴單一供應商不同，數智基建倡導通過多個供應商的密切合作，構建一個開放、可擴展的技術生態系統。 持續迭代與優化：數智基建被視為一種持續的服務，而不是一次性的交付項目。它能夠不斷迭代和優化，以適應不斷變化的技術和業務需求。?

數據與智能的深度融合：數智基建不僅僅是數據存儲和處理的平臺，更是數據智能和分析能力深度融合的場所，支持企業實現更深層次的數據洞察和業務創新。?

業務場景驅動：數智基建更加注重與具體業務場景的結合，能夠根據不同業務需求提供定制化的數據分析和智能應用。?

數據治理與安全：在數智基建中，數據治理和安全是核心考慮因素，確保企業在享受數據帶來的便利和價值的同時，也能保障數據的合規使用和安全防護。 隨著數據中臺的局限性逐漸暴露，企業需要重新思考其數據管理和應用策略。數智基建作為新興的概念，為企業提供了一種更為靈活、可持續的解決方案，有望成為企業數字化轉型的新引擎。

4、AI時代的中臺啟示

AI智能化的根基，在企業端，絕對不是硬件或者軟件，而是企業和行業知識，沒有內部專業知識的AI，只是一個玩具而已。

所以，企業要優先構建知識管理部門，這一步越早邁出越好，很多企業買好了硬件，選好了系統，再開始進行知識整理，等到幾個月后知識整理的差不多了，新的硬件和系統已經出來，之前購買的軟硬件價值大幅縮水，一旦上線沒有那么“好用“、“AI幻覺”再鬧幾個笑話，被業務抱怨就是IT下課的導火索。

其次，通過聊天窗口的Chat，對大型企業的生產力提升有限，可以考慮引入一個可以靈活配置與優化的管理平臺，也就是常說的“Agent智能體平臺“，簡單的說，就像OA流程編排系統，將人的操作和AI的操作“連接起來”，解耦以后的另一個好處則是可以發現很多很多“業務入口”其實可以被簡單的AI 智能體所優化。

智能化年代一個重要特點就是原來的鍵盤+鼠標構成的UI形式會被改變，雖然不至于是什么都用語音，至少可以將原來大量的錄入、條件選擇，變為更智能化的端對端操作。

其次，切勿過度夸大預期。AI技術雖強大，但并非完美無瑕，它自身存在一定的“幻覺”現象。若沒有內部知識的嚴格校正與核對，尤其是多段AI連接形成的復雜智能體系統，哪怕起初只是微小的誤差，也可能在傳遞和處理過程中被不斷放大，最終導致不可挽回的嚴重后果。對于非業務核心部門的IT人員來說，他們識別這些潛在錯誤的能力相對薄弱。倘若業務部門也對此視而不見，那么后續出現的問題，責任究竟該由誰來承擔呢？

最后，AI體系的端對端導致知識和數據的界限進一步模糊，也意味著IT的安全管理需要更加嚴格和規范，千里之堤，潰于蟻穴。

5、企業應對策略建議

1）明確戰略規劃企業應明確數據中臺的戰略目標和價值，制定相應的戰略規劃，包括確定關鍵業務需求、技術要求和組織變革，以及明確投資和ROI預期。

2）構建靈活的數據架構企業需要建立一個靈活、可擴展和安全的數據架構，以支持數據的收集、存儲、處理和分析。這可能涉及數據集成、數據湖、數據倉庫和數據治理等技術和工具。

3）強化數據治理與質量管理數據中臺需要有效的數據治理和質量管理機制，以確保數據的準確性、一致性和可信度。這包括建立數據質量標準、數據清洗、數據標準化和數據安全等方面。

4）推動文化和組織變革數據中臺的建設需要伴隨著文化和組織的變革。企業需要培養數據驅動的文化，推動數據共享和合作，并培訓員工以提高數據素養和分析能力。

5）持續優化與迭代企業應確保數據中臺緊密圍繞業務需求進行設計，并引入自動化工具提升數據治理效率。同時，建立持續優化機制，迭代創新數據中臺，真正實現數據賦能業務，助力企業高質量發展。

6）探索數據中臺與AI技術的結合隨著AI技術的快速發展，企業應積極探索數據中臺與AI技術的結合，利用大模型等AI技術提升數據中臺的數據處理能力和智能化水平，為企業帶來更大的業務價值。

7）關注數據安全與合規性在數據驅動的商業環境中，企業必須重視數據安全與合規性，采取充分措施確保數據中臺的數據安全，嚴格遵守地區法規，以維護其數字化戰略。

8）構建開放性架構數據中臺應構建開放性架構，便于對第三方工具的集成，促進企業內外部數據的共享與協作。通過采用標準化API、微服務、容器技術等，數據中臺能夠迅速整合更先進的新興技術，加速數據處理和分析的創新。

9）積極參與數據要素市場化企業應積極參與數據要素市場化進程，探索數據定價、收益分配、數據安全和隱私保護等技術與制度障礙的解決方案，以實現數據要素的價值創造和實現。通過上述策略，企業不僅能夠應對數據中臺的未來發展，更能在數字化轉型的浪潮中把握先機，實現持續的業務創新和增長。