去年开始，“我们公司在用 AI”这句话变得很廉价。
买几个 API、接个大模型、在内部系统嵌一个”智能助手”，就算”拥抱 AI”了。高管开会说这是战略重点，IT 部门忙着部署，业务部门偶尔试用一下，觉得还行，汇报时就能说”已落地”。
听起来挺好。
但 Deloitte 今年的《AI 现状 2026》报告，调研了全球 24 个国家、3235 位高管，给出了另一组数字：企业员工的 AI 工具访问权限覆盖率同比增长了近 50%——与此同时，企业的数据基础设施就绪度只有 43%，数据管理就绪度只有 40%，这两个数字比去年还在下降。
工具在扩张，地基在下沉。
这不是进步和挑战并存的漂亮说法，这是在流沙上盖楼。你往上面加的东西越多，它陷得越快。
工具焦虑：一场集体幻觉#
我认识不少在企业里做数据的朋友，这两年过得挺拧巴的。
一方面，公司不断往他们手里塞新工具。今天是这个 AI 平台，明天是那个大模型接口，后天又来一个”一键生成报表”的插件。领导的意思很明确：工具都给你了，效率该提升了吧？产出该翻倍了吧？
另一方面，他们日常面对的现实是这样的——
业务部门的数据散落在十几个系统里，口径不统一。一个”订单金额”，财务算出来的和运营算出来的差了 15%，谁也说不清哪个对。数据血缘关系像一团毛线，从源头到报表中间经过几道加工，没人能完整画出来。
这种时候你让他们用 AI？用来干什么——帮忙生成一个更漂亮的、但数字照样对不上的报表？
这就好比，你给一个厨师配了一把极好的日本刀，锋利得能削铁。但他的案板是歪的，食材是混着放的，调料瓶上的标签一半都脱落了。你说，“来，做一道精致料理。“他看着你，笑了。
数据基础：那个没人愿意讲的真相#
为什么企业的数据基础这么差？
不是因为技术不行。2026 年了，数据湖、数据网格、流批一体，概念一个比一个新，架构图画得一个比一个漂亮。问题从来不在技术选型上。
问题在于：数据治理是个脏活、累活、慢活，而且几乎没有人因为做好了数据治理而升职。
我之前做数据工程师的时候，深有体会。你花三个月理清了全公司的指标口径，统一了命名规范，建了一套元数据管理体系。结果呢？年终述职的时候，这个事情很难讲出彩来。领导更愿意听”我们用 AI 实现了什么什么”，而不是”我把数据字典从零建起来了”。
这不是哪一个公司的问题，这是行业的通病。
Deloitte 的报告里有一个细节值得注意：只有 21% 的企业认为自己有成熟的 AI 治理模型。换句话说，近八成的企业在”放手让员工用 AI”的同时，连基本的治理框架都没搭好。
这就像一座城市突然多了很多汽车，但红绿灯还没装好，交通法规还没写完，驾照考试也没人管。你猜会发生什么？
84% 的公司还没重新设计岗位#
报告里还有一个数据，我反复看了几遍：84% 的企业没有为 AI 重新设计工作岗位。
什么意思？就是说，绝大多数公司给员工发了 AI 工具，但岗位职责没变、工作流程没变、考核方式没变、协作模式没变。一切照旧，只是桌上多了一个新玩意儿。
这让我想起小时候家里买了第一台微波炉。我妈拿回来之后，放在厨房角落里，盖了一块布。偶尔用来热个剩菜，大多数时候就放着。不是微波炉不好，是整个做饭的习惯和流程根本没有围绕它重新组织过。
企业里的 AI 工具，很多时候就是那台落灰的微波炉。
数据从业者对这个感受最深。你的日常工作还是取数、做报表、跑 SQL、对口径、改需求，这些事情 AI 能帮上一点忙，但帮不上根本的忙。因为问题不在”怎么取”，而在”取什么”和”为什么要取”。
当一家公司的数据资产是混乱的、数据流程是割裂的、数据标准是缺失的，你往上面加再多 AI，也不过是在烂泥上刷了一层漂亮的油漆。
真正的瓶颈不是技术，是组织#
说到底，AI 落地这件事，表面上是技术问题，骨子里是组织问题。
我见过太多这样的情况：CTO 买了一套很贵的 AI 平台，数据团队花了半年接入，做出了几个还不错的模型。然后呢？业务部门不买账。为什么？因为模型输出的结果和他们日常看的报表对不上，因为没有人跟他们解释过模型的逻辑，因为他们不信任一个”黑盒子”给出的建议。
Deloitte 的报告也印证了这一点——员工技能不足被列为 AI 落地的最大障碍。但我觉得”技能不足”这个说法太客气了。更准确的说法是：组织没有为 AI 做好准备。
技能可以培训，但谁来培训？培训什么？培训完了岗位怎么调整？这些问题大多数企业连想都没想过。报告说只有 20% 的企业认为自己的人才为 AI 做好了准备，而且这个比例比去年还在下降。
下降。在 AI 工具急速扩张的同时，组织的准备度在下降。
这不是进步和挑战并存，这是在加速行驶的同时拆掉刹车。
那怎么办？一个数据从业者的真实建议#
我不想在这里列一个”五步走战略”——那是咨询公司卖PPT用的。我想说几句真心话，给同样在企业里做数据的你。
第一，别被工具迷了眼。 AI 工具是好东西，但它不能替你解决数据资产的基本面问题。如果你公司连”一个客户在不同系统里叫什么”都没统一，先把这个搞定，比研究哪个大模型更好用有意义得多。
第二，数据治理这件事，虽然不性感，但值得做。 我知道它不容易出彩，不容易被看见。但如果你是做数据的人，你心里清楚，没有治理的数据就是垃圾，喂给 AI 也只能产出高级垃圾。这件事得有人做，而你可能就是那个人。
第三，别等组织变革，先从自己的一亩三分地开始。 你管不了公司的整体数据战略，但你能把自己负责的那块数据理清楚、标注好、文档化。当有一天公司真的认真对待数据基础的时候，你手里有东西拿得出来。
第四，对 AI 保持清醒的期待。 它是工具，不是魔法。它能加速已经跑通的流程，但不能替你发明流程。它能在干净的数据上做出漂亮的分析，但不能把脏数据变干净。认清这一点，你反而能更好地用它。
最后#
有句老话说得好：做菜和做人一样，不能着急，火候到了自然就好了。
数据这行也是这个道理。
现在整个行业都在催你快——快用 AI、快出成果、快转型。但我们心里都明白，好的数据基础是一点一点搭起来的，好的数据文化是一天一天养出来的。这事急不来。
工具会越来越多，越来越强。但决定你和你公司能不能真正用好这些工具的，不是你装了多少个 AI 插件，而是你的数据地基打得有多牢。
地基打好了，什么工具放上去都能跑。地基没打好，再好的工具也只是摆设。
这个道理不新鲜，但在所有人都在喊”AI 革命”的时候，它值得被再说一遍。
——石头