IT 负责人需要重建的能力底座

数据是 AI 架构中最持久的一环。模型的可靠性取决于其所能访问的数据，而数据质量低劣会带来幻觉、偏见与不可靠输出。多数企业仍受困于遗留系统、数据结构不一致、所有权碎片化和数据缺失等问题，仅靠 AI 本身无法解决这些底层顽疾。Gartner 警告，若缺乏 AI 就绪的数据基础，到 2026 年将有 60% 的 AI 项目被放弃。可扩展的数据架构要求在模型与系统设计之初就纳入统一标准、清晰所有权、干净标注的数据集以及支持实时检索的管道。

上下文工程决定了模型能否在每一次查询中获得最相关的信息。与关注措辞的提示工程不同，上下文工程围绕模型构建完整的信息环境，涵盖检索、增强生成与向量数据库等组件，并对信息的优先级与时效进行精细管理。过度喂入上下文会稀释关键细节、推高成本并拖慢响应速度。因此，最小化、准确且实时、机器可读的信息环境，被视为上下文工程的关键准则。

治理与可观测性必须从架构之初就嵌入，而不是事后补齐。缺乏对检索、工作流与模型调用的明确控制，AI 系统往往会处理远超必要的信息量，进而推高算力与 API 成本，并带来提示词注入、数据泄露、模型漏洞与对抗性输入等新型安全风险。LLM 可观测性能够帮助团队评估精度、追踪使用模式、定位故障并衡量 ROI。Elastic 2026 年调研显示，85% 的 IT 决策者预计将为其内部生成式 AI 应用启用大模型可观测性。

人在环是释放 AI 价值不可或缺的条件。架构设计、集成与治理都依赖专业的内部人才，即便自动化程度不断提升，企业依然需要能够管理工作流、评估输出、重构流程并随技术迭代而调整系统的人。Deloitte 2025 年科技高管调研显示，近 70% 的受访者计划扩张团队以应对生成式 AI，这与外界流传的裁员叙事形成鲜明对比。能够胜任提示工程、编排与变革管理，并具备批判性思维的人才，正成为决定 AI 项目长期影响的核心变量。

要点

• 数据是 AI 架构中最持久的要素，缺失干净、可治理、可实时访问的数据将导致大量 AI 项目在 2026 年前被放弃。
• 上下文工程通过 RAG、向量数据库与信息优先级管理，为每次查询精准输送最小且正确的数据。
• 治理与大模型可观测性必须从一开始就嵌入架构，以控制成本、保障安全并衡量真实业务价值。
• 人在环仍是 AI 规模化落地的关键，Deloitte 调研显示近 70% 的科技高管计划为生成式 AI 扩充团队。
• IT 负责人的投资决策应优先考虑上述四项能力底座，以应对技术快速演进带来的不确定性。