如何利用企业架构构建可扩展的数据和人工智能战略

AI资讯 2天前 charles

440 0 5

概述

随着数据和人工智能的爆炸式增长，以及通用人工智能（GenAI）的持续发展势头，企业正竞相确定自身的战略基点。制定稳健的战略、治理模式和任责结构的压力空前巨大。这不仅关乎数据和人工智能战略应该是什么，更关乎如何制定战略、由谁来领导，以及如何在整个企业范围内进行治理。

遗憾的是，制定数据或人工智能战略的参考资料通常要么过于笼统，要么不够完整，很少适用于构建稳健的企业级战略。在光鲜亮丽、快速发展的人工智能领域，许多利益相关者忽视了成熟的方法，转而依赖肤浅的白皮书或零散的部门计划。

本文基于航空业的近期经验，阐述企业架构管理 (EAM) 在制定和实施数据与人工智能战略方面提供的关键功能。我们并非提供包罗万象的数据与人工智能战略指南，而是着重探讨此类战略中一个具体且关键的部分。事实证明，EAM 能够有效解决这一问题。为了将用例置于上下文中，我们以 EAM 能力模型作为框架。

一什么是企业架构管理

简而言之：EAM 管理并持续优化企业级数字生态系统的架构。它与特定企业的业务模式和运营模式相一致，以满足其业务需求。

企业架构通常被比喻为城市建设愿景或规划：要么让城市有机地发展（“新兴景观”），要么为城市设定一个目标，并系统地朝着这个目标努力。延续这个比喻：城市中也有专门负责各个区域的建筑师，也有专注于跨领域技术领域（例如交通、排水系统、电力）的建筑师，当然，还有负责城市住宅、工厂或机场的建筑师。

与此比喻相对应的IT架构师可以是特定业务部门（例如销售、生产、人力资源）的架构师，也可以是跨领域（例如IT基础设施、数据、人工智能）的架构师，以及平台和解决方案架构师。所有这些角色都需要紧密协作，才能构建一个协调一致的整体系统。如同城市规划一样，企业架构并非一次性工作，而是一个持续适应不断变化的环境的过程。

EAM 是一门成熟的学科，用于构建企业范围的数字化目标蓝图。数十年来，实践者和学者一直致力于构建一个共同的知识体系。在这一领域，最著名的框架或许是 Open Group 的 TOGAF。它包含一个用于设计、实施和管理复杂架构的详细流程模型。

EAM 生命周期。 ©基于《企业架构管理基础》（Springer，2022 年）

同一枚硬币的两面：数字化战略与企业架构

战略，其传统意义是指为实现总体目标而制定的高层长期计划。正如钱德勒在1962年出版的《战略与架构》一书中所定义，战略是“确定企业的基本长期目标，并采取行动方案和分配实现这些目标所需的资源”。

同样，《牛津词典》将战略定义为“为实现主要或总体目标而制定的行动计划或政策”。另一词典将其定义为“公司及其相关子行业为实现长期目标而对其环境采取的基本、长期行为（措施组合）”

战略与“架构”不仅在自然界中密切相关

本质上，战略将愿景与路线图相结合——基于“为什么”，它回答了组织发展方向的“是什么”和“如何”。或者，更具体地说，在我们的语境中：数字化战略包含以下几个步骤：

1. 制定愿景；

2. 评估数字化的现状；

3. 明确数字化的目标蓝图；

4. 制定实现目标蓝图的路线图。

这正是 EAM 核心流程的定义，即所谓的目标蓝图流程；它在企业层面指定了数字化蓝图（或其中的特定维度）应呈现的样子。目标蓝图不仅包含业务能力和相应的应用程序或平台，还包含目标蓝图中架构工作的原则和指南。

“战略”和企业架构都是关于高层次、全面、长期的发展

二如何确定数据和人工智能战略的范围

任何大型项目，例如制定企业级战略，在开始之前都必须明确界定其范围。而这正是许多数据战略尝试失败之处。确定企业架构项目范围的核心维度包括：

时间范围，即目标蓝图在未来多久才会实现？

横向广度，即我们的战略是否针对整个企业，还是仅仅针对“飞行运营”业务领域？

深度，即目标蓝图的细节程度和粒度如何？是停留在高抽象层次，还是具体到每一个模块和数据产品？

对于定义数据策略的范围，这些维度也很有用：

数字化维度。企业全面数字化通常涵盖人员、流程和技术三个维度。在数据战略的背景下，除了人员之外，还应考虑文化。需要注意的是，在我们的语境中，技术指的是企业范围内的数字生态系统。

技术维度，也称为架构维度（参见 EAM 能力立方体）。在高层次上，这里通常指“应用程序”、“数据”和“IT 基础架构”。如下图所示，在数据和 AI 战略的背景下，数据和（基于 AI 的）应用程序维度通常是重点关注的。

但我们绝不能忽视与之相关的技术维度。因此，Gartner 的《人工智能成熟度曲线》（2025）将“AI 就绪数据”和“AI TRiSM”（信任、风险和安全管理）置于首位。

实施数据和人工智能的最大障碍之一是无法获得最新的 GPT 模型——它面临着数据质量、系统集成、风险和访问管理等挑战，以及缺乏大规模构建和部署新用例的有效流程。

为了确定数据和人工智能战略的范围，我们还必须区分这些战略所针对的主要应用和数据类型：

运营/交易应用程序是执行核心业务流程的主力。例如 CRM 系统、零售平台或用于管理航空公司地面和航班运营的应用程序。这些应用程序负责运营、客户下单或机组人员被分配到航班。

这些系统中的运营数据必须准确且实时。由于数据质量对于相应的事务应用程序至关重要，因此应用程序所有者通常也“拥有”这些数据。此处的数据以应用程序特定的格式存储；其语法和语义与企业范围的数据标准仅松散耦合。需要注意的是，传统上，中间件团队（而不是数据分析部门）负责处理在运营应用程序之间交换的数据。例如，包括通过企业范围的集成数据模型进行数据标准化的主题。通常，源自数据分析领域的数据策略存在未充分处理运营系统中数据的风险，例如，仅将其视为分析系统的来源

分析应用程序的传统作用是分析运营系统中运行的核心业务流程，并对其进行优化。典型的例子是数据仓库，它从运营应用程序接收数据，将其转换为企业范围内统一的格式，并将这些数据记录成历史。

因此，分析数据可以集中供不同类型的消费者和分析用例使用。通常，数据格式与企业范围一致。对于基于人工智能的用例，则更倾向于未经处理的原始数据，也可能是特定于应用程序的“原始”数据格式。与交易数据不同，分析数据通常不必是实时的，但必须足够及时，以支持战略决策。

三 EAM 及相关战略数据和 AI 功能

总而言之，一个有效的数字企业依赖于几个相互关联、有时也相互重叠的战略功能：

数字化战略为管理整个企业（包括组织）的所有数字化能力提供了总体愿景。

企业架构管理 (EAM) 指定了企业级数字生态系统的高层结构，包括应用程序、数据和基础设施。在我们的案例中，EAM 专注于数据和人工智能领域。换句话说，EAM 交付数据技术战略。

数据治理在维护数据质量和确保法规遵从性方面发挥着至关重要的作用。

数据战略为数据作为企业资产的管理设定了方向——传统上强调集中式、分析型数据用例。

与 EAM 不同，全面的数据战略还关注人员和文化层面。IT 或数字化策略也是如此，与 EAM 不同，它们不仅关注企业范围内的数字生态系统，还关注 IT 组织（人员、文化、流程）。

最后，在我们的语境中，当今的人工智能战略与数字化战略的范围相似：人员、流程和技术，其中技术主要包括人工智能应用程序和平台，但也包括与人工智能相关的数据。数据对人工智能的重要性显而易见：金进金出。然而，近期人工智能战略领域的招聘广告仍然侧重于应用程序和平台（见下表）。

请注意，本文主要讨论的是能力，而非部门名称。“集团数据和人工智能部”是否负责制定企业范围的集成数据和人工智能战略，或者该部门是否被称为“集团企业架构部”都无关紧要：制定可持续的、全企业范围的、全方位集成的数据和人工智能（技术）战略的部门名称并不重要；重要的是该部门是否具备所需的能力。

无论如何，EAM 所熟知的综合方法必须与数据和 AI 领域、平台和解决方案架构师的专业知识相结合。实践证明，一个有效的方案是，来自集团 EAM 部门的数据分析（企业）架构师与专注于数据和 AI 平台及交付的集团和下属企业团队紧密合作。

无论如何，要制定真正全面的数据和人工智能战略，需要辅以塑造人才、文化和流程的能力。这些能力也可能由完全不同的部门负责——例如，由首席信息官（CIO，中央IT战略）或首席数据官（CDO）负责。

四 EAM 的核心能力是什么

如上所述，企业架构管理的目标是优化整个企业的数字生态系统。EAM 生命周期表明，“管理”可以分解为“设想-指定-实施-评估”的活动。显然，这种粒度不足以描述企业架构师的工作。

在大型企业的现实中，你会发现一个高度复杂的数字生态系统，例如由3000个业务应用程序以及数据管理、安全和基础设施等多个层面组成。为了管理这种复杂性，我们需要进一步细分，将EAM活动分解。

让我们从企业架构管理的核心能力入手。在顶层，我们处理企业范围内的主题。正如“架构领域”维度所建议的，我们通过分别处理每个架构领域来进一步细分企业范围内的数字生态系统：（企业范围内的）数据架构、AI 架构、安全架构等等。在大型企业的实践中，通常会有一名架构师专门负责每个领域。例如，一个企业的数据与洞察架构就由一名架构师负责。

在细分领域层面，我们关注企业的不同业务领域，例如市场营销、销售和航班运营。与企业层面类似，每个领域都需要一个连贯的数字化格局。例如，该格局由合理的领域业务架构和连贯的安全格局组成。在数据和人工智能战略的背景下，我们专注于构建连贯的、特定领域的数据和人工智能生态系统，例如“航班运营”领域。

在解决方案层面，数字化企业森林的各个树形结构都是经过架构设计的：例如，复杂的业务应用程序、数据中心或基础设施平台。这属于解决方案和平台架构师的职责范围。例如，EAM 必须确保基于 GenAI 的新应用程序的架构能够融入整个企业的整体架构。另一个例子是明确中央数据分析平台的作用及其具体功能。

EAM 的支持功能有哪些

“计划-指定-实施-评估”的生命周期现已在各个层面实施：企业范围、每个业务领域以及每个大型数字化解决方案。为什么 EAM 关注“企业范围”以下的两个层面？因为所有层面都相互交织，使得 EAM 成为一项高度协作的任务。为了成功应对这一挑战，EAM 依赖于一系列成熟的赋能能力。例如：

IT资产管理使数字化领域的解决方案透明化。其核心工具是解决方案目录，以及（可能作为独立工具）数据产品目录。它也是投资组合管理的基础。

例如， EAM 内容管理指的是原则、指南、标准、架构决策记录 (ADR) 的管理。在 GenAI 的语境下，这可以是一个标准，例如“我们基于 LLM 的解决方案的主要标准是 OpenAI”，或者在数据语境下：“航空集团的所有数据仓库用例都必须在中央数据分析平台中实现”。

EAM 委员会提供了一种专业可靠的决策制定和发布方式。EAM协作和利益相关者管理如同连接纽带，使众多参与数据和人工智能的参与者和“快艇”保持同步，从而提高当今高能量、高动力的数据和人工智能用例汇聚成一个连贯的、覆盖整个企业的目标蓝图的可能性。在快速发展的 GenAI 领域，社区工作尤为重要。目前，EAM 更注重企业范围的透明度、交流和共同学习，而非预先提供详细的标准。

EAM 和数据策略——大型航空集团的示例

五 EAM 功能实现的数据（技术）战略要素

定义数据技术战略最重要的 EAM 流程是目标蓝图流程，它决定了哪些数据相关功能应该通过哪些解决方案来实现。这些功能包括数据仓库、原始数据存储、操作数据存储、数据目录、语义层、可视化和报告、数据提取以及高级数据分析。

这张目标图解答了以下问题：对于一项特定能力，应该使用哪种解决方案？在哪个业务部门？因此，它隐含地回答了以下问题：在多大程度上会使用中央解决方案？在多大程度上会使用特定于业务部门的解决方案？这张目标图的创建同样遵循看似简单的顺序：

1. 愿景和高级业务需求；

2. 现状分析；

3. 未来蓝图规范；

4. 路线图创建。

然而，即使目标蓝图已经明确并正式达成一致，在拥有众多业务部门的大型企业中，要在数据分析这样一个高度动态的领域保持领先地位，仍然如同放牧猫群。因此，为了实现目标蓝图，企业范围内的透明决策机制以及对正在进行和计划中的项目（即改变数据和洞察格局的战略和战术项目）的频繁协调至关重要。

在数据分析时代，数据产品通常是目标蓝图的一部分，用于支持企业范围内数据的可查找性、可访问性、互操作性和重用性 (FAIR)，以及系统模块化、技术独立性和高效的数据所有权。在这里，EAM 在定义数据产品的需求和标准方面发挥着重要作用，当然，这需要与数据治理和数据平台架构师协同工作。

六 EAM 和（Gen）AI 战略——大型航空集团的案例

EAM 功能实现的 AI（技术）战略要素

上文在数据战略背景下描述的机制也适用于（Gen）AI 战略。此处，上述目标图流程也定义了企业范围的标准，例如，用于创建基于 GenAI 的解决方案：哪个平台应该用于哪些用例，例如，普遍用例还是复杂用例？

那么，对于这项快速发展的技术，最佳的集中化和标准化程度是多少？大型企业应该在多大程度上协调各大业务部门和业务领域推动的 GenAI 机器人开发？例如，企业的 GenAI 产品组合真的需要五个不同的聊天机器人实例，每个实例基本上都是 ChatGPT 的前端吗？

显然，在企业范围内构建基于 GenAI 的新解决方案时，统一的流程和模板大有裨益。此外，合规性也至关重要：企业范围的 IT 资产清单和应用程序目录应明确列出应用程序使用的 AI 类型，并将应用程序的用例与风险类别关联起来。

七小结

企业架构管理并非万能药。然而，它是一种经过验证、易于理解且定义明确的工具，可用于解决数据和人工智能战略以及数字化战略中“技术”部分。它为创建、实施和维护此类战略提供了结构框架。更具体地说，它有助于消除碎片化，并在各个维度上协调企业范围内的发展：

首先，它提供了一个详细的、经过实践检验的流程，用于在企业层面定义数据和人工智能技术战略，其抽象程度和广度与相关的数字化战略相同。这本身就是一项不小的成就，尤其是如果你亲眼见证了围绕此类战略制定所付出的巨大努力和讨论。

其次，EAM 确保跨业务领域和架构层的一致性。如果没有这一点，数字化就有可能沦为一堆孤立解决方案的拼凑物。这不仅仅是一个理论问题——它在实践中表现为投资分散、能力重叠以及治理模式不一致。

第三，它确保通过一套完善的能力将战略从战略意图转化为可持续的运营现实。

事实证明，EAM 非常适合利用 GenAI 等新兴、高度动态的技术来塑造整个企业的格局。总而言之：当企业调整其数据和 AI 战略时，必须明确 EAM 在其中的重要作用。

往期推荐

一文读懂商业分析与商业智能的不同

一文读懂数据工程的基础知识

AI 提示工程最佳实践：如何编写更好的提示以获得更好的结果

“数据产品”究竟是什么以及它为何对AI代理至关重要

人工智能需要从认知到理解：上下文难题以及知识表示中整洁的意义

从实物资产到数据资产：数字化如何重新定义新时代企业价值

如何利用企业架构构建可扩展的数据和人工智能战略

一文读懂企业架构：TOGAF、Zachman、FEAF等相关方法及应用策略

版权声明：charles 发表于 2025年7月11日 am4:41。
转载请注明：如何利用企业架构构建可扩展的数据和人工智能战略 | AI工具大全&导航

打造超级AI助手：掌握Reflection模式，让你的Agent智商暴涨！

charles

2.9K 40

突发！OpenAI官宣支持Anthropic推出的大模型上下文协议MCP

charles

5.3K 50

我该如何选择大语言模型？看这篇就够了！

charles

4.6K 20

深夜炸弹！Openai 放出GPT 4.1 仅在API中发布

charles

4.2K 50

🧠 解码大语言模型的记忆力：上下文长度的前世今生

charles

480 25

Windsurf 发布：“ What is an Agent？” （1.5万字长文）

charles

3.5K 20

如何利用企业架构构建可扩展的数据和人工智能战略

🧠 大模型到底厉害在哪？看完这篇你就懂了！

🧠 解码大语言模型的记忆力：上下文长度的前世今生

相关文章

相关文章