对于许多 C 级业务和 IT 高管而言，他们认为公司的数据状况良好，能够为数据驱动决策提供支持，并交付 AI 驱动的解决方案。
然而，根据 IT 咨询公司 Softserve 最近的一项调查显示，离数据越近的 IT 领导者对数据质量的信心就越低。调查发现，在大型企业中，近一半的 C 级高管（包括 C 级 IT 领导者）认为其组织的数据已达到成熟水平，而只有 37% 的处于总监级别的数据和 AI 领导者持同样观点。
专家警告说，这种 C 级高管与副总裁和总监级 IT 领导者之间的数据信任缺口，在训练 AI 模型或推出其他数据驱动措施时可能会引发重大问题。
此外，在负责 AI 或数据管理的副总裁中，有 68% 已观察到他们的公司几乎或总是基于错误数据做出决策，而 C 级 IT 领导者中这一比例仅为 47%。
密歇根大学创新与技术学院教授 Timothy Bates 表示，当 C 级高管往往只收到形式化的、幻灯片级别的 IT 问题概览（包括数据质量）时，这种差异并不令人意外。
他说：“高管看到的是那种干净、汇总、经过润色的仪表盘；而总监看到的是后台情况 —— 中断的数据管道、不一致的定义、缺乏上下文的警报。”
Bates 曾任 Lenovo 和 General Motors 的 CTO，他在大型汽车制造商处观察到 IT 问题的视角存在巨大差异，总监级 IT 领导者往往能够指出那些 C 级高管无法察觉的问题。
他说：“总监们并不是过于悲观；他们看到了仪表盘无法展示的缺口。总监在评估数据信心方面通常更准确，因为他们沉浸在系统中，而不仅仅是浏览总结。”
数据策略待平衡
除了 IT 管理层级之间存在数据可视化差距外，数据质量问题往往还源自零散的 IT 基础设施。Aidora（提供 AI 驱动人力资源软件）的联合创始人兼 CTO Anant Agarwal 表示，许多公司为实现所需功能而使用多个 IT 供应商的产品。
他举例说明：为了运行一款内部工具，一家公司可能会使用某一供应商的云服务、另一供应商的数据库 API、第三供应商的缓存服务、第四供应商的 AI 工具，以及第五供应商的登录服务。
他补充道：“本质上，不同供应商拥有的多个较小软件组合在一起构成了这个产品。所有这些系统各自生成数据，我们需要付出有意识的努力，将所有生成的数据汇聚到一个带有适当注释的集中式数据湖中，以便后续确定权限。”
完成内部服务后，IT 团队便转而投入下一个项目，Agarwal 说。
他说：“一旦功能构建完成，团队就将项目标记为完成并发送通知邮件，因此没有动力确保所有数据能够正确流入，为未来数据的使用做好准备。团队往往更注重短期成果，而忽视长期规划。”
这种重视短期成果的做法可能会随着时间的推移侵蚀组织的数据基础。数据管理策略资金不足以及对数字化项目重于数据项目的重心，仅是导致大多数组织数据驱动项目脱轨的其他问题之一。
争相拥抱 AI
Softserve 大数据和分析助理副总裁 Rodion Myronov 表示，过去两年中，随着许多公司急于采用生成式 AI 工具，数据质量问题变得更加突出。
他说：“当董事会向 C 级人员询问这一技术时，人们自然会觉得必须有所表现，你很难真的回答‘不，我不知道我们能用它做些什么’。”
他补充道，许多公司在启动生成式 AI 项目时，没有先明确要解决的问题，也没有清理实现项目成功所必需的数据。在某些情况下，内部数据仍然分散在多个数据库、存储位置和格式中。
IT 解决方案提供商 TEKsystems 的 CTO Ram Palaniappan 表示，当公司在没有收集和清洗数据的情况下启动 AI 项目，就容易出现 AI 幻觉，从而引发巨大的商业失误。
他说：“如果我基于 AI 的收入报告呈现在董事会面前，而由于某种原因遗漏了某个区域，大家对你的报告就会信任度下降。”
他指出，围绕生成式 AI 的初步公关炒作导致许多仓促启动的项目没有使用正确的数据。“AI 的公关效应正在赶上 C 级和副总裁级别人员。当真正执行时，总监和一线管理者会看到所有这些缺陷，他们现在正在指出这些问题。”
错误数据带来的问题
Aidora 的 Agarwal 表示，缺乏优质数据会导致多种问题。即使是 CIO 在内的 C 级高管也可能要求在数据尚未准备就绪的情况下开发新产品，这可能会导致 IT 领导者因为反复推迟时间表而显得无能，或者将负担转嫁给下属员工。
他说：“团队可能会被迫开发一系列他们还未准备好实施的项目，这可能导致项目失败、交付大幅延迟或者团队过度疲劳。”
Palaniappan 建议，为弥补数据质量信心缺口，公司应更加注重在组织结构中的透明度。较低层级的 IT 领导者可以通过制定详细的 IT 项目路线图（包括解决数据问题的时间表），帮助 CIO 以及 C 级高管了解组织的数据成熟度需求。
他说：“采取‘爬行、行走、奔跑’的策略引导事务朝正确方向前进，并制定明确的路线图。评估你们在执行路线图时数据的成熟度，然后逐步改进。”
Softserve 的 Myronov 补充称，公司需要坚实的数据基础，包括侧重于商业案例、数据可访问性和数据安全的数据策略。
他建议，组织还应聘请批判性人才，在 AI 及其他数据驱动项目中指出潜在的数据问题。
他说：“无论是任何概念验证项目（POC），甚至不限于 AI 项目以及负责该项目的团队中，你都会发现有人全情投入，相信结果必定会实现；但你不会看到扮演软件开发质控（QA）角色的人，他们正试图找出缺陷。”
他说，如果缺少在概念验证项目中持怀疑态度的员工，公司就可能在最终失败的项目上花费过多的时间和金钱。快速失败或许才是更好的结果。
他说：“有些开发者通常只看到一切风和日丽的场景。优秀的开发者专注于构建有效的产品，但同时也应该设立一个完全独立的角色，仅专注于发现不可行之处。”
