模型当然重要，但对大型企业而言，更关键的问题是：数据在哪里？能不能被安全调用？能不能进入已有业务系统？权限、血缘、合规和成本能不能被控制？AI 的结果能不能真正推动业务，而不是停留在一个看起来不错的 demo？
过去两年，AI 在企业里的热度很高。但越往真实业务里走，一个变化越明显：企业对「最新模型」的迷信正在减弱。
在生成式 AI 爆发早期，很多企业首先关心的是模型能力。谁的模型更强，谁的回答更准，谁的推理更快，似乎决定了企业 AI 项目的成败。但当 AI 真正进入金融、制造、能源、生命科学等行业的核心流程，问题很快变得复杂起来。
模型当然重要，但对大型企业而言，更关键的问题是：数据在哪里？能不能被安全调用？能不能进入已有业务系统？权限、血缘、合规和成本能不能被控制？AI 的结果能不能真正推动业务，而不是停留在一个看起来不错的 demo？
在 Cloudera 近期于新加坡举行的 EVOLVE26 期间，围绕 Anywhere Cloud、私有 AI 工厂和主权 AI 的多场闭门交流中，这一判断被反复提及。与此同时，极客公园专访了Cloudera大中华区技术总监刘隶放，提到中国企业对 AI 的关注正在从模型先进性，回到业务成本、流程串联、数据安全和实际产出。
换句话说，企业 AI 正在从「模型竞赛」，进入「系统落地」。
从追模型，到追业务结果
企业对 AI 的第一波兴趣，往往来自个人体验。
AI 可以写文档、做总结、改代码、生成图片，也可以帮助员工更快完成一些流程性工作。这类体验直接、高效，也容易让企业管理层看到 AI 的潜力。但当企业希望 AI 改造应用、串联流程、影响客户服务或生产决策时，事情就不再只是「好不好用」。
专访中，刘隶放提到，今年一个明显变化是，客户对模型先进性的兴趣正在逐渐「去魅」。去年很多企业还会反复比较不同模型的能力，但今年更多讨论开始回到业务成本、数据安全、流程改造和实际产出。
原因并不难理解。个人用户使用 AI，即使结果有错，也可以人工修正。但如果企业把 AI 接入客户服务、风控、质量分析、研发流程或生产系统，错误就会变成业务风险。尤其是智能体 AI，不只是回答问题，而是要连续调用工具、查询系统、执行任务。如果底层数据、权限和业务规则没有准备好，AI 很容易从效率工具变成新的风险源。
这也是很多 AI 项目停在试点阶段的原因。企业可以买一体机、部署模型、做一个 chatbot，但如果没有真正动到数据和业务流程，项目很快会遇到准确率、幻觉、权限和价值评估的问题。刘隶放提到，一些企业买了 AI 一体机后，最后只是做出一个简单聊天机器人；一旦发现没有数据支撑、回答质量不稳定，就容易搁置。
真正走得更远的企业，往往不是从零开始押注 AI，而是在已有流程和数据基础上继续迭代。比如一些金融机构、制造企业和服务型企业，本来就有机器学习、OCR、流程标准化、数据平台等积累，大模型进入后，是把原来的流程进一步串起来，让 AI 从单点辅助走向多步骤自动化。
这更像是从 1 到 10，而不是从 0 到 1。
闭门交流中，一个更直接的事实也说明了企业 AI 的现实压力：一家大型消费企业因为 AI 工作负载扩张，三个月就消耗掉全年云预算。随后，CFO 要求停止新增云上工作负载，转而利用已有数据中心运行新任务。
这个案例背后，是企业 AI 从 POC 走向生产后必然面对的问题。试点阶段，企业关注的是能不能跑起来；生产阶段，CFO 会问：ROI 在哪里？token 成本是否可控？推理成本能否预测？这让 AI 从技术议题变成了财务和经营议题。
数据治理，重新成为 AI 落地的中心
AI 没有消灭数据治理，反而放大了数据治理。
这是刘隶放专访中一个很重要的判断。过去二十多年，每当新技术出现，市场都会讨论旧系统是否会被颠覆。但过一段时间，企业又会回到同一个问题：数据是不是可信，系统是不是打通，权限是不是清楚，业务语义是不是能被理解。
AI 时代也是如此。
在企业里，数据从来不是整齐地摆在一个地方。它可能分布在数据湖、数据库、业务应用、边缘设备、文档、图像、地理空间数据和工业传感器里。大型企业还常常经历并购、组织扩张和系统迭代，形成复杂的数据孤岛和历史应用。AI 要使用这些数据，不能只靠一个模型自己理解。
这也是为什么 MCP、语义层、知识图谱、数据血缘、统一权限和数据质量重新变得重要。AI 需要的不只是数据入口，而是一套能够解释企业数据结构和业务语义的中间层。没有这一层，当模型面对几千张表、上万个字段和复杂权限关系时，很难稳定完成任务。
闭门交流中，Cloudera 高管用 HR agent 举了一个很具体的例子：一个 HR 智能体理论上可能需要访问全员薪资数据，但当普通员工提问时，它只能回答这个员工自己的薪资情况；当 CEO 提问时，它才可能基于权限返回全局信息。也就是说，智能体需要完整上下文，但输出必须根据提问者身份动态裁剪。
这不是传统数据库授权的一阶问题，而是智能体时代的二阶权限问题。AI 不仅要知道数据在哪里，还要知道在什么场景下、面对什么用户、以什么粒度返回数据。
另一个挑战是访问量。人类分析师做报表，可能只是发起有限查询；但一个智能体为了完成任务，可能连续调用工具、搜索数据、验证结果，并发起 10 倍、50 倍甚至更高的查询和计算请求。闭门会中提到，企业现有基础设施并不一定准备好承受这种负载。某种意义上，当每个员工背后都有多个 agent，企业系统面对的「用户数」会被重新定义。
这也是 Cloudera 所说的 AI re-architecture 的核心。企业不是简单为 AI 加一个应用层，而是要重新思考数据、计算、权限和治理如何支撑智能体规模化运行。
公开调研也在印证这一点。Cloudera 最新全球调研显示，95% 的企业在过去一年中曾因数据治理、合规或监管问题推迟或取消 AI 项目，72% 的受访者认为现有数据架构需要显著改造，才能满足未来 AI 需求。闭门会中也提到，很多企业数据还没有准备好给 AI 使用，数据质量和数据优化过去被推迟的问题，正在因为 AI 被重新放大。
对大型企业来说，安全和主权同样是第一优先级。刘隶放专访中提到，很多客户愿意调用外部模型能力，但不希望企业数据被用于训练，也不希望敏感数据离开自己的安全边界。更现实的做法是：模型可以外部调用，但企业要在内部建立网关、语义层和权限控制，把真正的业务语义和敏感数据留在自己的环境中。
这意味着，企业 AI 的关键不是把所有数据喂给模型，而是在数据和模型之间建立一套可治理的连接方式。
混合架构，成为大企业的现实选择
过去几年，云计算的一个重要逻辑是把数据和应用迁移到云上。但进入 AI 时代，这一逻辑开始被重新审视。
闭门交流中，Cloudera 高管提到，三五年前很多企业的方向是「everything to cloud」，但现在因为成本、安全和数据主权要求，越来越多企业开始评估混合架构，甚至把部分 AI 工作负载重新放回数据中心。
这并不意味着公有云不重要。相反，公有云在弹性计算、短周期任务和快速试验方面仍然有明显优势。但对于长期运行、高频访问核心数据、强监管的 AI 工作负载，本地数据中心、私有云、主权云和边缘环境会重新获得价值。
AI 成本是推动这一变化的重要原因。闭门会中多次提到，企业现在最难预测的是 token 和推理成本。试点阶段，团队可以快速调用云上模型；但当 AI 应用扩大到全员使用、生产流程和客户场景时，成本会迅速放大。CFO 不只关心模型单价，而是关心整体 TCO 是否可控。
这也是私有 AI 工厂和主权 AI 需求升温的背景。闭门交流中提到，一家拥有 80 万员工的大型咨询公司正在组建 5000 人规模的私有/主权 AI 专门团队。大型咨询公司不会轻易进入一个没有需求的市场，这个数字本身就是一个信号：企业 AI 的下一阶段，很大一部分交付会围绕私有化、主权化和混合基础设施展开。
Cloudera Anywhere Cloud 正是围绕这一趋势推出。它强调「write once, deploy anywhere」，让企业能够在公有云、本地数据中心、边缘环境和主权基础设施之间，根据工作负载需求部署 AI 和数据服务。其核心不是让企业把所有数据搬到一个地方，而是把 AI 和计算能力带到数据所在的位置。
这对大型企业尤其重要。因为它们不是一张白纸，不可能因为 AI 出现就推倒所有系统。很多关键负载是 24×7 运行的交易系统、风控系统、核心数据湖和工业系统，不能为了创新应用频繁中断或迁移。闭门会中提到，Cloudera 为 Cloudera platform 提供 6 年长期支持，并在过去 12 个月将内部产品安全团队扩大到 3 倍，正是为了回应客户对安全补丁、长期稳定和核心系统连续性的要求。
与此同时，Anywhere Cloud 也承担新的 AI 创新任务。它可以与现有 Cloudera Data Platform 并行运行，让企业在保留核心数据资产和稳定负载的同时，快速部署新的数据服务、AI 引擎和生态组件。对于已经迁移到云上的客户，也可以在数据中心部署推理能力，改善 AI 推理的 TCO、隐私和控制权。
换句话说，混合云不是折中，而是企业在成本、效率、安全和主权之间重新找平衡。
组织能力，决定 AI 能不能从 demo 进入生产
企业 AI 落地还有一个容易被低估的问题：人。
刘隶放专访中提到，当前真正稀缺的是能够打通 AI 和业务的人。一类人懂模型和算法，但不一定理解业务流程；另一类人懂行业和应用，但对 AI 技术边界的理解跟不上。企业需要的是能在二者之间建立连接的人。
闭门交流中，Cloudera 也提到 FDE（Forward Deployed Engineer，前置部署工程师）模式。FDE 不是传统意义上的客户成功，而是能够深入客户现场，理解平台、AI 应用和业务流程，并参与从需求调研、原型构建到生产上线的复合型技术角色。据介绍，这类人才在市场上非常稀缺，年成本可能达到 75 万美元。
这个数字说明，企业 AI 落地的难点不是「买到工具」，而是「谁能把工具放进业务」。当企业已经购买 AI 工具、做了多个试点后，董事会和管理层会继续追问：哪些用例真正上线了？哪些产生了 ROI？哪些可以复制到更多业务线？
Cloudera 希望通过 FDE、合作伙伴生态和 AI Marketplace 回答这一问题。闭门会中提到，Anywhere Cloud 设计伙伴申请超过 90 家，但 Cloudera 会筛选具备明确团队、明确 use case 和明确硬件计划的客户参与早期共创。这一筛选逻辑也很能说明问题：AI 落地不能只是「想试试」，而要有清楚的业务场景和资源准备。
从产品到组织，Cloudera 给出的答案可以概括为三层：底层是统一数据治理和混合部署能力，中间是开放的生态组件和 AI Marketplace，上层是更靠近客户业务现场的 FDE 与合作伙伴交付体系。
这也是企业 AI 从热潮走向生产后必须补上的部分。模型提供能力，但数据决定质量，架构决定成本，治理决定安全，组织决定能不能落地。
对于 Cloudera 来说，机会也正在这里。它长期服务的客户，正是那些拥有复杂历史系统、关键数据资产和强合规要求的大型企业。在 AI 时代，这些看似沉重的企业数据资产，反而可能成为它们最重要的竞争基础。
当企业不再只是追逐最新模型，AI 的问题就重新回到数据本身：如何组织数据，如何保护数据，如何让数据被模型理解，又如何让 AI 的输出进入真实业务。
这不是一个更酷的 demo 能解决的问题，而是一套系统工程。真正的企业 AI，也正是在这个阶段开始。
