据TechRadar于2026年9月14日报道，全球企业在AI上的支出持续上升，但数据基础薄弱正制约AI成效，开放数据基础设施（ODI）被提出作为让数据访问、移动和使用更可控、并支撑AI规模化的架构方向。

TechRadar援引Gartner的数据称，全球超过90%的首席信息官正在增加AI资金投入，AI已成为企业技术支出中增长最快的领域。企业希望整合从实时分析到个性化客户体验的AI工作流，这推动了对数据计划的投资。另有研究显示，企业目前每年在数据项目上平均支出2930万美元，涵盖数据移动、摄取和准备工具、经常性云摄取与计算成本，以及维持数据管道运行所需的内部工程能力。

文章称，支出转向反映了规模化AI的需求。拥有成功AI计划的组织在数据和分析基础上投入可高达其他组织的四倍。但更高预算并不自动带来高质量数据。许多企业仍受数据架构底层弱点拖累，交付速度慢，回报有限。文章提到，73%的组织报告其数据计划未达预期，近62%的组织报告数据成熟度较低，显示企业希望数据与AI计划实现的目标同基础设施能够支持的成果之间存在持续差距。

数据基础薄弱还带来可衡量的企业绩效后果。在大型组织中，由数据管道故障造成的停机每月超过60小时，估计每小时带来5万英镑的业务影响。数据团队也受到影响，超过一半的工程能力用于管道维护，而不是推进新的用例。

为应对这些问题，开放数据基础设施被描述为AI的基础。ODI是一种架构方法，通过共享开放标准让工具和平台协同工作，使组织能更大程度控制数据如何被访问、移动和使用。它不依赖紧耦合的专有系统，而是建立在模块化、基于标准的基础上，将存储与计算分离，让每一层独立演进。随着数据和AI工作负载增长，这种方式形成统一数据环境，使分析和AI能够更高效地扩展。

ODI也被视为对供应商锁定的直接挑战。文章称，行业正出现数据在技术和商业上更受限制的趋势，这些限制常以隐藏成本或依赖的形式出现，推动企业走向特定的封闭生态系统。当AI实体成为组织的主要数据用户时，这个问题会放大。研究显示，现代企业中非人类实体与人类的比例为82比1。要让AI代理与人类用户有效协作，共享的事实来源至关重要。仪表板、操作工作流、机器学习模型和AI代理可能都从同一底层数据提取，却常在不同环境中运行，使用不同定义和模型。定义发生漂移时，可能导致决策不一致、AI输出不可靠和额外工程开销。ODI通过让每个系统，无论人类还是自动化，都获得一致的业务视图来应对这一问题。

文章还称，AI代理生成的查询量远高于人类，但封闭生态系统常将这些查询导向同样昂贵的计算基础设施。只有在开放架构提供选择时，代理才能为成本优化，在合适时选择更便宜的计算引擎。使用旧系统的组织为每条数据管道支付的费用显著更高，在企业规模下乘以数百条管道，会形成持续的大额支出。

文章最后指出，随着AI工具投资继续增加，组织必须提前考虑如何缓解预算和工程资源压力，并确保AI系统持续访问新鲜、可信的数据。现代数据管理需要灵活、可移植和可信。