最近，“AI 就绪的数据基础设施”这个词变得非常重要且频繁出现。
这似乎不仅仅是指：
“搭建 DWH”、“设置 BI”或者“把内部数据放入 RAG”。
阅读了几篇文章并整理思路后，AI 就绪的本质意思是：
一种状态，AI 能够安全地参考、正确解读数据，并将其用于业务行动。
首先，一个主要前提是，AI 编写 SQL 的能力与 AI 正确回答业务问题的能力是不同的。
“AI 就绪”数据基础设施的两大组成部分
1. 数据准备
使用类似 Bronze / Silver / Gold 的奖章架构，将原始数据整理成能够经受分析的粒度、质量和结构。
2. 提供数据上下文
通过语义模型和本体论，让 AI 能够理解数据的含义、关系以及业务规则。
这一点极其重要，仅仅把表格丢给 AI 是不够的。
“什么是收入？”是否包含退货？哪个客户 ID 应该关联到哪个合同 ID？哪个部门的定义是正确的？如果没有这些业务上下文，AI 会给出看似合理但实际上偏离目标的答案。
Finatext 文章中提到的 Snowflake Summit 讨论也是类似的。
在 AI 时代，数据管道的重要性实际上增加了。即使 LLM 变得更智能，如果输入数据的新鲜度、准确性和结构性不足，输出质量也会遇到天花板。有趣的是，Snowflake 的方向正转向减少开发、部署和监控中的摩擦，而不仅仅是“增加功能”。
AI 会创建 DAG、构建管道、编写代码。在那个世界里，人类的工作从“任务”转变为“设计正确的数据产品”。
另一篇面向初创公司的文章也很有启发性。
初创公司的数据往往分散在产品数据库、CRM、电子表格、Slack、Notion 和支持工具中。
起初还能运转。
但当你想把 AI Agent 集成到运营中时，这种碎片化就成为了瓶颈。例如，销售 Agent 需要同时查看 CRM、使用日志、合同信息、询问记录和过去的提案材料。客服 Agent 不仅要看询问内容，还要看客户的使用状态和过往互动。管理层支持 Agent 应该能检测 KPI 的变化，并整理原因和后续步骤。
简而言之，AI Agent 需要的是 上下文，而不仅仅是数据量。
仅靠结构化数据是不够的。
会议纪要、Slack 讨论、Notion 规格说明、客服记录、丢单原因、案例研究等非结构化数据，也成为 AI 理解业务的重要材料。
基于以上，我认为一个 AI 就绪的数据基础设施需要以下五点。
1. 可靠且已准备好的数据
2. KPI 和业务术语的定义
3. 结构化与非结构化数据的连接
4. 权限管理和范围控制
5. 追溯答案和建议依据的能力
具体来说，我认为下一代 BI 将会很重要。传统的 BI 是人们去仪表盘上查看的东西。但是当 AI 就绪的状态建立后，就会转变为 AI 主动发现异常、调查原因并建议下一步行动的形式。
这接近于所谓的推送式 BI。
然而，推送式 BI 的关键不在于通知本身。
如果只是把“销售额下降了”贴到 Slack 上，那只是一个警报机器人。真正需要输出的是：
- 哪个 KPI
- 相比平时情况如何
- 变化了多少
- 可能的原因是什么
- 查看了哪些证据
- 谁应该做什么
要做到这些，仅靠 DWH 是不够的。
需要度量定义、数据目录、业务知识、RAG、权限和反馈循环。AI 就绪的数据基础设施并不是简单地把数据交给 AI 的状态。而是 AI 理解业务上下文、依据证据做出判断，并引导人类采取下一步行动的状态。
未来的数据基础设施将从单纯的“可视化”平台，转变为 AI Agent 进行判断、建议和执行的“业务操作系统”。
顺便一提，数据基础设施领域的两大巨头 Snowflake 和 Databricks，最近巧合地宣布了关于 2027 年的计划。未来负责数据的人，可能更接近于数据架构师 x AI 总监，而不是仅仅实现 SQL 和 ETL 的人。o11y 也是一个主题。
参考文章：
- Finatext Tech Blog：Snowflake Summit 2026 / 面向 AI 就绪数据的智能管道开发
https://zenn.dev/finatext/articles/6c5f6a7f7862e4
- Qiita：什么是 AI 就绪的数据基础设施？
https://qiita.com/ayumito/items/746fc38b5675869b96a0
- Zenn：整理 AI 时代初创公司所需的数据基础设施
