国际数据公司（IDC）于近日发布了2025年V2版本《全球大数据支出指南》(IDC Worldwide Big Data and Analytics Spending Guide)。IDC最新数据显示，2025年全球大数据IT总投资规模约为4,134亿美元，2029年预计超7,497亿美元，五年复合增长率（CAGR）约为16.4%。聚焦中国市场，IDC预计，2029年中国大数据IT支出规模预计为730.2亿美元，全球占比约10%，五年复合增长率约为20.5%，增速位居全球第一。

　　伴随着国家宏观层面对企业数字化转型、智能化发展、新质生产力建设等众多政策利好的推动，大型企业对步入到产业人工智能建设有强烈需求，希望聚力通过大模型等先进人工智能技术快速打造出可用、能用、好用的产业人工智能+应用落地。但现实推进后却发现即使有政策引导及产业多方的强力推动，并围绕人员、技术、资金等需求落实了资源投入之后，人工智能技术在传统产业领域的智能化应用落地却依然出现了效果差强人意的状况。特别是在以央国企为核心的、历经多年的传统信息化建设的大型企业客户侧，面对“数据越攒越多，系统越来越复杂”的状况，都亟需要引入创新的思路视角和技术力量破解好庞杂数据要素的瓶颈卡点。

　　关注于近期国务院发布《关于深入实施 “人工智能 +” 行动的意见》中，提供了更为明确的指导，即人工智能基础设施需以 “数据 - 算力 - 算法”一体化为支撑；同时国家发展改革委、国家数据局、工业和信息化部等部门近期密集出台的《国家数据基础设施建设指引》《可信数据空间发展行动计划》等政策，也均进一步明确制定数据基础设施参考架构，旨在构建以数据为核心的数字经济体系。

　　这里仍需再度明确的是，数据是信息的数字化载体，数据之于智能而言，是智能化发展的重要前提，也是人工智能模型学习和训练的必备。换言之，数据是养料，而智能则是将数据价值得以发挥的应用手段。当下伴随人工智能+的高速推进，国双专家团队认为人工智能+行动的深入将必然对数据的采集、治理、标注和质量再次提出更高的要求，从而进一步助推数据分析处理等基础设施建设的需求再增长。

　　当然，这也并非仅出于对数据工作质量提升的需求，同样源于数字化本身依然处于不断发展、持续完善的“进行时”阶段。以国双多年服务于大型企业数字化转型、智能化建设的经验看，当下在面向智能的数据准备工作上，仍会在一段较长时期内，仍存在更多待完善和优化的数据工作需求。

　　当下面对“人工智能+”带动到的大型企业数字化、智能化建设提速需求，国双专家团队近期有针对性的总结出了如下七项洞察与建议，供业内外专家共享及参考：

　　1.从“传统信息化”到“数字化”并非直接递进关系。企业会由于前期项目建设中的“业务逻辑缺失”、“数据要素化准备”不足等因素导致不可避免的“折返跑”工作量，面临对传统信息化技术不得不继续做的修补、改造和升级的数字化相关的建设工作。

　　2.产业智能化应用建设及落地对数据要素准确及数据资源完整性的要求很高。需要有围绕“数据资源”和“数据技术”构建起的更为扎实的数据采集、数据管理、数据校验等数据治理等前期体系化工作支撑，才能支撑及造就条件去继续开展智能化进阶。

　　3.唯有通过“既懂业务又熟悉信息技术的“行业资深专家团队开展完备的提前谋划、精准引导和全程专业指导，才能做到最大限度规避重复建设困境的再次出现，并通过对数字化基础设施的补充完善，对当下困境予以妥善突破。即使在有效的数据准备基础上，后期步入到由数据科学团队开展数据处理和建模预测，也依然脱离不开行业专家的全程业务指导和保障。“既懂业务又熟悉信息技术的“行业资深专家即可赋能数据科学人员更好识别数据中存在的问题、提供有价值的处理建议，更可提供业务数据标注样本，以及基于业务视角的方案指导，让数据科学和业务逻辑有机融合，让数据建模预测的过程具有“业务可解释性”，同时全程陪伴式的指导才可助力业务用户更好地理解和应用项目成果。

　　4.基于对客户数据和业务需求理解，快速构建智能算法模型的高水平数据科学团队是重中之重。区别于传统的信息化项目，智能化项目对数据挖掘、智能分析、建模预测等需求非常高，既要懂算法、也要会编程、更要深入理解场景需求，技术门槛高，是智能化场景落地的核心资源。一支能与业务专家配合默契，具备快速建模交付的高水平数据科学团队，甚至智能化项目落地的灵魂。

　　5.需要有深厚的大数据、人工智能技术及产品底座做支撑。区别于传统的信息化项目建设，智能化项目规划设计和落地实现，需要充分借鉴利用成熟的智能技术、好用的产品工具。融合自然语言处理、机器学习、深度学习、知识图谱、智能模型、专家系统，拥有统一的软件技术平台功能底座，对智能应用落地、解决业务难点，能起到事半功倍的效果，是确保项目可落地可交付的重要基础。

　　6.优选有针对性的应用场景，需要多部门多团队合作共建。产业智能落地应用项目属于应用驱动的建设模式，不是所有的场景都能落地并取得成效，必须得结合特定用户的应用场景需求、实际业务数据、技术实现复杂性、算力算法情况、用户支持力度等维度，需要甲乙方人员、多领域专家积极协作、业务与技术团队有效融合，反复验证、调优和循环迭代，才能逐步形成特定应用的智能模型和落地应用。

　　7.在企业数字化、智能化水平的建设和推进中，需要重视测试和验证的探索性投入。现阶段随颠覆性技术的出现、以及对应用效果需求的不断升级，数字化与智能化项目早已不能与传统的信息化建设过程同日而语，因整体技术方案的创新复杂性和场景业务的目标灵活性，更为务实的测试机制和校验系统已成为不可忽视的必备工作。首先可通过小范围、短周期的实际检验，聚焦技术原型开发与核心场景展开实验模拟；其次更需要对创新技术方案持续开展可行性的效果验证，即以“边验边建，随建随验”的新机制来保障项目落地的效果和价值，并对建设风险的提前加以及时的干预和控制。