Dasa、UTA、Kotak 等企业及白宫数据负责人分享数据驱动 AI 落地的核心经验。
来自 Dasa、United Talent Agency、Kotak、白宫等组织的数据与 AI 负责人，围绕「数据如何驱动更好的决策」这一核心议题分享了各自经验。这些观点并非来自某一家厂商的技术发布，而是多位跨国企业高管在实战中总结的方法论，核心可以归纳为五个要点。
联合人才经纪公司（UTA）首席数字官 Nehhaa Purohit 分享了一个代价高昂的案例：系统监控显示一切正常——可用性达 99.99%，延迟低于 50 毫秒，但「每次推理的收入」连续六个月每月下滑 2%，最终造成约 1400 万美元的损失，监控器却未发出任何告警。
她把这种差距称为「上下文债务」：数据在技术上仍然有效，但在语义上已经过时。正常运行时间衡量的是管道是否畅通，而非管道里传输的数据是否仍然反映现实。判断「一项决策是否更好」，取决于决策发生的那个时刻，数据是否仍然与现实相符。
The Modern Data Company 首席技术官 Animesh Kumar 指出，把治理归类为「防御性支出」是本末倒置的做法：不受监管的数据会拖慢增长速度——因为没有人会信任一个无法追溯的数据源，于是人们会手动重新验证，相当于为每一个后续决策叠加一层隐形成本。解决之道是把治理内建为平台的默认属性，而非可选的额外付费项。
Hosta 数字化转型副总裁 Mohamed Amin 则强调决策延迟问题——洞察与行动之间的滞后。他建议用能直接应用于业务的信号替代原始指标，用少量关键 KPI 替代详尽报告，并为每个指标指定负责人。其逻辑是：可重复性意味着消除下一个决策的阻力，而不仅仅是为当前决策提供信息。
前白宫企业数据战略家、Datafolx AI 首席数据与人工智能官 Dia Adams 的结论很直接：不要再谈技术指标，要谈业务成果。与其说「我们构建了一个数据湖」，不如说「这通过高度个性化实现了 X 美元收入，并将流失率降低 Y%」。她建议对齐营业收入，因为 EBIT 同时反映收入增长与成本削减，而董事会已经信任这一数字。
Nebulyx AI 首席执行官 Jon Cooke 用「防御与进攻」来描述这一取舍：防御是受监管行业不可或缺的版本化、可引用的知识库；进攻则是一组与可直观变化指标挂钩的用例，这些用例彼此叠加，因为干净的数据会让下一个用例推进得更快。
Dasa 数据治理与人工智能负责人 Gabriel Vernalha Ribeiro 提出，问题应从数据产生环节入手：所有项目都必须从一开始就制定数据采集计划与成功指标，否则不予批准。他还强调，要在人们已经在使用的工具中呈现洞察，用「下一步该做什么」替代需要解读的图表。
Cooke 的「决策胶囊」更进一步：在工作流中直接显示建议操作、置信区间与主要驱动因素。Purohit 的版本则会在上下文过时的情况下优雅降级，把决策权交还人工，避免估计约 800 万美元的潜在资金浪费。
Purohit 的招聘筛选标准是第一性原理思维：她把候选人分为「模式匹配者」与「第一性原理思考者」。她的测试题目是——仪表盘显示一切正常，但每次推理的收入却在下降；只关注延迟与错误率的候选人会被淘汰，能识别语义偏差的才会通过。她用一句话区分二者：「一位领导者管理系统，另一位领导者创造价值。」
Cooke 与 Adams 分别用「有界决策空间的架构师」「业务架构师」取代了「数据管道工」这一旧称谓。Ribeiro 的总结则点明核心：文化无法强加，只能培养；只有当糟糕的数据让团队自身的 KPI 受损时，他们才会真正承担起责任。
