CIO和其他C级高管认为他们的企业的数据已经为AI做好了准备，但更接近IT流程的副总裁们却发现，关键业务决策所依赖的数据质量很差，这是CIO们必须重视的一个盲点。
就许多C级业务和IT高管而言，他们的公司数据状况良好，能够支撑数据驱动的决策，并交付AI解决方案。
但根据IT咨询公司Softserve最近的一项调查，IT领导离数据越近，他们对数据质量的信心就越低。该调查发现，近一半的大型企业C级高管(包括C级IT领导)认为他们的企业数据已完全成熟，而这一比例在总监级的数据和AI领导者中仅为37%。
专家警告称，C级高管与副总裁和总监级IT领导之间的这种数据信心差距，可能会在培训AI模型或推出其他数据驱动计划时引发重大问题。
此外，68%负责AI或数据管理的副总裁发现，他们的公司总是或大多数时候都是基于劣质数据做出决策的，相比之下，这一比例在C级IT领导中仅为47%。
密歇根大学创新与技术学院的教授蒂莫西·贝茨(Timothy Bates)表示，出现这种差异并不奇怪，因为C级高管往往只能看到IT问题的PPT级摘要，包括数据质量。“高管们看到的是仪表盘——干净、汇总、完善，”贝茨说，“总监们看到的是后端——断裂的管道、不一致的定义、缺少上下文的警报。”
贝茨曾任联想和通用汽车的CTO，他在通用汽车看到，C级高管和总监级IT领导对IT问题的看法截然不同，总监级IT领导经常指出C级高管看不到的问题。
“总监们并不是在悲观;他们看到了仪表盘中没有显示出来的差距，”他说，“总监们在信心评估上往往更准确，因为他们一直在系统中工作，而不仅仅是审阅汇总报告。”
IT管理层之间的数据可见性差距之外，质量问题往往还源于拼凑而成的IT基础设施，许多公司使用多个IT供应商的产品来实现所需的功能，Aidora(一家开发AI驱动的人力资源软件的公司)联合创始人兼CTO阿南特·阿加瓦尔(Anant Agarwal)表示。
为了运行一个内部工具，一家公司可能会使用一家供应商的云服务，第二家供应商的数据库API，第三家供应商的缓存服务，第四家供应商的AI工具，以及第五家供应商的登录服务，他说。
“从本质上讲，不同供应商拥有的多个小型软件组件都在共同构建产品，”他补充说，“所有这些系统都会生成自己的数据，需要付出有意识的努力，将所有生成的数据流入一个带有适当注释的中央数据湖，以便弄清楚权限问题。”
然后，内部服务完成后，IT团队就会着手下一件事，阿加瓦尔说。
“一旦功能构建完成，团队就会将项目标记为已完成，并发送通知邮件，而没有动力去确保所有数据都能正常流动，以便将来使用，”他补充说，“团队往往重视短期成果，而忽视长期前景。”
这种重点可能会随着时间的推移侵蚀企业的数据基础。缺乏足够的数据管理策略资金，以及重视数字化而非数据化举措，只是阻碍大多数企业数据驱动项目的其他问题中的几个。
AI热潮
过去两年，随着许多公司急于采用GenAI工具，数据质量问题变得更加严重，Softserve大数据与分析助理副总裁罗迪翁·米罗诺夫(Rodion Myronov)表示。
“当董事会向C级高管询问这项技术时，人们自然会觉得有义务拿出点东西来，”他说，“你不能说，‘不，我不知道我们能用它做什么。’”
他说，许多公司启动了GenAI项目，却没有明确要解决的问题，也没有清理项目成功所需的数据。在某些情况下，内部数据仍然分散在许多数据库、存储位置和格式中。
当公司启动AI项目而不收集和清理数据时，它们就会让自己陷入AI幻觉，可能导致巨大的业务失误，IT解决方案提供商TEKsystems的CTO拉姆·帕拉尼亚潘(Ram Palaniappan)表示。
“如果我有一个基于AI的收入报告，并把它放在董事会面前，但由于某种原因，我遗漏了一个地区，人们对你的报告就会更加不信任。”他补充道。
围绕GenAII的初期公关炒作导致了许多仓促上马的项目，而这些项目未能使用正确的数据，他说。“AI的公关宣传正在赶上C级和副总裁级高管，”帕拉尼亚潘补充说，“但在实际执行时，处于执行一线的总监和经理们看到了所有这些差距，他们现在正在指出来。”
劣质数据引发的问题
缺乏优质数据会引发几个问题，Aidora的阿加瓦尔说。即使是CIO，也可能会在数据尚未准备好的情况下要求构建新产品，这会导致IT领导因一再推迟时间表而显得无能，或者将负担转嫁给员工。
“团队可能会被催促去构建他们可能还没准备好构建的下一组东西，”他说，“这可能导致计划失败、交付严重延误或团队精疲力尽。”
为了弥合这种数据质量信心差距，公司应该更加注重在企业图上的透明度，帕拉尼亚潘建议。较低层级的IT领导可以通过为IT计划创建详细路线图来帮助CIO和C级高管了解企业的数据就绪需求，包括解决数据问题的时间表，他说。
“采取‘爬、走、跑’的方法来推动其朝着正确方向发展，并制定出路线图，”他说，“评估你的数据成熟度以执行路线图，然后逐步改进。”
Softserve的米罗诺夫补充说，公司需要强大的数据基础，包括专注于业务案例、数据可访问性和数据安全的数据策略。
他还建议，企业应该在AI和其他数据驱动项目中聘用怀疑论者来指出潜在的数据问题。
“如果你看看任何概念验证(POC)，甚至不是谈论AI，以及运行它的团队，你会发现有投入的人，他们相信结果会实现，”他说，“你不会找到在软件开发中担任质量保证(QA)角色的人，那些试图找出缺陷的人。”
如果没有员工担任POC怀疑论者的角色，公司可能会在最终失败的项目上花费太多时间和金钱。快速失败是一个更好的结果。
“有些开发人员只看到阳光明媚的场景，”他说，“优秀的开发人员专注于构建有用的东西，但还应该有一个完全不同的角色，只专注于找出不起作用的东西。”
