代理AI，即自主使用AI来执行特定任务，去年成为数据管理和分析领域的主要趋势。

元数据管理专家Collibra公司联合创始人兼首席数据公民Stijn Christiaens表示，这个趋势将在2025年继续下去。但代理AI的更广泛应用不会是今年唯一增长的数据管理和分析趋势，在1月22日由Collibra主办的网络研讨会上，他概述了他预测的2025年的五个主要趋势。

Christiaens表示，使用AI来自动化某些决策将获得动力。数据作为产品的概念也是如此（即数据需要被视为的资产，而不是信息，数据需要可轻松操作以获得决策信息和采取行动），以及数据市场的部署来整理甚至货币化数据。

与此同时，对治理的强调将支持分析和AI产品的日益使用，确保用于训练AI应用程序的数据质量以及部署后AI的正确使用。

Christiaens说，随着AI发展的浪潮，治理的话题比以往任何时候都更加主流。“十年前，只有专家在谈论数据治理。而现在，随着AI的发展，越来越多的人开始讨论数据治理。”

以下是Christiaens预测的2025年5个数据管理和分析趋势：

1. 数据市场的出现

很多企业部署数据目录来整理和管理其数据。

数据目录是软件应用程序，它使用元数据清点组织数据，使其可被发现，以便工程师和开发人员可以找到所需数据以创建报告、仪表板和其他可用于决策的工具。此外，数据目录允许企业制定数据治理措施，这些政策和控制措施同时避免企业违反法规，同时使用户能够自信地处理数据。

数据目录最常用于连接到存储在数据湖、仓库和其他存储库中的数据，以便发现和使用。

但根据Christiaens的说法，还有另一种使用目录的方法。与其在数据堆栈中，专注于元数据，数据目录可以面向数据消费者，专注于数据产品，例如报告、仪表板和现在的生成式AI应用程序，使数据更容易找到，以便能够满足业务需求。

Christiaens说：“这是一种将数据目录视为市场的方式。内容是数据产品，而不是元数据，受众是分析师或数据公民。这里的目录可能是相同的东西，但看待它的方式是不同的。”

Collibra公司价值咨询高级总监Dmytro Lugovyi在该供应商的网络研讨会上表示，从本质上讲，将数据目录视为数据市场，从专注于数据收集转向分析师和其他用户的数据使用。

他说：“数据市场将重新定义企业如何管理其数据。”

除了帮助分析师和其他业务用户更轻松地查找和操作数据资产外，使用目录作为市场（而不是元数据管理工具）可以更好地使企业将数据资产货币化。

数据有价值，可以出售。但根据Christiaens的说法，这只是将数据货币化的一种方式。此外，它可用于改进出售给第三方的核心产品和服务，并开发可以向他人推销的见解。

Lugovyi说：“在这方面，很多公司都有很大的机会。”

2. 企业将数据视为产品

随着数据市场的出现，数据管理和分析的另一个上升趋势是将数据视为一种产品，而不仅仅是信息的集合。

虽然市场是对数据产品进行索引和销售的一种手段，但产品本身是工具，可以为业务决策提供信息，给企业带来增长或出售给第三方以创造新收入来源。

近年来，由于数据网格作为数据管理架构的兴起，企业将数据和分析产品货币化的尝试越来越多，以及首席数据官角色的演变，将数据视为产品已经成为一种重要趋势。

Christiaens说：“市场上正在发生各种事情，使这变成现实。”

但正在发生另一件事，这将加速将数据视为一种产品，一种资产，而不仅仅是一种信息来源。这件事就是过去两年生成式AI开发的兴起。

自OpenAI于2022年11月推出ChatGPT以来，企业在开发生成式AI应用程序方面的投资激增，因为生成式AI可能使员工更智能、更高效。然而，生成式AI完全依赖企业的专有数据对该企业有价值。

它需要使用专有数据进行培训，以了解业务、回答问题，并承担某些重复性任务。因此，生成式AI应用程序（例如报告和仪表板）是数据产品。

Christiaens说：“对我来说，AI现在是生成式AI。这意味着AI项目的浪潮正在发生，而AI是针对你自己数据进行培训的产物。”

他继续说，随着生成式AI应用程序在有效数据产品中，它们需要被管理，就像数据和数据产品被管理一样。

用于训练模型和应用程序的数据必须受到管理，以确保其准确和完整，就像报告或仪表板一样。由此产生的产品需要受到监管，以便其得到适当使用，这意味着建立所有权，以便有人对其负责，并实施其管理和使用流程。

Christiaens说，“当涉及到所有权、流程甚至质量时，AI的质量只会与你输入的数据一样。如果你给它提供低质量的数据，不要指望它变得更智能并清理数据，它不会知道怎么做。”

3. 自动化决策增加

除了回答用户问题外，生成式AI可以被训练，以承担以前必须由人类执行的重复性任务。

例如，生成式AI应用程序可以被训练为创建数据管道，将数据从数据库、数据仓库、数据湖和数据湖屋移动到为业务决策提供信息的应用程序。同样，生成式AI可以负责数据可观察性，即监控数据在整个管道中移动的过程，以确保其保持高质量。

这都是耗时的任务，当自动化时，开发人员和其他数据专家的效率会更高。据Christiaens称，因此，更多AI驱动的数据管理和分析任务自动化将成为2025年的趋势。

然而，根据Lugovyi的说法，企业需要克服一个问题，才能从通过生成式AI增强的自动化中受益：很多员工害怕将流程转给机器。

他表示：“自动化让人们感到害怕，如果有人做了某事，你可以去找那个人谈，询问他们为什么要做某事并进行讨论，但赋予AI自主权可能就不是这样。”

Christiaens补充说，这种恐惧是更多企业没有采用AI的原因之一。

他说：“恐惧和不确定性是企业拒绝自动化解决方案的原因。如果我们不知道某物是如何构建以及它是如何运作，就会感到害怕。这种不确定性是旧的AI项目和新的项目在投入生产方面如此具有挑战性的原因。”

Christiaens预测，这种恐惧可以（而且会）被克服。

变更管理将发挥作用，透明度是其中的关键部分。

如果一个高管每天做出200个决策，有些是好的，有些不好。但还是有时间去审查这些决策，再采取任何行动。而自动化系统每秒可以做出数千个决策，并立即采取行动。

治理不仅能产生高质量的数据，而且还显示数据的来源，以便人类能够了解用于通知自动化流程的数据，这是关键。正是它提供透明度，带来信任。此外，问责制很重要，有人负责监督AI模型和应用程序的性能，以确保它们准确和最新。

Christiaens说，“最终，我们过去学到的很多数据治理实践适用于我们面前的AI挑战。”

尽管如此，他承认，平衡AI驱动的自动化的实质性好处与外包流程的风险是一项微妙的任务。

4. 代理AI扩大其影响力

据Christiaens称，正如整个2025年使用AI实现流程自动化将成为更主流的数据管理和分析趋势一样，AI代理今年将变得更加普遍。

从某种意义上说，代理是聊天机器人的进化。聊天机器人允许用户使用自然语言提问和接收反馈。有些人也可以提出建议。实际上，他们是助手，帮助员工做出更明智的决定。

代理具有与助理相同的能力，但更进一步，自主执行某些任务并做出某些决定，以节省时间和提高效率。

例如，AI代理可以接受培训，以完成更多文档工作，在测试应用程序时开发人员需要做的工作。此外，他们可以接受培训来创建一些代码。除了工程之外，他们还可以撰写报告摘要，创建演示文稿，并做更多工作来节省人们的时间。

因此，研究和咨询公司Gartner预测，到2028年，三分之一的企业软件应用程序将包括代理AI功能，而在2024年不到1%，另外，大约15%的工作决策将由代理而不是人类做出。

Christiaens说：“无论是Gartner的预测还是其他数据，代理AI都离我们很近。”

他继续说，在2023年，企业都专注于AI基础设施，包括大型语言模型。去年，这开始转向应用程序本身，包括代理。

Christiaens说：“这是关于可以代表你采取行动的代理AI，那些代理AI将变得非常主流。”

但就像自动化流程必须克服信任缺乏挑战，在广泛使用之前，代理AI也是如此。Christiaens表示，透明度等良好治理是人们信任自动化的关键，也是增加对AI代理信任的关键。

他说：“代理AI是未来，对于代理AI的顺利运行，治理话题变得非常重要。”

然而，信任是障碍，只是因为现在是新技术的早期。当代理AI证明自己的价值并被证明是值得信赖的，它们就会像其他技术一样，最终被广泛接受。

Christiaens指出，一个世纪前，汽车引起人们的质疑。而现在，对于汽车，信任是默认的，而不信任只有在出现问题时才会出现。

Christiaens说：“十年后，对AI的信任将非常普遍。”

5. 企业强调治理

治理支撑着数据市场的成功，使企业将数据视为有价值的产品，以及依靠AI执行任务并做出自主决策。

高质量的数据是数据和AI工具的核心，而治理涉及企业如何最好地制定政策和程序，不仅为了输出高质量的数据，而且还可确保正确使用相应的应用程序。

如果没有治理，市场上的数据和AI产品就无法被信任。AI应用程序执行的流程和决策也不会被信任。

Lugovyi说：“一切都从数据开始——它绝对是至关重要的。那些忘记数据质量和透明度的人将失去竞争力。”

根据Christiaens的说法，治理虽然已经很重要，但在未来几个月内将变得更加重要，并成为2025年数据管理和分析的主要趋势。

对于使用AI助理和代理的人来说，数据和AI治理是解锁生成式AI价值的关键。数据和AI治理还可以将生成式AI扩展到员工使用之外，以承担组织流程，并遵守有关使用数据和AI的法规。

Christiaens说：”我们在构建其他系统时习惯的所有责任步骤，无论是数据湖、数据仓库还是仪表板，都必须应用于AI。这一切都归结为良好的治理。如果没有正确的数据，你就无法拥有AI，所以你必须照顾好你的数据资产。”