AI在上半年可以说是火的一塌糊涂，可以说是神话般的存在，但落实到企业的应用场景却发现面临着诸多的挑战，比如数据整合困难、技术适配复杂、成本高昂等问题，其产生的价值并未如预期般显著，导致许多企业对AI的投入持谨慎态度，甚至出现了“叫好不叫座”的现象。今天老杨就来盘点一下AI在企业落地中的矛盾。

AI正在各行各业引发一场深刻的革命，曾经沉淀的数据有了AI引擎才能发挥更大的价值。在Agentic AI时代，AI让CRM这一离“钱”和“人”最近的领域开始实现数据智能驱动。

7月，2025可信数据库发展大会召开，发布的《数据库发展研究报告(2025年)》指出，从竞争格局看，全球市场进入高质量发展阶段，我国数据库厂商数量显著收敛;不少数据库厂商如电科金仓、涛思数据等向AI时代发力……

AI是一场革命，正在影响千行万业，重塑企业竞争格局。7月29日，时序数据库提供商涛思数据发布了首款AI原⽣的⼯业数据管理平台TDengine IDMP，完成了AI+Data的闭环，拉开了时序数据AI变革序幕。

Snowflake 宣布推出 Snowpark Connect for Apache Spark 的公开预览版，这是一款新产品，可让客户在 Snowflake 云上直接运行其现有的 Apache Spark 代码。此举使 Snowflake 更接近其主要竞争对手 Databricks 所提供的服务。

尽管对人工智能的未来充满乐观，但目前很少有组织使用人工智能代理来支持财务和会计任务。仅有13.5%的受访者表示其组织已采用人工智能代理，33.6%的受访者表示他们目前正在开发或计划未来采用该技术，另有7.6%的受访者表示他们不知道什么是人工智能代理。

美国数百万工人表示希望掌握AI技能。近4700万白领专业人士计划在未来六个月内开始学习，这一趋势源于他们认为AI将重塑其工作岗位，无论他们是否做好准备。雇主方面也面临紧迫需求。AI和机器学习工程师的职位预计每年将增长40%。这一增速几乎是所有职业平均增速的100倍。

物流行业指标包括客户服务指标、运营效率指标、业务规模指标、成本与财务指标、可持续发展指标等等

本质上，MCP旨在为模型赋予记忆能力。不仅记住最后一条消息，还保留相关上下文，例如用户所在的应用程序、正在处理的数据类型以及试图完成的任务。这样，模型无需每次提示都从头开始，而是可以基于已有信息启动。

多年来，云计算一直被视为IT基础设施的终极解决方案，承诺提供可扩展性、灵活性和成本节约。各类规模的组织纷纷涌向云端，被其按需付费的定价模式和摆脱本地硬件限制的自由所吸引。然而，一种有趣的转变正在发生：部分组织正将工作负载从云端迁回本地或混合环境。这一现象被称为云回迁，

其实有些新手的数据库知识不见得比老家伙差太多，可能他们也过了OCP/OCM的考试，系统地学习了大量的数据库知识，某些方面的知识可能比我这个没有考过OCP的人都要系统，但是为什么处理起问题来，新手和老手时间的差距还是那么肉眼可见呢？

过去一年，这些企业的数量几乎翻了一番（从9%增至16%）。他们的收入增长比其他企业高出2.5倍，生产效率高出2.4倍，在扩展生成式AI用例方面的成功率高出3.3倍。

TigerData 推出 Tiger Lake，该架构被其称为“代理时代 Postgres 与Lakehouse之间缺失的层”。此次发布是该公司为开发者提供更便捷方式，使其能够同时处理实时数据与历史数据，无需依赖脆弱的管道或延迟批量同步。

我们环境中的许多索引并不是经过精心设计的，它们是被继承下来的，或是为了快速解决性能问题而添加的，或是为了满足临时访问路径而创建的。随着应用程序的变更和数据模式的演变，这些遗留索引可能变得无关紧要、冗余，甚至有害。

航空航天和国防通过多个角度衡量人工智能项目的成功：生产关键绩效指标（吞吐量、一次通过率、周期时间）、成本指标（废品率、维护成本、库存周转率）和项目计划遵守情况。

企业已在部署模型、引入协同助手并获得董事会支持方面取得成功。然而，随着成本攀升、供应商限制显现、控制缺口扩大以及对长期可扩展性的质疑日益加剧，新的压力点正逐渐浮现。

整体上AI的发展经历了三个阶段，从预测式AI到大模型带来的生成式AI，如今走到了Agentic AI时代，众多的AI Agent将更加深入业务场景和流程，也能带来更大的价值。大部分企业对AI还处在摸索阶段，一些问题并没有清晰的答案。比如，如何找到合适AI场景?如何快速落地AI应用?如何让AI更准确?

目前金融机构面临的主流“换脸欺诈”方式包括两大类，一类是呈现式攻击，即在相机前呈现虚假图像以绕过活体检测。另一类是注入式攻击，即从系统层面破解相机，注入预录图像/视频以替换相机捕获的面部画面。

最新调研显示，超过70%的智能体从业者担忧AI幻觉与错误决策、数据泄露等问题，因为AI生成的内容往往包含事实错误，或者对指令产生误解，其中超半数受访者表示，所在企业尚未设立明确的智能体安全负责人。

近年来，“数据建模已死”的论调愈演愈烈。人工智能的崛起，尤其是大型语言模型(LLMs)的兴起，似乎要求使用广泛、非规范化的数据集，这些数据集需要快速生成且易于摄取。这推动了“单一大型表”(OBT)方法的流行——将所有数据扁平化为单一宽表。但这是有问题的