AI 願景和 AI 準備程度之間的差距
談到 AI，大家從不缺乏雄心壯志。這體現在每一次董事會對話、每一份策略文件、每一個預算週期中。AI 不再只是新奇的專案，而是列入具有實際預期目標的專案。然而，真正能以一致、可重複、能與可靠商務成果掛鉤的方式來執行 AI 的組織卻寥寥無幾。
準備程度的問題在於，我們傾向於將這件事當成里程碑：只要達到這個目標，就可以繼續往前邁進。但實際上，只有當系統需要持續運作，資料必須流動，必須持續輸入模型，必須落實治理，還有所有在試點階段看起來乾淨且井然有序的事物，突然必須在大規模環境下運作時，準備程度才真正受到考驗。
作為產業，我們不斷說組織正在為 AI 做好準備，但仔細觀察就會發現，目前進行的資料準備對談，實與十年前並無兩樣，只是現在擁有更好的工具、更強大的運算能力，以及更高的期望。
AI 準備程度不容忽視的核心問題
大家在談論 AI 準備程度時，指的通常不是同一東西。很多時候，這只是行銷簡報、策略會議上隨口說說的籠統口號，聽起來好像只要買對平台，把資料搬到對的地方，就能達成以上目標。但現實卻非如此，那些被認為早已準備就緒的，往往只是剛開始做準備工作而已。老實說，這樣講都還太客氣。
大家還記得「大數據」嗎？多樣性、速度和容量是我們當時常說的三大要素，整個行業花了幾年時間加蓋系統來處理這三件事：更多資料、更快速的資料、以及更多種類的資料。直到現在，我們還保留著當年的某些習慣，很多組織依然把自己手上握有多少資料，當作他們已經準備好迎接 AI 的證明。
不過，就像我們之前學到的教訓，如果資料本身不能被信任、也沒辦法用，那擁有再多資料都沒用。目前資料大多是碎片化、不一致，很多時候資料的結構和治理方式，都讓人根本無法好好利用——《富比士》的調查就顯示，有將近 40% 的組織對自己 AI 模型的輸入和輸出沒有信心。因此，碎片化資料不只沒辦法幫 AI 加分，反而會帶來危險：要是資料本身是錯的，AI 不但不會幫忙修正，反而會把錯誤擴大。金融服務業比其他行業都更懂這個道理，原因是資料品質和碎片化，正是他們在部署 AI 時遇到的最大絆腳石。
組織往往把購買平台等同於準備好使用它，原因是採購本身還算容易。但真正困難的地方，在於改變大家工作的方式、決策方式和資料治理，而這正絕大多數工作仍需努力的地方。如果組織內部對目標、原因兩者還未達成共識，那麼技術本身並非關鍵。
那麼究竟什麼才是真正的 AI 準備程度，實際上我們在談論的又是什麼？
假設我們對準備程度的要求，只停留在匯入資料、部署平台和啟動試點項目，那這個標準實在是太低。這也就是為什麼很多專案在想更進一步時，許多專案就會在這裡卡住。
又是管道，又是資料，還有平台，天啊！
管道建好、資料匯入，平台也部署就緒。表面上，一切看似完美無瑕，畢竟還在白板規劃時，狀況向來如此。然而，一旦必須跨越試點階段並落實執行，專案就會開始以難以診斷的方式崩解，或者陷入停滯，原因就在於純就技術層面而言，其實沒有任何硬體或系統真正「發生故障」。
這就是當前許多 AI 專案的現狀，研究已明確證實這個不容忽視的現象。Hitachi Vantara 和 FSTech 的研究指出，金融業已將物件儲存空間納入 AI 和分析策略，有將近 43% 的企業更將其列為業務核心。表面上看這像是進步，實則不然：逾半數企業仍是選擇性地落實策略，只支援單一工作負載，並未將其視為統一的資料基礎。各個元件看似就緒，卻沒有為了支援實際執行而協同工作。
此外，也將近 65% 的企業在選擇儲存空間平台時仍首重成本，這在平台只會使用資料保存、擴充時固然合理。但當平台必須支援主動式 AI 工作負載時，這便成為致命傷，原因是資料的存取性、整合性、中繼資料和治理能力，此刻已與容量同等重要，甚至更為關鍵。
儲存空間準備程度的陷阱
願景和準備程度的落差並非單一故障所致，而是源自一連串決策的累積。這些決策個別來看，完全合理，但當系統必須整體運作時，卻難以維持。在財務上，企業砸重金投資承諾能加速發展的工具和平台，卻對其依賴的底層資料基礎投資不足。許多企業也可能看錯成功指標，如同哈佛商學院專家建議，應將逐步導入 AI 視為成功的訊號，而非期望一夜改變。真正的問題可能就出在：
- 架構：混合環境已成必然趨勢，這折射出金融業資料主權、監管控制和擴充性必須共存的現實。但這些環境也衍生出資料移動、延遲和一致性的複雜性，在這些問題真正變成拖慢整體進度的絆腳石之前，往往很容易被企業低估。
- 營運：資料量雖龐大，卻往往碎片化、重複、難以重複存取。這導致每次面對新的使用案例時，都必須重新建置資料管道，因無法納入持續運行的系統中發揮綜效。
- 治理：控制措施常流於事後補強，雖保護資料，卻也提高使用門檻。尤其當各環境政策不一，或必須仰賴手動干預才能操作時，問題更為顯著。
- 組織：所有權分散於缺乏協調的團隊，導致系統本身也反映出這種碎片化，即便當初的意圖是建構出具有凝聚力、能高效協作的解決方案。
此刻，儲存空間是在 AI 計畫停滯時最容易被忽略的因素，反而成為問題核心。畢竟，最初是被設計用來處理的工作，根本不是目前被要求承擔的 AI 任務。
金融業多數物件儲存空間環境皆著重於成本效益、長期資料保留，這讓金融業者能夠有效地擴大維修海量、非結構化資料。但 AI 徹底改變這項預期，目前的資料必須具備可存取、可探索、受治理等特質，能深度融入持續執行的工作流程中。
當這種情況未能實現時，最終得到的資料，將流於技術上可用、實務上卻殘缺無用；其儲存方式雖符合法務遵循規範，卻造成存取壁壘。公司的組織方式也只反映出資料的來源，而非真正的使用需求。
這種情況在混合環境中尤為明顯，資料散落於效能特徵、治理模型和存取模式各異的環境，導致每次的資料互動都會產生些許開銷。一旦進入大規模運作，這些微小成本便會呈指數級迅速堆疊。
成功縮小差距的企業未必做革命性的突破，但他們正改變對資料和儲存空間的思考方式。他們不再將儲存空間視為純粹的資料倉庫，而是理解到儲存空間本來就攸關資料的移動和使用方式。
這種新思維體現在以下環境：中繼資料是首要功能而非事後補充。治理嵌入資料層而非外部應用，資料無需多次複製即可存取與重複使用，系統旨在支援持續運行，而非流於孤立的管道。
Hitachi Vantara 的觀點
AI 的失敗絕非企業缺乏想法、用例或技術，而是底層系統難以用一致、可擴充、可持續的方式落實執行。在現狀改變前，AI 雄心和準備程度的落差將難以弭平。這不單只是企業不夠努力，而是他們實際上並不如自己想像中那般萬事俱備。
透過混合雲架構、現代化韌性框架和 AI 就緒的資料系統，金融機構可以藉由 Hitachi Vantara 獲得單一資料基礎，支援目前的營運確定性、未來的可擴充創新技術。VSP One Object 不只具備韌性和可擴充性，更具備智慧和可組合性，早已準備好支援現代化資料策略。
