Gartner发布的2026年数据与分析顶级趋势报告显示，AI智能体、语义层进步以及数据与分析平台的融合，将成为引领未来发展的三大核心趋势。对于希望识别关键业务和技术主题的数据与分析（D&A）领导者而言，这些领域是实现高性价比价值、更快成为AI FIRST企业的关键。 

概览

机遇与挑战

AI FIRST企业能够通过战略性方法最大化AI在D&A中的收益，从而超越同行，取得更好的业务成果。阻碍这一愿景规模化落地的因素包括：组织内部碎片化、复杂的IT系统、互不关联的数据孤岛泛滥，以及分析技术。

智能体驱动的数据与分析利用AI智能体加速实时数据的操作闭环，带来更敏捷的运营、精简的数据管理、更高质量的决策和更快的业务价值。但D&A领导者必须克服风险，通过实施决策治理来确保在使用生成式AI（GenAI）并扩展AI工程实践时，获得透明且合乎伦理的结果。

​将语义置于核心可提升AI的理解力。复合语义层和图检索增强生成（GraphRAG）等策略为改善AI智能体的响应质量、一致性和可靠性提供了必要的上下文。上下文工程是一项新兴实践。挑战在于许多组织面临架构碎片化、数据分散在互不通信的系统之间，这阻碍了AI智能体充分发挥潜力。

​D&A平台化用融合的数据管理和AI治理平台取代零散的单用途解决方案，通过一致的策略部署建立信任。以往的技术整合涉及繁琐的迁移，给本地化控制带来了额外挑战。这些因素进一步增加了对灵活且合理化的平台工程的需求，以简化D&A运营。

您需要了解的内容

AI FIRST企业通过将智能体、语义和平台融入其D&A战略而胜过竞争对手。成功的组织将利用统一平台，通过AI FIRST举措推动业务成功。

· ​智能体驱动的数据与分析通过将AI智能体与实时数据流集成到运营中，加速数据到影响的闭环。这使得工作流程更加敏捷、自动化，但需要强有力的决策治理来降低GenAI风险并确保安全结果。

· ​语义核心化对AI的准确性和可靠性至关重要，通过复合语义层和GraphRAG提供上下文含义，消除碎片化架构。采用这些策略的组织可提高AI智能体响应的准确性。

· ​统一的D&A平台可以将数据管理、分析、治理和智能体能力整合到一个更简单的融合环境中，从而创造所需的清晰度以建立信任。这种整合减少了复杂性和冗余，使组织在应对各国日益涌现的往往相互冲突的主权AI战略时，具备所需的灵活性以实现AI FIRST。

战略规划假设

· 到2030年，超过十分之一的企业将成为AI FIRST企业，通过采用智能体、语义和融合的D&A平台超越竞争对手。

· 到2029年，20%的D&A领导者将拥抱智能体驱动的数据与分析，由AI智能体自动完成数据管理和数据流处理，以及用于安全的决策治理。

· 到2028年，采用复合语义策略结合GraphRAG以降低推理成本的组织，将使其智能体AI的响应能力和可靠性提升50%。

· 到2030年，超过50%的企业将利用一个融合数据、分析、治理和智能体功能的单一平台，推进其AI FIRST战略。

专家洞察

AI FIRST企业由D&A平台、智能体和语义核心化赋能

根据Gartner 2026年首席数据和分析官议程调查¹，越来越多的D&A领导者现在是“以AI为中心”而非“以技术为导向”。要获得一项明确利用AI的战略承诺，利用这种自我改进和自适应的技术做出更好的决策、采取行动并大规模创造新型价值。

​成本压力不会阻止AI，但在语义和工具孤岛上偷工减料会阻止AI价值的实现。​​

您应从这些顶级趋势中获得的关键教训是：在2026年，在迈向AI FIRST企业的过程中，需要聚焦于这些主题。立即选择您的首要趋势，并使用演示材料、图表、预测、证据点、真实案例、建议和事实依据来展示远见和思想领导力。

行动概述

“AI FIRST”是一种指导企业及其部门最大化AI收益的战略方法。

AI FIRST企业是指整个组织承诺采用AI FIRST战略的企业，即在核心决策和投资中始终将AI与其他选项一并考虑，并在最合理的时候使用AI，以此最大化AI的收益。

本研究的执行层面洞见是：2026年的D&A趋势由三大主题驱动：​ 智能体驱动的数据与分析、语义核心化和D&A平台化，如图1所示。

​图1. 2026年数据与分析顶级趋势​

智能体、语义和平台塑造了2026年AI FIRST企业的趋势，包括智能体驱动的数据管理、复合语义层和AI治理平台。这些主题的结合推动了上下文感知分析和稳健数据管理的进步。

关于AI FIRST企业的更多详情，请参阅《AI FIRST解读：含义、重要性及行动时机》和《IT 2030：用AI重塑IT以实现长期成功》。

研究亮点

智能化D&A

来自：Ramke Ramakrishnan

智能体驱动的数据与分析是一种AI FIRST的战略和运营模式，它推进AI智能体在D&A运营中的有效部署，并为其性能建立信任基础。

企业采用智能体驱动的数据与分析，以便组织资源和AI无缝协作，适应并优化数据驱动的决策和结果。

智能体驱动的数据与分析是构建真正AI FIRST企业的基础。通过部署AI智能体来管理完整的数据到行动的闭环（通过智能体数据管理），利用智能体数据流实现实时数据流动，并强制执行稳健的决策治理，组织可以实现灵活性、可扩展性和信任。

智能体驱动的数据与分析涉及受治理的数据和分析端到端自动化。它将D&A的功能演变为对AI智能体比对人类更有用。它优先考虑机器消费，即AI赋能的非人类参与者访问服务并代表人类团队、客户或组织行事。参见《AI智能体采纳如何改变数据与分析战略和运营》。

智能体驱动的数据与分析是优化数据到执行闭环的下一个浪潮。通过在资源稀缺的地方集成AI智能体，组织通过敏捷的D&A运营最大化业务价值。

智能化D&A赋能AI FIRST企业

智能体驱动的数据与分析通过使用AI智能体驱动智能体数据管理和智能体数据流，并辅以稳健的决策治理，为AI FIRST企业奠定基础。将AI智能体集成到数据管理工作流程中，可以对整个数据生命周期进行自主和自适应监督。它还通过智能体数据流促进实时数据流动和响应能力，确保高速、近乎实时的数据无缝到达下游分析和AI系统。此外，由于应用了决策治理，每项决策仍然可解释、可问责、透明且合规。

​证据点：​​

· 根据2025年Gartner软件工程AI调查²，对AI智能体的评估主要通过三个指标：任务执行质量、用户反馈和整体用户体验。

· 根据2024年Gartner探索数据、分析与软件开发交集调查³，使用共享数据服务构建AI智能体的组织比不使用共享服务的组织使用了更多样化的技术组合，包括事件流（41%）和事件流处理（25%）。

· 随着AI智能体承担更多的决策自动化，人类监督的必要性显而易见。基于2024年Gartner决策智能调查⁴，76%的IT和商业领袖已将决策监控和治理评为对其组织决策智能“始终重要”，这凸显了这一趋势是安全和可扩展的智能体驱动的数据与分析运营的必要保障。

​真实案例：​​

· 智能体数据管理可自动化和强化关键功能，包括资源缩放、实时错误修正、元数据管理、数据隐私、工作流调整以及跨银行业与金融服务、医疗保健和制造业等。

· 智能体数据流广泛应用于欺诈检测与风险管理、决策智能、数字孪生以及自动化工厂和物流。

· 组织依赖决策治理来提高透明度，确保每个数据驱动决策的可问责性，并通过明确的所有权、血缘追踪和质量评分优先考虑高价值、低风险的AI项目⁵。

​

新兴实践：AI工程​

AI工程是一门设计、开发、交付、运营和管理使用、部署和应用AI以提供商业价值的技术系统的学科。该学科统一了DataOps、MLOps、ModelOps和DevOps流水线，为基于AI的系统创建了一个连贯的开发、部署（混合、多云、边缘）和运营框架。这一新兴实践放大了智能体驱动的数据与分析与D&A平台化主题交汇的趋势。

​建议：​​

· 通过智能体驱动的数据与分析进行创新，以实现长期愿景：通过智能体数据管理简化数据运营，通过智能体数据流加速实时洞察，通过决策治理降低GenAI风险。

· 将AI智能体集成到现有的数据管理工作流程中，赋能数据管理团队变得自适应、自我学习，并提供可操作的建议。

· 从业务驱动的延迟评估开始，明确需求。如果准实时数据则使用“微批处理”。将智能体数据流保留给真正需要毫秒级响应能力的场景，如欺诈预防或数字孪生。

· 采用决策治理，创建决策的记录系统。确保AI增强的选择透明、可追溯且可问责。通过为AI智能体提供所需的受治理逻辑和护栏，在向智能体驱动的数据与分析迈进的过程中加强决策质量并降低GenAI风险。

用智能体数据管理简化运营

智能体数据管理指的是自适应、自学习的系统，利用AI驱动的自动化来优化和简化整个数据到影响闭环，这需要安全保障、控制和信任。它使组织能够加速关键数据管理流程，让数据运营团队专注于战略重点并推动更好的业务成果，使其成为当今数据管理的首要趋势。

语义核心化

来自：Christopher Long

语义核心化是一项战略原则，要求数据的上下文含义成为D&A运营模式的基石，确保跨平台建立标准化的语义定义和业务逻辑。这一基础确保了人类和AI智能体分析消费的成功。

语义核心化通过建立标准化、上下文化的根基来连接碎片化的分析孤岛，从而赋能AI FIRST企业。这为AI智能体规模化并驱动最佳业务成果创造了可靠的结构。

D&A领导者必须通过战略性地重新构想语义层为多层复合架构，并利用GraphRAG进一步对数据进行上下文化，来优化AI ready的D&A架构。

语义核心化必须作为现代D&A运营模式的战略要务加以采纳，将语义从事后考虑转变为构建健壮、可互操作、可靠且可扩展的AI系统的关键基础。

语义核心化赋能AI FIRST企业

语义核心化通过将数据的上下文含义确立为D&A运营模式的核心要素，保证业务逻辑和标准化定义在所有平台上保持一致，从而赋能AI FIRST企业。这一原则是AI READY分析的战略优先级，因为可靠、可扩展的AI系统——特别是智能体AI和大语言模型（LLM）驱动的应用程序——需要经过治理和认证的上下文才能可靠且一致地工作。通过优先建立这一语义基础，组织为AI智能体提供了必要的根基，很可能大幅提升智能体AI的准确性和价值。

此外，“语义核心化”原则旨在对抗目前阻碍AI FIRST企业能力部署的普遍语义碎片化和分析孤岛。通过规定指标一次定义、处处一致使用，语义核心化推动了复合语义层和语义互操作性标准等AI READY架构方案的采用。这使得AI智能体能够以编程方式跨分布式环境访问可移植、可信赖的指标，将碎片化数据转化为统一的、可信赖的数据，从而驱动可编程的AI FIRST企业。

​证据点：​​

· 许多组织在多个平台上重复分析工作，通常是由于集成不足和缺乏分析交付规划。他们在指标层上也难以实现一致性。在这些碎片化的D&A架构中，企业无法充分利用AI智能体。根据2025年Gartner AI READY数据状态调查⁶，采用语义建模实践的组织更有可能在用于支持AI用例的数据工程实践中实现高效。

· 企业AI应用要求高水平的准确性和可靠性。根据2023年data.world团队的生成式AI基准测试⁷，标准的检索增强生成（RAG）方法往往难以达到要求。这表明有必要探索GraphRAG等新兴趋势，因为它克服了标准RAG的这些局限性。

​真实案例：​​

· 丰田汽车欧洲公司的“盒中自由”框架跨领域联合了语义开发和所有权，展示了实用的复合语义层。“盒中自由”计划允许业务领域独立创建自己的特定数据产品和分析模型（“自由”），而不是强制推行单一的通用标准。通过将这些分布式工件包裹在严格的治理和认证协议（“盒子”）中，丰田有效地协调了这些多样的语义对象，促进了整个架构的一致性和凝聚力⁸。

· Microchip Technology的客服团队因无法直接访问订单或生产数据而面临延误，只能依赖工程和运营团队。为解决这一问题，他们构建了一个基于GraphRAG的聊天机器人和私有LLM，通过检索结构化的实时运营洞察来回答特定领域的问题，克服了传统RAG的局限。客服人员获得了对复杂数据的即时访问，而技术团队则从常规查询中解放出来⁹。

​

新兴实践：上下文工程​

上下文工程是一门在设计、管理和优化推理时提供给GenAI模型的信息的学科，以提高性能、准确性、相关性并优化成本。它代表了在AI应用程序工作流的每一步精确地用足够的相关信息填充LLM上下文窗口的艺术和科学。这一新兴实践放大了智能体驱动的数据与分析与语义核心化主题交汇的趋势。

​建议：​​

· 以语义核心化为基础建立AI FIRST企业：采用可互操作的复合语义层，统一所有环境中的业务逻辑。利用GraphRAG处理更复杂的用例，将模型扎根于本体论上下文中，从而最小化AI偏见和幻觉。

· 认识到实施复合语义层是一个复杂的集成和工程挑战，而非即插即用的解决方案。这不是一种免干预的集成；需要积极审计逻辑当前所在的位置——无论是在数据管理平台、语义层、SQL、代码还是分析和商业智能平台中。

· 从内部数据的最小知识图谱开始，然后扩展并对比标准RAG对GraphRAG进行基准测试，以获得可衡量的增益和改进。

使复合语义层可互操作

复合语义层协调D&A架构中多样化的语义对象——如数据产品、知识图谱和BI模型。由于“单一通用层”往往难以定义，这种模式至关重要。它通过战略性地对齐工件来提高可重用性并减少重复。这种方法弥合了上下文差距，减少了数据孤岛，并在整个组织中强制执行一致的业务逻辑。

D&A平台化

来自：Robert Thanaraj

D&A平台化是一个技术合理化过程，用融合平台取代互不关联的单用途数据和分析工具，以简化架构、标准化运营，并减少跨团队和系统的技术交接。

D&A平台化是迈向构建AI FIRST企业的战略步骤。它统一了碎片化的系统和技术，以获得持续优势。

D&A领导者可以通过用融合平台取代零散的单用途工具，来精简架构并标准化交付流程。

融合的数据、分析和AI平台简化了传统上拖慢D&A团队的复杂运营，使他们更容易更快地实现AI FIRST。

D&A平台化赋能AI FIRST企业

成为AI FIRST企业对于领先并赢得竞争至关重要。但由于互不关联技术的泛滥、组织碎片化和过于复杂的系统，大规模实现这一愿景充满挑战。

为此，许多D&A供应商正在拓宽其产品组合，导致数据、分析、决策、治理和AI能力的大规模融合。融合平台消除了孤岛，简化了AI READY的D&A架构，并为组织提供了在全公司范围内扩展AI能力所需的集成基础。这一趋势意味着大多数企业将采用融合平台作为其智能体驱动的数据与分析战略和运营模式的关键组成部分。其中一些融合平台在以下Gartner研究中详述：

· 《数据管理平台市场指南》

· 《AI治理平台市场指南》

· 《决策智能平台魔力象限》

通过用统一平台取代零散的单用途工具，将关键能力和标准化流程整合在一起，D&A领导者可以精简架构，减少跨团队和系统的不必要技术交接。例如，一个团队可能用一种技术构建数据管道，另一个团队用不同的系统管理数据质量，还有一个团队用第三种工具创建分析报告。使用多个重叠的工具效率低下，而融合平台则帮助企业更快地实现AI FIRST。参见《预测2026：智能体数据管理对智能体AI成功不可或缺》。

​证据点：​​

· 根据2024-2025年间Gartner客户互动中的证据，组织平均部署了十多种数据管理解决方案，却难以大规模实现AI目标。

· 一半的首席数据和分析官认为优化技术格局是其首要职责¹。

· 使用AI治理平台的组织在AI治理实践中实现高成效的可能性是不使用平台的三倍以上⁶。

· 根据2025年Gartner云最终用户购买行为调查¹⁰，60%的受访组织预计会增加对区域解决方案的依赖。

​真实案例：​​

· BDO¹¹、丰田⁸和WPP¹²等组织使用数据管理平台，通过市场将数据作为产品提供，通过自然语言查询简化数据访问，应用治理以确保质量和投资回报率，并支持RAG服务、GenAI应用和LLM集成。

· AI治理平台用于缓解影子AI风险、强制执行运行时护栏，并确保针对全球AI法规（如欧盟AI法案、AI风险框架和NIST AI风险管理框架）的审计准备。

· 各国正通过关税和贸易政策、对私营实体的投资、政府资金、针对性的监管/放松管制、行业倡议以及公私交易来加速主权AI。

​新兴实践：平台工程​

面向D&A的平台工程是一门设计、构建和扩展自助服务平台，为在整个组织中采用D&A实践提供有主见的、安全且治理良好的方式的学科。它旨在改善D&A开发者体验、加速D&A交付、最大化投资回报率并支持负责任的AI生命周期。这一新兴实践建立在围绕平台化和语义的关键趋势之上。更多信息请参见《实现平台工程成功的五项原则》。

​建议：​​

· 平衡D&A平台化的压力：通过数据管理平台整合解决方案，通过AI治理平台建立信任，同时将D&A控制权交给最需要的团队。随着主权AI的不断出现，它可能根据具体的AI用例推动组织走向更多平台化或进一步分化。

· 通过使用数据管理平台审查和合理化当前数据管理技术格局，消除冗余、未充分利用的技术。停止引入更多的数据管理点解决方案。

· 优先采用AI治理平台以提高AI治理的有效性。严格评估供应商平台的能力，以选择满足当前和可预见AI治理需求的平台。

· 通过现代化D&A路线规划和D&A平台化来应对主权AI带来的商业机会和未公开的威胁。这也将加速AI FIRST企业的举措，将AI用例从单纯利用推进到创造决定性优势。