Cloudera：把 AI 变成长期能力，而不是一次性交付

进入2026年，企业对AI 的态度正在发生一个明显变化：讨论的重点不再是模型有多聪明、参数有多大，而是这套能力是否真的值得被长期运行在核心系统里。

在与 Cloudera 大中华区技术总监刘隶放的深入沟通中，这种变化被反复提及。在他看来，AI 已经越过了展示能力的阶段，开始进入一个更现实、也更残酷的周期——谁能把 AI 稳定地跑进业务流程，谁才能真正留下来。

Cloudera 大中华区技术总监刘隶放

从个体层面看，AI 对工作方式的改变已经无需证明。准备材料、整理思路、复盘内容，都可以被模型高效接管，节奏明显加快。但企业面对的却是另一套逻辑：效率只是表象，真正重要的是可控性、可复制性，以及长期投入是否说得通。

如果把时间拉回到一年多前，行业的注意力还高度集中在模型能力本身——能不能解奥数题、推理速度有多快、榜单排名如何。那是 AI 作为“新物种”登场时必然经历的阶段。但如今，这类讨论正在明显降温。取而代之的，是大量围绕业务流程、系统改造和组织协同的现实问题。

在企业内部，最先落地的往往是聊天机器人、智能问答这类单点应用。它们上线快、见效快，也最容易让管理层看到价值。但当 AI 试图进一步介入流程，尤其是以智能体的形式跨系统运行时，复杂度会迅速放大。这时，AI 已经不再是一个外挂工具，而是要真正嵌入企业多年积累下来的 IT 体系。

不同类型的企业，对这一变化的感受并不相同。以金融机构为代表的传统行业，长期在 IT 和数据平台上投入巨大，系统之间高度耦合。对他们而言，AI 改造的前提不是先进，而是能不能融进去。任何脱离现有体系、另起炉灶的做法，都会面临现实阻力。

另一边，新近崛起的新能源车及相关制造企业，则呈现出不同需求。一方面，监管要求决定了数据必须被完整留存；另一方面，生产、供应、销售环节天然会产生海量数据，具备分析和优化空间。更重要的是，这些企业的 IT 团队中，不少人来自互联网背景，对新技术接受度更高，也更愿意尝试激进路径。

但无论是哪一类企业，最终都会被拉回同一个问题：这件事值不值。尤其是在制造业和新能源领域，AI 项目的投入往往不低，如果无法清楚说明长期收益，很难获得持续支持。这也是为什么，在很多项目中，技术讨论最终都会走向 CFO 视角。

在这一背景下，Cloudera 给出的判断并不激进，却相当清晰：企业真正需要的，不是一锤子买卖的 AI 应用，而是一套能够长期演进的平台能力。现实环境中，人员流动已经成为常态，尤其是在新兴行业，技术骨干随时可能离开并不罕见。如果系统高度依赖个人经验或封闭工具，一旦人走了，能力也就随之消失。

相比之下，把系统的稳定性放在人的稳定性之上，反而更符合现实。“不能指望某一个人永远在，但可以要求平台长期可用。”这种思路，正在成为越来越多企业的共识。

因此，在 AI 平台设计上，松耦合和开放性被反复强调。模型一定会变化，从版本升级到架构演进，速度只会越来越快。如果训练方法、数据流程和评估体系掌握在企业自己手中，就可以在新模型出现时复用既有能力，而不是被单一版本或厂商锁死。

这一逻辑，其实延续了 Cloudera 多年来在数据平台上的经验。过去强调数据血缘和可溯源，是为了让企业知道数据从哪来、到哪去；进入 AI 时代，这种可追溯性同样重要，只是对象从数据扩展到了模型本身。模型如何产生、基于哪些数据训练、经历了哪些调整，都需要被清楚记录下来。

围绕这一点，Cloudera 持续强化平台层能力，包括通过收购 Octopai增强数据血缘分析，让数据关系更直观；通过SDX 打通跨系统的数据治理基础。在 AI 之前把数据理顺，被视为智能体能够跨部门运行的前提条件。

在数据架构上，数据湖仓一体架构正在从新概念变成现实选择。它解决的并不是技术炫技，而是企业长期存在的数据多版本问题。当分析系统、AI 应用和业务系统基于同一数据底座运行，数据的一致性和可信度才能真正成立，否则 AI 反而可能放大原有问题。

关于私有化部署与公有云的取舍，Cloudera 的态度相对务实。数据产生在云端、且不涉及核心资产时，在公有云上进行分析和试验非常自然；但一旦模型进入长期运营阶段，或者涉及企业核心数据，私有化部署几乎成为必然。这既是合规要求，也是商业现实。

成本变化，正在进一步推动这种判断。硬件价格波动，让企业开始重新审视“堆参数”的做法。越来越多项目不再盲目追求超大模型，而是通过更合理的参数选择、RAG 等方式，用软件能力去对冲硬件压力。这也让平台型能力的重要性进一步凸显。

“AI 并不是一次彻底推翻重来的革命。在金融、制造等领域，机器学习和流程管理早已存在多年，AI 更像是在既有基础上的一次加速器。”刘隶放认为，那些已经建立数据文化、具备工程能力的企业，往往转型更快，也更容易跑出结果。

写在最后

如今，企业真正关心的，早已不是 AI 能展示多少能力，而是这套能力是否值得被长期托付。当模型更新越来越快、人才流动成为常态、合规与成本约束持续收紧，AI 能否稳定运行，反而比是否足够先进更重要。

从这一点看， AI 正在走向一次务实的转向：从单点应用走向系统能力，从个人试验走向组织工程，从短期效果走向长期运营。那些能够把数据治理、平台架构和模型演进统一考虑的企业，更有可能在下一阶段真正跑出来。

AI 的竞争，最终不会只发生在模型层面，而会落在谁能把它变成一项可控、可复制、可持续的基础能力之上。这或许才是 2026 年，企业开始重新审视 AI 的真正起点。