企业AI的瓶颈，已经不在模型上了。
过去几年，行业盯着参数规模、榜单排名和算力竞赛。但到了2026年，越来越多企业发现，真正卡住AI项目规模的，是数据在哪里、怎么用、能不能管住，以及整套系统跑起来到底要花多少钱。
2026年8月20日，在新加坡举行的EVOLVE26大会上，Cloudera发布Cloudera Anywhere Cloud，试图解决的正是这一层更现实的问题。它并不是再提供一个模型，而是希望通过统一控制平台，让企业能够在公有云、私有云、本地数据中心和边缘环境中，根据数据、业务、安全和成本需求，选择AI运行的位置。
Cloudera在大会前发布的一项调研显示，77%的企业已经积极应用AI，但过去一年中，95%的企业曾因数据治理、合规或监管挑战推迟或取消AI项目；72%的企业认为，现有数据架构需要进行大规模重构，才能满足未来AI发展的需求。
这意味着，企业AI今天最大的麻烦，并不是没有AI，而是原有IT环境正在承受越来越大的压力。
如果用一个简单的对比来说明这种变化：模型优先的时代，企业买的是“能力”，所以大家比参数、比跑分、比谁家的模型更聪明；系统优先的时代，企业买的是“结果”，所以比的是数据治理、上下文理解、推理成本、部署灵活性和业务流程融合程度。模型可以快速迭代，但企业的数据架构、合规体系和成本结构不会一夜之间重建。这才是当前企业AI面临的核心矛盾。
Cloudera首席业务官兼应用AI总经理Abhas Ricky在大会上把这种转变概括为从“模型优先”向“系统优先”的转变。他给出的时间线很清晰：2021年到2025年，行业大量投入集中在模型训练；从2026年开始，更多成本和资源将转向推理，以及围绕推理建立的完整体系。
Cloudera首席业务官兼应用AI总经理Abhas Ricky
为什么推理会成为一个分水岭？因为模型一旦进入生产环境，调用次数、上下文长度、数据访问、工作流编排以及算力使用都会变成持续发生的成本。尤其是智能体开始调用多个工具、多个模型之后，Token消耗并不会因为模型单价下降而自然减少。相反，使用量可能迅速放大。
Abhas Ricky把当前企业AI落地面临的障碍归结为三个：AI工具和智能体越来越多，企业业务上下文很难真正进入AI系统，以及数据主权要求越来越严格。三个问题看似不同，背后指向同一个矛盾——企业的AI能力在快速增长，但企业的数据和IT环境从来没有真正“干净”过。
Abhas Ricky用五项关键能力来拆解这套体系：Cloud Anywhere，让AI可以在任意环境构建和运行；Context，为智能体和应用提供业务上下文；Sovereign Inference，让推理在数据所在的安全边界内完成；AI Marketplace，让企业自由选择模型、引擎和组件；Services-as-Software，通过前线部署工程师把工作流真正落地。五项能力合在一起，Cloudera想做的事情其实很清楚：不再只是卖一个数据平台，而是帮企业把AI从实验推向生产，并且是在企业自己的环境里。
这套逻辑在埃克森美孚的案例中体现得最直接。
作为Anywhere Cloud的设计合作伙伴，这家全球能源企业的数据大多来自传感器、燃气表、分析仪、图像和遥感影像，分散在全球不同的炼厂、油井和生产设施。埃克森美孚系统架构师Monika Thulasi在现场说得很实在：把这些海量工业数据全部迁移到云上，并不一定是最优解。成本当然是一个因素，但更关键的是数据引力、业务连续性、监管要求，以及计算与数据之间的距离。
埃克森美孚企业架构师Anvesh Koripella说得更直接：把海量数据从本地搬到云上，成本非常高昂，并不是用好这些数据的最优方式。他们希望的是通过统一控制台，把数据工程、数据仓库和AI分析能力连接起来，让计算与数据解耦，在任意位置访问数据。
这正是Anywhere Cloud的核心逻辑：不是要求企业先把数据搬走，再让AI去找数据，而是让数据继续留在原来的位置，同时让AI能力能够到达这些数据。看起来只是部署方式的变化，背后却直接关系到数据迁移、网络、云资源和合规等一系列成本。
Anvesh还分享了一个很具体的数字：早期部署Anywhere Cloud，完整流程大约需要6小时；几周前重新部署时，自动化程度已经明显提高，四大组件完整部署约65分钟，核心集群已经可以通过点击操作完成。这个变化听起来不像一个惊天动地的AI能力，却恰恰是企业把AI从实验推向生产时必须面对的工程问题。企业AI最后拼的往往不是谁的Demo更漂亮，而是谁能够把复杂系统真正装起来、管起来、跑起来。
当企业解决了AI在哪里运行之后，随之而来的是另一个更难的问题：AI到底理解什么？
这也是Cloudera此次大会反复强调Context的原因。企业的数据并不等于企业的知识。数据进入平台只是第一步，AI还需要理解数据之间的关系、业务规则、实体以及历史信息。否则，即使模型能力足够强，也很难真正进入企业核心业务。
AbbVie首席AI产品负责人Brian Martin分享的案例很能说明问题。四五年前，AbbVie就意识到科研过程中存在大量数据孤岛，于是搭建FBR&D平台，把270多个内外部数据源汇聚到一起，并进一步构建知识图谱，让科学家能够围绕统一的知识基础进行研发工作。
“如果当时已经有Anywhere Cloud，我们可能可以少走很多弯路。”在Brian Martin看来，企业看待数据，不能只把它当成一条条记录。图数据库的价值会越来越大，知识平台才是真正解锁价值的未来。
这句话背后是一个微妙但重要的变化：过去企业更多是在管理“数据”，现在开始需要管理“知识”。模型本身并不知道一家企业的设备为什么会坏，也不知道某种药物为什么可能适用于新的疾病。这些东西藏在企业自己的数据和知识里。所以，企业AI的竞争正在从“谁拥有更强模型”，慢慢转向“谁能够让模型更懂自己的业务”。
但即便数据和上下文的问题都解决了，企业还要面对一笔更现实的账：AI到底要花多少钱。
模型价格下降，并不意味着企业AI的整体成本一定下降。当企业从简单的问答转向智能体之后，一个任务可能需要调用多个模型、多个工具，同时携带更多上下文。使用量越大，数据访问、网络、存储、计算、模型调用和运维管理产生的成本也会同步增加。
Cloudera现场分享的一个银行案例显示，在KYC、反洗钱和欺诈识别智能体场景中，随着负载提升，其方案相较公有云API调用模式能够形成明显的总体拥有成本优势。在75%负载水平下，案例测算节省达到290万美元；在90%至100%的高负载区间，优势进一步扩大。
这里真正值得关注的，其实不是290万美元这个数字，而是企业计算AI成本的方式正在发生变化。过去，企业可能只需要关注一个模型调用多少钱；现在，需要计算的是一整套AI业务的TCO。这正是Abhas Ricky反复强调的：单价虽然一直在降，但智能体用例带来的总体用量暴涨，真正需要看的是完整TCO，而不是模型单价。
AbbVie在成本管理上的做法也提供了一个参考。他们两年半前搭建了集中式LLM网关，所有大模型流量可见，新模型24到48小时内接入，切换模型不需要改业务代码。AbbVie曾放开大模型使用，两年间产生超过59万次AI对话，依靠统一网关和评估框架，才能把这些投入对应到具体业务价值上。Brian Martin表示，“如果没有可观测性，你根本没法量化员工拿这些工具在干什么。”
这其实引出了企业AI另一个容易被忽视的维度：治理和选择权。
Cloudera在Anywhere Cloud中强调Marketplace和开放标准，原因也在这里。AI技术变化太快，今天领先的模型并不一定是明天最适合企业的模型。企业如果把底层架构与某一个模型、某一家云厂商深度绑定，未来更换技术的成本也会越来越高。因此，Apache Iceberg、Polaris Catalog以及统一API等开放能力，在这次发布中占据了重要位置。Cloudera希望通过这些开放标准，让企业能够在不同引擎、不同模型之间自由切换，避免被供应商锁定。
写在最后
模型可以继续迭代，但企业的IT环境不会一夜之间重建。系统能力的分水岭，或许才是决定企业AI能走多远的关键。Cloudera此次发布的Anywhere Cloud可以说为当前行业指出了一个方向：谁能把数据、算力、上下文和治理真正捏合在一起，谁才更有可能把AI从概念验证的泥潭里拉出来，变成一门可以长期运转的生意。
京公网安备 11010202008829号