对此，Denodo创始人兼首席执行官Angel Viña（叶苏斯）先生在日前采访中分享了他的观点：GenAI的落地瓶颈并非技术本身，而是忽视了数据层面带来的“信任”危机--数据不准确不完整、AI应用急于落地缺乏系统规划、专业技能储备不足。其中，数据质量与可用性问题被视为关键的制约因素。站在AI的角度，当用户提出问题时，给出答案的途径并不是理解与思考，而是基于各种数据的概率预测。例如，当一个新能源汽车企业想要总结“某国外市场近两个季度销售增长”根源时，所需数据分散在人事、销售、供应链等多个平台，以及产业链上下游一系列系统中。若无法实现这些数据的高效整合与精准调用，即使AI模型再先进，也只能是“巧妇难为无米之炊”。
在Angel Viña看来，正如20年前互联网重构行业格局一样，AI对千行百业的冲击已不可逆转，但这场变革的成败，最终取决于企业能否驾驭数据这一核心生产资料。面对“多云多湖”成为企业目前IT主流架构，传统数据管理模式已经难以为继。正是在这样的背景下，数据编织（Data Fabric）技术应运而生，而Denodo作为全球数据管理领域的领军者，正以数据编织为基础，融入逻辑数据管理、统一语义层等创新技术，为企业破解数据困境、释放AI价值提供全新路径。
图1 Denodo创始人兼首席执行官Angel Viña（叶苏斯）先生
回归数据本质价值：AI落地的“生命线”
AI技术的飞速发展，依托算力、算法与数据三大要素的协同支撑。这其中，算力被认为是动力引擎、算法是核心逻辑，而数据则是AI迭代进化的“燃料与基石”。根据IDC在2024年联合浪潮信息发布的报告显示：高达66%的企业在AI应用中面临的主要障碍是“缺乏高质量可用数据”，这一比例远超算力成本、技术成熟度等其他挑战。
Angel Viña认为在数据量爆发式增长的背景下，如果管理层将数据停留在浅尝辄止的GenAI表面应用，不仅无法形成有效决策，还可能引发误导性结果。如今，AI的规模化落地，对数据提出了显著超越传统数据分析场景的更高维度的严苛诉求，数据的广度与深度，直接界定了AI应用的边界、迭代效率与实际价值上限：
首先，是实时性诉求。不同于传统数据仓库“T+1”甚至更长周期的数据同步模式，AI应用尤其是运营级AI Agent，需要基于实时数据做出决策。例如，智能客服AI需要即时获取用户最新订单状态、售后记录，才能提供精准服务；工业AI监控系统需要实时采集设备运行数据，才能及时预警故障风险。Angel Viña强调，“AI时代，企业需要洞察先机，不可能像传统方式那样完成数据采集、处理与调用”，实时数据访问已成为AI发挥价值的基本前提。
其次，是完整性诉求。AI模型的准确性依赖于全面的数据输入，数据孤岛会导致模型“偏听偏信”。现代企业的数据流分散在本地服务器、公有云、私有云、数据湖等多个存储介质中，形成了典型的“多云多湖”架构。例如国内某领先车企，其数据来源涵盖生产制造、供应链、售后服务等多个维度，分散在数十甚至数百个不同系统中。只有将这些碎片化的数据整合为完整数据集，AI才能生成有价值的洞察。
最后，是合规性诉求。在全球数据安全法规日益严格的背景下，数据的采集、传输、使用必须符合当地合规要求。尤其是在跨国企业运营中，数据跨境流动面临诸多限制，如何在不违反合规规则的前提下实现数据共享，成为AI落地的重要挑战。Angel Viña指出，合规不仅是技术问题，更是信任建立的基础，只有确保数据安全合规，企业才能放心地将核心业务数据用于AI应用。
可以看出，在传统数据管理模式下，数据集中存储、批量处理的方式，已无法适应AI时代对数据实时性、完整性、灵活性的需求。因此，以数据编织为代表的数据管理革新，成为突破AI落地瓶颈的关键所在。而伴随着中国市场在全球科技格局中的地位日益凸显，中国在新能源、电动车、工程建筑等领域已成为世界龙头。Angel Viña认为这一市场特殊性，使得数据管理面临更为复杂的挑战，也孕育着巨大的机遇。
推进数据编织方法：构建完整数据管理架构
在Angel Viña看来，数据编织不仅仅是一套集成技术，而是包括从数据源适配、逻辑整合、安全管控、价值交付到持续迭代这一完整的技术与服务体系，持续在逻辑架构、智能调度、标准化等方面突破创新是数据编织赢得企业认可的主要途径，而与企业IT团队、ISV（独立软件开发商）、业务部门和生态伙伴的深度协同，以技术创新赋能AI落地与业务增长，则是数据编织的核心目标。
图2 Denodo数据编织系统结构图
在具体实现方法上，Denodo大中华区技术总监郭杰解释，数据编织并非孤立的技术工具，而是Denodo构建的一套以“逻辑整合、高效协同”为核心的完整数据管理架构，其核心目标是打破数据在来源、格式、部署环境上的壁垒，实现跨场景数据的敏捷集成与价值释放。从技术原理看，数据编织摒弃了传统数据“物理集中”的固有思维，通过建立统一的逻辑调度层，让分散在本地系统、公有云、私有云、数据湖等不同环境中的数据，无需迁移至集中存储介质，即可实现逻辑层面的关联与协同。
站在知行合一的角度，Denodo数据编织依托三大核心技术路径构建闭环：一是多源数据适配能力，通过预置海量数据源连接器，兼容结构化、半结构化、非结构化等各类数据格式，覆盖数据库、API接口、文件存储等全场景数据来源；二是智能逻辑调度引擎，基于业务需求动态生成数据访问路径，实时调用分布在不同节点的数据资源，实现“按需计算、即时交付”；三是全流程管控体系，将数据质量校验、安全合规审计、权限分级管理嵌入数据流转各环节，确保数据在高效流动的同时满足监管要求与安全标准。
Angel Viña强调，与传统数据集成方式不同，数据编织无需对数据进行物理集中，通过逻辑层面的整合实现数据的统一交付。这种模式完美适配大型企业的混合架构需求，解决了跨数据源计算与分享的难题：
首先，实时响应能力更强，传统集成模式依赖批量数据迁移与预处理，难以满足AI应用对即时性数据的需求，而数据编织的逻辑整合模式可实现实时数据访问，完美适配智能驾驶、实时风控等对时效性要求极高的AI场景；
其次，成本控制更优，无需投入巨额资金构建集中式存储设施，也省去了数据迁移、冗余备份带来的人力与资源消耗，大幅降低企业数据管理总成本；
最后，业务适配性更灵活，对于采用“多云多湖”架构的大型企业而言，数据编织可快速响应业务变化，新增数据源或调整应用场景时无需重构数据架构，仅需优化逻辑关联规则即可。
例如在汽车行业，国内外诸多车企借助Denodo数据编织技术，成功打通研发、生产、销售、售后等全链条分散数据，为智能驾驶算法训练、生产流程数字孪生、用户精准服务等AI应用提供了稳定、全面的数据支撑，让AI落地从“数据筹备期”缩短了数月甚至数年时间。
持续创新技术内核：激活数据原生价值
AI的落地与价值释放，从来都不是一蹴而就的。Angel Viña介绍，数据编织作为Denodo面向AI时代的核心架构，其背后并非单一技术可独立支撑，而是依赖逻辑数据管理、统一语义层等关键技术的深度耦合与有机联动。
以国内比较火热的ChatBI（智能问数）为例，Denodo提出的逻辑数据管理为数据编织提供了底层理念支撑，解决数据如何高效流转的核心命题；统一语义层构建数据编织的理解基础，打破跨源数据的认知壁垒；Query RAG则强化数据编织与AI场景的适配能力，让数据价值精准对接生成式AI需求。这些技术创新并非孤立存在，而是作为数据编织架构的核心组成模块，各自承担关键职能、相互赋能，共同形成“理念革新+技术落地”的完整创新矩阵。
1.逻辑数据管理：颠覆传统的数据移动理念
在ChatBI的部署与应用过程中，数据湖作为分析型数据管理的终极产物，核心是通过数据集中整合支撑分析需求，但如今AI多为运营型工作负载，其数据需求与湖仓设计存在本质矛盾：AI需实时数据、语义化关联数据、分布式数据访问能力，且对成本敏感，而湖仓的批量摄入、数据集中、成本高企等特性难以适配。
上述矛盾让传统湖仓无法满足AI的快速落地应用，而郭杰表示Denodo数据虚拟化支持的逻辑数据编织架构使企业能够实时集成、管理分布式数据并将其交付给任何用户，而不管源数据的位置、格式和延迟。这一创新带来两大核心价值：一方面，大幅降低数据管理成本，企业无需投入巨资构建超大容量集中存储，也省去了数据迁移、同步维护的人力成本；另一方面，提升数据应用敏捷性，当业务需求变化或新增数据源时，无需重新设计数据迁移流程，仅需调整逻辑关联规则，即可快速适配新场景。对于大型集团企业而言，这种模式既解决了本地与云端海量数据的协同问题，又规避了数据集中存储带来的安全风险，为AI应用的快速迭代提供了灵活的数据基础。
图3 借助逻辑数据管理架构进行所有数据的统一管理
2.Query RAG：重构AI查询的精准性与实时性边界
在基于AI大模型的应用过程中，检索时经常会出现“产生幻觉、信息滞后”的痛点，Denodo创新推出Query RAG（检索增强生成）技术，将数据编织的跨源访问能力与大模型生成能力深度融合，构建AI查询的新范式。
与普通RAG技术相比，Denodo Query RAG的核心创新在于依托数据编织架构的多源适配能力，能够穿透不同系统、不同格式的数据源壁垒，快速检索分散在本地数据库、云端存储、第三方接口中的实时数据。当用户通过自然语言提出查询需求后，系统先将需求解析为精准的检索指令，通过逻辑调度层跨数据源获取最新、最相关的数据资源，再将这些高质量数据作为上下文输入大模型，最终生成准确、可靠的答案。这一创新让AI应用彻底摆脱了对静态训练数据的依赖，在金融风险评估场景中，AI系统可通过Query RAG实时抓取企业经营数据、市场波动数据、政策变动信息等多维度数据，快速生成精准的风险评估报告；在医疗诊断辅助场景中，能够实时调取患者病历、最新诊疗指南、药品数据等，为医生提供科学参考。
图4 通过Query RAG降低多源系统查询的复杂性
3.统一语义层：打破数据理解的“格式壁垒”
企业数据应用中普遍存在的“语义混乱”问题，如同一指标在不同系统中命名不一、统计口径各异，成为数据集成与AI应用落地的关键障碍。为跨源数据提供标准化的定义与解释，从根源上解决数据理解偏差问题，Denodo采用了语义层统一治理的方式。在统一语义层框架下，用户无需将所有数据迁移至集中存储，即可基于逻辑关联建立统一的数据字典与业务规则，无论数据来自ERP系统、CRM系统还是云端数据湖，无论采用何种存储格式，都能通过语义层实现标准化理解。例如，对于“营业收入”指标，语义层会明确其统计范围、计算逻辑、关联维度，确保销售部门、财务部门、AI模型在使用该数据时保持一致。
这一创新不仅降低了数据集成的复杂度，让技术人员无需花费大量时间进行数据口径对齐，更提升了数据应用的准确性，让AI模型能够基于统一的语义基础进行训练与推理，避免因数据理解偏差导致的模型失效。同时，其轻量化特性让企业能够快速启动语义标准化工作，即使是数据分布在多环境的复杂场景，也能在短时间内实现跨部门、跨系统的数据语义协同。
可以看到，Denodo作为一个数据管理平台，本身不存储任何数据。相反，它提供了一个虚拟层，允许用户访问和集成来自各种来源（例如数据库、应用程序和云服务）的数据，而无需将数据移动到中央存储库。围绕数据编织架构，Denodo的各项创新精准击破AI落地的数据管理难题，且相互赋能，构建起数据高效流转与精准语义理解的AI对接完整闭环，让Denodo得以从底层架构层面，为AI的规模化落地与数据价值快速释放提供坚实支撑。
深耕本土数据生态：加速数字化转型进程
作为数据管理领域的革新者，Denodo不仅为企业提供技术解决方案，更推动着数据文化的构建与普及。面对中国科技领域的领先地位与广阔机遇，Angel Viña表示Denodo正以双向赋能的生态合作模式深耕市场，构建长期稳定的合作格局。
一方面，Denodo摒弃传统单向输出模式，聚焦“双向赋能、全球拓展”的战略合作，例如帮助中国制造企业出海，实现供应链全周期数据管理，链接中外企业共创全球市场价值的生态合作。另一方面，Angel Viña也建议国内企业将数据置于更高优先级，着力营造数据文化，Denodo将聚焦AI Agent支持与易用性提升，通过Text2SQL等技术降低数据使用门槛，持续迭代产品以适配中国企业在智能决策、工业AI等场景的需求。
“未来，Denodo将持续聚焦AI驱动的技术创新，进一步强化数据管理与AI应用的协同能力。”Angel Viña表示，从双向战略合作到技术精准适配，从政策环境支撑到本土生态构建，Denodo以十足的信心与清晰的路径深耕中国市场，秉承“互相信任，共创价值”的合作理念，推动其与中国企业形成深度绑定的生态共同体，书写中外科技合作的长期主义篇章。
图5 Angel Viña与西班牙国王费利佩六世握手，出席见证中西两国交流合作
后记：
在激烈的市场竞争下，信任建立成为跨国企业在中国市场发展的重要前提。Angel Viña表示，技术与产品的立足之本，是真正破解实际难题，为用户带来价值。Denodo进入中国市场后，始终以“建立信任”为核心，不仅为中国企业提供数据管理解决方案，更通过战略合作实现共赢。例如，西班牙化工企业与中石化合作开拓中东市场，汽车备件制造商安通林与奇瑞达成合作，为中国电车企业提供30%的零部件配套。针对中国市场，Angel Viña表示Denodo将始终坚持“不仅卖产品，更建生态”的合作模式，携手国内用户共同探索企业数字经济新优势，将数据管理创新优势与人工智能效率优势兼收并蓄，加快企业转型升级步伐。