公司产品与技术创新 - Snowflake宣布推出Snowflake Postgres，将全球最流行的数据库PostgreSQL原生集成至其AI数据云平台，使企业能够将事务处理、分析和AI用例整合到一个单一、安全的平台上[1] - Snowflake Postgres通过pg_lake（一套PostgreSQL扩展）支持企业使用标准SQL直接查询、管理和写入Apache Iceberg表，从而消除事务系统与分析系统之间昂贵的数据移动[1] - Snowflake Horizon Catalog帮助客户（如默克和Motorq）跨不同系统和格式访问及治理数据，增强互操作性，减少数据孤岛，消除供应商锁定，确保AI系统运行在可信数据上[1] - Snowflake推出Semantic View Autopilot（现已全面可用），这是一项AI驱动的服务，可自动创建和管理语义视图，为AI代理提供对业务指标的共享理解[1] - Snowflake推出Cortex Code，这是一个数据原生的AI编码代理，可自动化和加速端到端的企业开发，并能深入理解企业数据上下文进行操作[1] 战略合作与市场拓展 - Snowflake与OpenAI达成一项为期多年、价值2亿美元的合作伙伴关系，旨在通过共同创新和联合市场进入策略，在全球企业范围内部署AI代理[2] 客户案例与应用场景 - 包括BlueCloud和Sigma Computing在内的领先企业将依赖Snowflake Postgres来减少数据孤岛和复杂的数据管道，以支持AI和分析用例[1] - Sigma Computing表示，借助Snowflake Postgres，其团队可以直接在Snowflake内处理新鲜的事务数据，无需依赖复杂的管道或外部系统，为构建受治理的分析和AI驱动体验提供了更简单可靠的基础[1] - BlueCloud表示，Snowflake Postgres代表了帮助客户在不影响性能的情况下消除数据管道的重大机遇，其企业级Postgres基础带来了可信度，并能在单一平台上同时交付低延迟事务工作负载以及分析和AI[1] 数据治理与平台能力增强 - Snowflake正在扩展客户访问、共享和治理数据的方式，以使AI系统能够满足现实世界的需求进行扩展[1] - Snowflake Backups（现已全面可用）通过保护业务关键数据进一步加强了数据韧性，使组织能够更快地从勒索软件或中断中恢复，并确保数据在创建后不会被更改或删除[1] - Open Format Data Sharing将Snowflake的零ETL共享模式扩展至包括Apache Iceberg和Delta Lake等格式，实现跨团队、云和区域的安全数据共享[1] - 与Microsoft OneLake（现已全面可用）的新集成使双方客户能对由Snowflake或Microsoft Fabric管理的Iceberg数据获得安全的双向读取权限[1] - Snowflake Horizon Catalog使得客户能够利用外部引擎安全访问Apache Iceberg表中的数据（现已全面可用），以及创建、更新或管理存储在Iceberg表中的数据（即将公开预览）[1]

公司战略与产品定位 - 金山办公正从文档工具向一站式AI协同办公平台转型，为千行百业数字化转型赋能 [1] - 公司正式宣布其WPS 365平台构建的“企业大脑”已在华东地区组织级客户中率先落地 [1] - 公司拥有37年文档处理积累，正转型B端业务 [1] 核心观点与行业洞察 - 企业AI应用正经历从“以模型为中心”到“以数据为中心”的关键转变，数据质量是决定AI应用效果的关键 [1] - 头部模型迭代速度快、保鲜期短，企业应聚焦数据构建核心护城河，数据可能是企业唯一可持续的AI护城河 [1] - 高质量数据是制约AI在现有技术水平下发挥作用的关键制约点，企业级AI建设的首要任务是完成对非结构化数据的收集和治理 [3] 产品解决方案与技术能力 - WPS 365提出“三步走”实施路径：归集非结构化数据、将数据治理为可复用知识、将知识嵌入办公流与业务流以形成“企业大脑” [3] - 与华中科技大学联合推出的MonkeyOCR模型在3B参数规模下获中英文文档解析任务最佳性能，最新迭代版本在国际榜单上超越GPT-4o等大参数闭源模型 [3] - 升级后的WPS智能知识基座在数据治理层面实现95%重复检测准确率、80%冲突识别准确率和85%缺失预测准确率 [3] - 在知识应用层面，针对医药、金融等专业场景，表格类抽取准确率高达99%，勾选框识别准确率达95% [3] 市场落地与客户案例 - WPS 365在华东地区采用场景化解决方案与生态共创的业务打法，以上海为标杆辐射长三角乃至全国 [4] - 延锋国际、东方航空、申万宏源证券等华东龙头企业已率先采用WPS 365解决方案 [4] - 延锋国际替换微软后，办公协作效率提升25%，知识管理效率提升40% [4] - 东方航空借助WPS 365的安全管控与智能处理能力，解决多语言账单审核等业务痛点，实现文档不落地、访问有痕迹 [4] 行业趋势与未来展望 - 展望2026年，办公软件市场将呈现三大趋势：数据治理成为核心议题、全球化适配需求凸显、AI从“炫技”走向“降本提效”落地 [5] - WPS 365将持续强化文档解析与治理能力、一站式兼容体系、原子化开放能力等核心优势，同时布局下一代AI原生产品形态 [5] - 公司计划通过“全域知识+行业场景”的深度融合，助力企业构建智慧驱动的“企业大脑” [5]

2026年零售业趋势框架 - 2026年零售趋势由2025年加速的一系列结构性转变所决定 行业正从短期实验转向长期的运营变革[1] - 对于国际零售商、品牌和供应商而言 2025年的事件为未来一年最重要的事项提供了清晰框架[2] - 核心变化包括零售人工智能、全渠道战略的演变以及实体店的重要性重燃 背景是消费者支出谨慎和利润率收紧[2] 人工智能在零售中的应用 - 2025年零售业人工智能应用急剧加速 许多大型零售商超越了试点项目阶段[3] - 人工智能被广泛用于需求预测、库存管理、个性化推荐和自动化客户服务 其应用规模和系统持久性在当年发生改变[3] - 行业分析师预计 到2026年 AI工具将嵌入日常零售运营 AI驱动的购物助手、动态定价引擎和预测性供应链系统将影响消费者发现产品的方式以及零售商控制成本的方式[4] - 这一转变反映了利润率压力 因为许多市场的劳动力、物流和退货成本居高不下[4] - 数据治理和AI伦理使用也受到关注 欧美及亚洲部分地区的监管机构已表示将加强对自动化决策的监督[5] - 客户数据和算法流程的透明度正成为一个竞争性问题 而非事后的合规考虑 这对B2B供应商在数据质量、系统集成和可审计性方面提出了更高期望[5] 全渠道零售战略演变 - 到2025年 全渠道零售不再被视为差异化优势 而是保持相关性的基本要求[6] - 消费者越来越期望在在线零售平台、移动应用和实体店之间获得统一的体验 包括一致的定价、实时库存可视性和灵活的履约选项[6] - 2025年 零售商投资于更深层次的渠道整合 而非表面链接 这包括直接与门店库存挂钩的点击提货服务、店内移动支付系统以及支持店内员工的数字工具[7] 实体店角色的更新 - 实体店的重要性在行业变革背景下得到重申[2]

报告概览 - 报告标题为“2026趋势报告：数据与人工智能”，综合了DataArt高级数据、AI和技术领导者在2025年9月和10月的访谈见解 [3][4][5] 核心观点与投资评级 - 报告的核心观点是：2026年AI的成功将由数据基础设施驱动，而非新模型；组织正从广泛实验转向具体、高价值用例；AI正从概念验证阶段发展到企业级部署 [3][11] - 报告揭示了各行业人工智能雄心与实际运营之间存在“大脱节”，例如82%的文化机构缺乏用于生产部署的数据治理框架和员工技能，金融核心业务功能仍高度依赖遗留数据库和手动Excel文件 [6] 2026年数据与人工智能趋势 - **趋势1：AI成功由数据基础设施驱动**：最高投资回报率的技术投资是现代数据基础设施，而非最新的AI模型 [11]；最具影响力的投资聚焦于去中心化数据平台（如数据网格架构）及Snowflake、Databricks等提供的现代技术堆栈 [14]；三到五年前投资云计算平台的公司正看到规模回报，其规模是AI目前无法匹敌的 [9][14] - **趋势2：转向具体高价值用例**：AI在精确、受限的应用中创造真实商业价值，最清晰的胜利来自智能自动化 [15]；开发者生产力工具（如Cursor）已近乎普遍应用，非结构化文档处理（提取、摘要）变得常规可靠 [15]；在零售业，AI在需求预测、动态定价等领域能在几个月内产生可衡量的投资回报率 [17]；现成AI解决方案比定制方案能提供更具一致性的价值 [18] - **趋势3：从概念验证到企业级部署**：到2026年，AI采纳将从广义实验、战略试点，演进到生产部署与编排，最终成为嵌入式的主流成熟能力 [19][26]；通用AI工具将让位于更专业、代理化的应用，AI将从被动辅助转向工作流的主动协调 [22]；在零售业，大部分日常决策将由自主或半自主代理在幕后处理 [27] - **趋势4：重新思考无法扩展的短期战略**：报告指出了五大关键错误：先技术后问题、在流沙（差数据）上建造、夸大能力未达预期、战术思维战略忽视、误解AI（将其视为精确机制而非概率系统） [33][34][35][37][40] - **趋势5：语义建模、对话智能和治理成为关键差异化因素**：语义建模和知识图谱是统一数据平台、消除数据孤岛的关键使能者 [42]；对话智能与自然语言查询将使业务用户轻松访问数据 [44]；AI治理、监控和可观察性能力对于生产部署至关重要但仍被低估 [45]；AI项目失败的主要原因包括数据质量不足（30%）、糟糕的业务案例定义（25%）和治理缺失（20%） [43] - **趋势6：优先数据生命周期、现代化和人力能力**：未来18个月的五大优先领域为：在全生命周期中投资数据；立即现代化遗留平台；培养人才而不仅仅是模型；制定真实可执行的AI计划；支持结构化实验 [47][48][51][53][54][55] - **趋势7：协调数据、人员和目标以负责任地扩展AI**：2026年蓬勃发展的公司是那些具有组织层面自我意识、打破技术与业务界限、普及数据访问并赋予员工先进工具的公司 [59]；成功取决于理解数据的价值、如何解读数据驱动业务、以及将AI视为核心业务战略而非工具 [61] 2026年行业特定预测 - **航空公司**：在竞争激烈、复杂且受监管的环境中，快速实验将成为常态和强制要求 [32][65]；预测AI通过动态重路由可大幅减少延误 [71] - **零售业**：到2026年，AI将比人们意识到的运行更多零售运营，变得“隐形”，大部分日常决策由自主或半自主代理处理 [27][66]；商店将采用生成式AI进行动态定价和实时产品策展 [71] - **媒体与娱乐**：存在逆转媒体消费孤立趋势、重现现实社交体验的兴趣 [67]；生成内容预计将占媒体输出的50% [71]；投资将AI与强大数据管理结合可带来超个性化客户体验等切实成果 [14] - **科技领域**：需要更多技术工程师，AI生成代码的能力不会消除工程师的需求 [68]；代理型AI系统将自主管理云基础设施并优化代码 [71]；面向工程等内部用例的AI PC采用将增长，将部分应用卸载到本地托管的开源模型 [28][71] - **医疗保健**：监管清晰将推动创新，FDA已批准用于提高肺活检实时导航精度的AI代理，预计2026年将获更广泛批准 [17][28][69]；AI驱动的个性化治疗将在大型医院系统中成为标准 [71] - **金融服务**：实际实施主要发生在技术团队内，核心业务功能仍高度依赖遗留系统和手动流程 [6]；在决策和α生成方面，AI仍主要处于实验阶段 [17] 如何为2026年做准备与结论 - **需停止的实践**：停止将技术与业务分离；结束打勾式治理；停止过度定制；停止实施未与核心业务流程集成的“AI伴侣”；重新审视移动应用狂热；停止在软件开发中不当使用AI [74][75][76][77][78][79][80] - **关键行动**：遵循“爬行-行走-奔跑”原则，从具体高价值用例开始快速证明投资回报率然后扩展 [82][85]；证明项目投资回报率对获取资金至关重要，增加收入的项目通常被优先考虑 [84]；技术团队与业务部门的物理和组织分离需要消失，技术应融入业务 [86] - **结论与未来路径**：2026年将取决于谁建立了最强大的数据基础设施、治理框架和具备AI素养的员工队伍 [87]；出现三条清晰路径：1) 基础优先成功，从试点转向生产；2) 校正和重置，因缺乏基础而失败后重新投资基础；3) 战略停滞，竞争差距扩大 [89][90][94]；基础设施投资窗口正在缩小，尚未解决基础问题的组织将难以追赶 [86][96]；到2026年，AI将变得平凡且必要，就像Excel一样嵌入式 [25][95]

毕马威与Aiimi合作推出工作场所AI平台 - 毕马威宣布与英国公司Aiimi合作，推出一个用于数据治理的工作场所AI平台，旨在管理敏感信息并从其数字资产中提取洞察，以支持公司大规模治理数据和鼓励采用AI的目标 [1] Aiimi公司及其平台技术 - Aiimi的平台利用AI帮助企业定位、治理和释放企业数据的价值，使公司能够安全地实施AI并应对复杂挑战 [2] - 该公司的技术和服务已被多家机构使用，包括英国金融行为监管局、普华永道英国、多家富时100指数公司以及英国政府 [2] 合作细节与实施计划 - 此次合作基于一项全面的试点计划，该计划测试了AI驱动的平台，并促成了一项为期三年的合同 [3] - 在下一阶段，Aiimi的专业顾问和工作场所AI平台将专注于整合、分类和优化毕马威的大量数据资产 [3] - 该方法旨在保护敏感数据，并为顾问提供所需的洞察，以提供符合不断变化的监管要求的服务 [3] 平台预期效益与高层评价 - 该平台预计将有助于建立强大的数据基础，这是未来安全部署新AI解决方案所必需的 [4] - 毕马威英国首席数据官Chris Allen表示，Aiimi平台提供了信任基础，帮助公司更好地了解其拥有的数据，对于价值有限且无监管要求保留的数据会予以删除 [4] - 对于需要保留的数据，Aiimi帮助公司智能分类、原位标记，并以尊重保留规则、访问控制以及对客户和被审计实体的合同义务的方式，使其可用于下游AI应用 [5]

数据治理认知的演变 - 数据治理在组织中传统上被视为非核心的“锦上添花”项目，因其在短期和中期内难以带来显著实际价值 [1] - 传统集中式数据治理项目由IT部门管理，存在缺乏业务自主权、难以扩展和缺乏持续支持等问题，导致其长期相关性和首要地位下降 [1] - 过去十年，由于低成本存储、云计算和人工智能的进步，企业重新聚焦数据治理，发展模式从集中式转向联合化和去中心化 [2] 数据网格架构的兴起 - 企业构建数据产品并开放数据给多种用例，促使去中心化的数据发布方式即数据网格架构迅速普及 [2] - 数据网格架构要求数据易于理解、编目、可追溯、准确完整且具有互操作性，其所有权归业务部门而非IT部门 [2] - 先进的数据治理工具（例如AWS LakeFormation）能自动推断数据沿袭、生成数据质量规则并确定数据分类，加速了向去中心化架构的转变 [2] 成功实施数据治理的新策略 - 技术项目经理需要调整策略，采用自右向左的方法，让业务发起人在推动数据治理中发挥核心作用 [2] - 新策略包括与发起人合作了解关键业务举措，将举措分解为用例，并将用例映射到已发布的数据产品或识别新用例 [2] - 数据治理的重点转移到确定业务举措的数据治理需求，使其与业务利益相关者推动的举措紧密结合，不再孤立 [3] 数据治理方法的有效性 - “大爆炸式”的数据治理方法行不通，数据治理需要与业务目标紧密结合才能奏效 [3] - 通过将治理与业务目标结合，企业能在短期内感受到数据带来的好处，治理目标是在短时间内频繁实现而非一次性实现 [3][8] - 以业务为导向的去中心化数据治理方法，随着时间的推移能改善治理，从而实现企业的整体数据战略 [4][6]

平台更新核心内容 - 公司宣布重大平台更新，整合了Trino、Cloudera SDX和Cloudera Octopai数据追溯能力 [1] - 更新旨在为整个数据资产提供统一的数据访问、控制、治理及追溯能力 [1] - 平台以人工智能为核心，自动执行数据质量检查、分类和概况分析等关键数据架构操作 [2] 解决的关键行业问题 - 企业加速推进人工智能项目时，数据可访问性是关键障碍，仅9%的IT领导者表示其所有数据可供使用，仅38%称大部分数据可用于人工智能 [1] - 数据常被困于分散系统，治理与安全策略支离破碎，导致数据孤岛 [1] 技术功能与优势 - 借助Trino的联盟架构能力，企业可使用自然语言界面安全查询分布式数据，无需移动数据即可提升效率与可信度 [1] - 与SDX的集成统一了元数据与访问控制，简化管理并实现安全自助式数据访问，提供单一且安全的访问端点 [2] - Cloudera Octopai数据来源追踪功能可追踪数据的端到端流转过程，为所有数据转换提供透明度和可信度 [2] - 客户可在数据中心或公共云端部署Trino，并使用经过认证的连接器实现跨多系统的数据联盟 [2] 公司定位与行业影响 - 公司定位为唯一一家在任何地方都能将人工智能应用于数据的公司，助力大型企业为人工智能计划提供可信数据支持 [1][3] - 公司依托经过验证的开源基础架构，提供始终如一的云体验，融合公有云、本地数据中心和边缘环境 [3] - 此次更新被视为将人工智能驱动的自动化、治理和访问功能整合到一个平台的重要一步 [2]

行业活动概况 - 2025年金融与会计技术博览会于11月13日至14日在纽约贾维茨中心举行 [1][2] - 活动汇集了首席财务官、技术领导者、财务决策者和技术提供商 [1][2] - 主要讨论议题包括现代化、数据治理、人工智能应用和不断发展的金融技术栈 [1][2] 技术采购趋势 - 财务决策者正推动技术供应商提供更清晰、更具体的答案 [4] - 与会者关注数据提取、集成故障率、宕机历史、报告中断责任以及防止管理滥用的保护措施等问题 [4] - 行业趋势显示财务领导者在技术栈方面对透明度和尽职调查的要求正在提高 [4] 企业资源规划系统实施重点 - 行业讨论重点从争论何种ERP品牌过时转向团队如何构建其工作结构 [5] - 运营更稳定的组织通常紧密锚定单一记录系统并限制插件和附加系统 [5] - 当ERP与多个相邻工具争夺权威时往往会出现问题 [5] - 与会者和演示反复提到需要清晰、规范地执行ERP实施计划、流程和时间表 [5] 技术集成与遗留系统依赖 - 几乎每个产品讨论中都会出现“如何将其集成到NetSuite中”的问题 [6] - 供应商对此问题给出了范围广泛的答案 [6] - 许多与会者与各行业首席财务官一样在评估其财务职能采用新技术的能力时仍依赖传统供应商的灵活性 [6]

公司行动：特别股息分配 - VCI Global董事会批准以子公司V Gallant Limited 10%的股权作为特别股息，按比例分配给所有VCIG股东[1] - 此次股息分配旨在让股东更广泛地参与V Gallant，降低公司股权集中度，从而增强交易流动性并强化两个实体间的长期一致性[2] - 特别股息代表V Gallant 10%的股权权益，将在确定登记日期后分配给所有股东，分配将通过公司的过户代理处理，股东无需采取任何行动[4] - 公司预计在获得顾问和过户代理最终批准后的7至14天内确认官方登记日期[4] 战略目标：价值释放与分拆上市 - 此次分配是VCI Global价值释放战略的第一步，V Gallant正朝着计划中的纳斯达克分拆IPO迈进[2] - 管理层根据内部预测、审计准备和行业可比公司评估，预计V Gallant的估值可能达到九位数范围[2] - 分拆战略旨在为VCIG股东实现价值具体化，同时强化公司在网络安全和人工智能领域的领导地位[3] - V Gallant是公司增长最快的技术部门之一[3] - 战略分拆旨在展现内在价值、提高透明度并加速两个实体的增长[6] V Gallant业务进展与定位 - 作为分拆路线图的一部分，公司正在推进关键准备里程碑，包括完成V Gallant的审计和估值审查、任命IPO顾问和承销商以及组建专门的上市实体[5] - 公司已开始与机构和战略投资者进行早期接洽[5] - V Gallant是一家领先的网络安全和人工智能公司，为企业及政府组织提供安全、可扩展的创新技术解决方案[7] - 公司业务组合包括人工智能计算与咨询、安全数据分析即服务、ISO审计与咨询以及网络安全咨询[8] - 随着全球对网络安全、AI基础设施和数据治理需求的增长，V Gallant在迈向公开上市的过程中有望受益于强劲的市场顺风[6] 母公司VCI Global概况 - VCI Global Limited是一个跨行业平台构建者，专注于技术和金融架构前沿[9] - 公司战略核心是构建可扩展的平台，在多个高增长领域提供韧性、效率和长期价值[9]

人工智能在财务领域的应用与挑战 - 人工智能正日益渗透到日常业务流程和使用场景中 对首席财务官进行情景规划、预测和制定长期战略至关重要 [1] - 首席财务官们对人工智能改善预测和缩短财务结算时间等多种潜在益处感到兴奋 [3] 数据作为核心资产的重要性 - 在人工智能时代 首席财务官应要求数据审计遵循与财务审计相同的纪律 [2] - 数据应被视为一种金融资产 而隐私和数据信任是保护并提升该资产价值的治理机制 [2] - 数据是首席财务官当前关注的关键领域 许多财务负责人的优先事项直接与该技术相关 [3] 数据成熟度与信任的挑战 - 首席财务官面临的主要障碍之一是热情超过了数据成熟度 [4] - 首席财务官必须信任财务报表 但对输入人工智能工具的数据却无法给予同等信任 这造成了信心上的脱节 [4] 不可靠数据的运营风险与数据质量要求 - 不可靠或不清晰的数据会导致一系列运营问题 例如夸大或扭曲预测 或使公司面临实质性和声誉风险 最终影响利润 [5] - 首席财务官高度重视确保数据清洁 其战略围绕准确性、可预测性和风险缓解构建 这三者都取决于数据是否经过同意、完整且可辩护 [5]