AvePoint (NasdaqGS:AVPT) Q4 2025 Earnings call February 26, 2026 04:30 PM ET Company ParticipantsJamie Arestia - VP of Investor RelationsJamie Arestia - Vice President, Investor RelationsJason Ader - Partner, Co-Group Head of Technology, Media and CommunicationsJim Caci - CFOJim Cassie - CFOJoe Vandrick - Associate Director, Equity Research, Software (US)TJ Jiang - CEOConference Call ParticipantsChirag Ved - VP and Equity Research AnalystDerrick Wood - Managing Director and Senior Research AnalystEric Suppi ...

财务数据和关键指标变化 - 第四季度总营收为1亿1470万美元，同比增长29%，超出指引上限 [22] - SaaS业务是主要驱动力，第四季度营收为8890万美元，同比增长37%，占总营收的78% [22] - 服务收入为1460万美元，同比增长20%，占总营收的13% [23] - 全年总营收为4亿1950万美元，同比增长27%（按固定汇率计算增长25%），较2024年加速 [31] - 全年SaaS收入为3亿1920万美元，同比增长38%，占总营收的比例从2023年的59%、2024年的70%提升至76% [31] - 第四季度GAAP毛利率为74.2%，低于去年同期的75.5%，主要是由于服务收入占比提高及其毛利率较低 [28] - 第四季度非GAAP运营收入为2290万美元，运营利润率为20%，同比扩大超过370个基点 [29] - 全年GAAP运营收入为3300万美元，GAAP运营利润率为7.9%，同比扩大570个基点 [32] - 全年非GAAP运营收入为7920万美元，运营利润率为18.9%，高于2024年的14.4% [32] - 公司实现了“40法则”目标，2025年达到46（ARR增长+非GAAP运营利润率），高于2024年的38和2023年的31 [33] - 第四季度净新增年度经常性收入为2680万美元，同比增长48% [25] - 截至第四季度末，总年度经常性收入为4亿1680万美元，同比增长27%（经外汇调整后为26%） [25] - 剩余履约义务在第四季度突破5亿美元，同比增长36%至5亿810万美元 [30] - 第四季度经营活动产生的现金流为8530万美元（利润率20%），自由现金流为8160万美元（利润率19%） [30] - 第四季度回购了170万股股票，价值约2240万美元；2025年全年回购了340万股，价值约5000万美元 [30][33] - 2026年第一季度营收指引为1亿1500万至1亿1700万美元，中值同比增长25% [34] - 2026年全年总年度经常性收入指引为5亿2510万至5亿3110万美元，中值同比增长27%（经外汇调整后为26%） [34] - 2026年全年总营收指引为5亿940万至5亿1740万美元，中值同比增长22%（按固定汇率计算增长20%） [35] - 2026年全年非GAAP运营收入指引为9260万至9660万美元 [35] 各条业务线数据和关键指标变化 - 第四季度SaaS收入同比增长37%至8890万美元，按固定汇率计算增长33% [22][23] - 第四季度服务收入同比增长20%至1460万美元 [23] - 第四季度定期许可证和支持收入同比增长7% [23] - 第四季度维护收入约为98万1千美元，持续预期性下降 [23] - 87%的第四季度收入为经常性收入 [23] - 截至第四季度末，年度经常性收入超过10万美元的客户达到826家，同比增长24%，本季度净增64家 [25] - 年度经常性收入超过25万美元的客户达到298家，本季度净增28家，全年净增73家 [26] - 年度经常性收入超过50万美元的客户超过100家，超过100万美元的客户有31家 [26] - 第四季度经调整的毛留存率为88%，净留存率为110%，与第三季度持平 [27] - 若排除迁移产品的影响（对毛留存率造成2个百分点的拖累），第四季度毛留存率将为90% [27] - 年度经常性收入中，57%通过渠道产生，高于一年前的55% [25] - 年度经常性收入的构成中，控制套件占比从去年同期的28%下降至26% [109] - 现代化套件年度经常性收入增长加速至接近40% [60] 各个市场数据和关键指标变化 - 北美地区：第四季度总营收同比增长25%，SaaS收入同比增长34%，年度经常性收入同比增长20% [24] - 欧洲、中东和非洲地区：第四季度总营收同比增长39%，SaaS收入同比增长44%，年度经常性收入同比增长32% [24] - 按固定汇率计算，欧洲、中东和非洲地区总营收增长28%，SaaS收入增长33% [24] - 亚太地区：第四季度总营收同比增长23%，SaaS收入同比增长32%，服务收入同比增长25%，年度经常性收入同比增长34% [24] - 按固定汇率计算，亚太地区总营收增长22%，SaaS收入增长31% [24] - 公共部门业务，特别是联邦民用领域增长低于北美整体水平，但国防及州/地方政府领域表现强劲 [104][105] 公司战略和发展方向和行业竞争 - 公司定位为AI时代关键任务数据管理和数据保护的领导者，其平台是AI和智能体AI采用的前提条件（信任层）[4][5][6] - AvePoint信心平台作为数据保护框架中的基础层，充当策略管理和实时修复的控制平面 [8] - 平台提供实时上下文数据治理，这是传统静态数据库所不具备的，也是AI无法独立提供的，构成了巨大的竞争优势 [10] - 公司推出了第六个指挥中心AgentPulse，为智能体AI提供统一的可见性、治理和运营监督 [12] - 公司持续增强其上市策略，优先考虑捆绑产品，基于去年成功推出的控制和韧性软件包 [15] - 定价策略预计将从传统的按席位数量许可，转向结合基于容量和数据量的混合定价模式 [16] - 公司的雄心是在2029年达到10亿美元的年度经常性收入，这基于运营纪律、持久的市场需求和日益相关的平台战略 [16] - 公司认为软件行业的赢家将提供真正的平台产品（具有定价灵活性，最终倾向于基于消耗和节省成本的许可）以及端到端的垂直有机整合 [15] - 公司通过其领域专业知识、广泛的合作伙伴关系以及全球规模和分销来巩固其在负责任和有效部署AI方面的领导地位 [15] - Gartner在关于2026年如何制定M365 Copilot和智能体AI战略的最新研究中引用了AvePoint [13] 管理层对经营环境和未来前景的评论 - AI改变了全球各地公司数据安全和治理的速度、规模和风险，数据治理已成为采用AI和智能体AI的先决条件 [5] - 企业级软件对于管理复杂环境和确保法规遵从性仍然至关重要，如果AI依赖不一致或治理不善的数据，它将变成负债而非资产 [8] - 公司看到来自各种规模、垂直行业和地区的健康需求，验证了其对安全、自动化、AI就绪的数据治理和韧性解决方案市场巨大且不断增长的信念 [4] - 随着组织现代化其流程和工作流，对安全、受治理和有韧性的数据基础的需求在结构上变得更加重要，该基础将企业数据转化为AI的安全、高质量信号 [16] - 尽管存在关于市场周期或技术颠覆的问题，但公司对市场机会持久性及其把握能力的信心从未如此强烈 [17] - 进入2025年时，公司的展望反映了两个核心主题：客户对准备、保护和优化其关键数据的需求不断增长，以及公司有效满足该需求的能力持续提升 [18] - 公司对2026年的前景感到兴奋，预计将是更强劲的一年 [17] - 管理层认为，2026年将是一个投资年，重点是加强上市策略，特别是大幅增加营销支出 [37] - 公司对实现长期25%-30%的非GAAP运营利润率目标没有改变，但承认从现在到2029年的利润率轨迹不会是完全线性的 [37] - 公司预计股票薪酬占营收的比例将在2026年进一步下降，因此GAAP运营利润率今年将实际扩大 [37] 其他重要信息 - 公司拥有超过20年为数千客户提供可靠、受治理和安全数据的经验 [7] - 平台采用分层、可互操作的架构构建，具有业务逻辑层、弹性扩展数据抽象层和AI特定修复功能 [11] - 公司正在开发一种新的数据智能和服务产品，可处理接近zettabyte级别的非结构化数据，以提供更多实时非结构化数据治理智能 [88] - 公司内部积极利用AI提高生产力，特别是在非技术方面，以加速其全球上市飞轮 [87] - 公司继续投资于技术开发，并利用GitHub Copilot等AI驱动工具提高开发效率 [86] 总结问答环节所有的提问和回答 问题: 关于2026年按固定汇率计算的年度经常性收入增长指引的可见性和信心，以及具体产品驱动因素 [39] - 管理层对加速的指引感到兴奋，增长动力来自所有三个地区的平衡需求，以及各客户细分市场和垂直领域的稳定增长，强劲的渠道建设增强了信心 [40][41] 问题: 关于AI是否已开始为网络安全供应商带来实际收入，还是仍是一个更长期的驱动因素 [42] - 公司确实看到企业正在实施AI项目并实现效率提升，但许多公司由于企业数据准备不足导致体验欠佳，从而影响了Copilot的广泛采用，这正是公司解决的问题，并看到了巨大的需求 [42][43] 问题: 关于混合定价策略（平衡席位和使用量）的机会领域以及早期客户/合作伙伴反馈 [49] - 公司已在迁移、IaaS和PaaS数据保护等产品中实施基于容量的许可，在智能体AI时代，智能体本身可能被视为需要许可的“虚拟员工”，但整体上尚未看到席位数量大幅减少，未来IaaS/PaaS扩展中基于消耗的定价将占更大比重 [50][51][52] 问题: 关于2026年客户在智能体治理方面实现货币化的早期程度，以及AI驱动用例成为更实质性年度经常性收入驱动因素的领先指标 [53] - “AI智能体治理”是热门话题，客户不仅关注风险暴露和访问控制，还关注成本控制，公司已经开始从这类需求中产生收入，尽管仍处于早期阶段，但需求非常旺盛 [53][54] 问题: 关于2026年净新增年度经常性收入的季度节奏，特别是第一季度 [57] - 历史模式预计第一季度将比第四季度环比下降，通常是年度最低点，第二季度会回升，下半年通常强于上半年，2026年预计将遵循类似模式，且第一季度不会像去年那样有收购带来的280万美元增量 [58][59] 问题: 关于2026年年度经常性收入指引是否假设现代化套件年度经常性收入继续增长或有所缓和 [60] - 现代化（迁移）需求旺盛，因为数据在不同云提供商和本地环境之间持续移动，这是公司接触合作伙伴和客户的重要切入点，预计现代化将继续成为平台的核心部分，并推动增长，同时公司也通过其他举措来抵消迁移对毛留存率的潜在压力 [66][67][68][69][70] 问题: 关于2025年自由现金流下降的原因以及2026年的展望 [75] - 2025年自由现金流受到约700万美元的一次性税款支付，以及部分第四季度收入（尤其是公共部门客户）的收款时间影响（相比2024年有所延迟），预计2026年自由现金流仍将高于非GAAP运营收入 [76][77][78] 问题: 关于定期许可业务组合变化对自由现金流的影响 [79] - 定期许可与SaaS的现金流模式相同（按年开票收款），区别在于收入确认时间，随着定期许可占总收入比例下降，收入确认将更趋于像SaaS一样按比例确认，但现金流不受此会计处理影响 [79][80][82][84] 问题: 关于2026年的具体投资计划，特别是在招聘方面，以及对AI影响工作岗位的看法 [85] - 公司不会放缓技术方面的投资，并利用AI工具（如GitHub Copilot）提高开发效率，同时严格控制成本，在非技术方面，积极利用AI提高生产力以加速全球上市，此外，产品方面正在扩展数据编织层，即将推出新的数据智能和服务产品，以处理海量非结构化数据，拓宽平台消费基础 [86][87][88] 问题: 关于2026年运营利润率指引相对持平，以及之后如何扩大利润率以实现2029年目标的信心 [93] - 基于过去三年盈利性增长战略的成功执行，公司有信心，2026年将进行超比例投资（特别是在营销方面），以利用当前市场动态，同时，在技术和运营效率（包括AI采用）方面的投资将在未来带来收益，为后续利润率扩张奠定基础 [93][94][95] 问题: 关于大客户增长主要是来自席位扩张还是新增服务叠加 [96] - 净留存率的增长主要来自客户采用平台内额外产品的交叉销售活动，而非席位扩张，唯一的例外是MSP渠道，其成功通常伴随着管理的席位增加 [96] 问题: 关于大型语言模型供应商向上游工作流编排层发展可能带来的风险，以及公司的防御能力 [100] - 公司增长动力多元，包括新客户获取、现有客户增销和渠道拓展，其平台在数据管理、治理和提供AI所依赖的数据上下文方面的能力构成了强大的防御护城河，企业级数据管理需要严格的基础设施，这正是公司发挥作用的层面，需求旺盛且没有放缓迹象 [100][101][102] 问题: 关于美国联邦政府业务的表现、渠道和需求展望 [103] - 第四季度公共部门（特别是联邦民用领域）增长率低于北美整体水平，但国防及州/地方政府领域表现强劲，公司并未减少对公共部门的关注，这仍然是其全球增长战略的关键部分，尽管过去一年面临挑战，但对团队执行力感到自豪 [104][105] 问题: 关于控制套件年度经常性收入占比下降的原因，以及现代化和韧性套件表现更强的影响因素 [109] - 控制套件占比下降部分是由于第四季度迁移活动增加，客户为利用AI而整合数据，这推动了现代化套件增长，控制套件的平均交易规模较低但利润率最高，季度间占比会有波动，公司更关注整体平台捆绑销售的成功，且控制套件全年仍保持约20%的健康增长 [111][112][113][114][115][116]

合作核心内容 - 沙特阿美与微软签署谅解备忘录 旨在加速工业人工智能部署并加强沙特阿拉伯的数字能力 [1] - 合作基于双方现有协作 核心是在微软Azure云平台上部署人工智能驱动的工业解决方案 [2] - 合作重点是将人工智能从试点项目推进到核心运营系统 目标是提升沙特阿美全球能源业务的效率、竞争力和韧性 [2] 数字主权与数据治理 - 合作核心是加强数字主权和数据治理 双方将探索包含主权控制的云部署路线图 [3] - 该路线图将支持沙特的数据驻留要求 符合沙特将关键数字基础设施本地化及敏感工业数据置于国家管辖之下的广泛目标 [3] 运营优化与数字化 - 合作另一支柱是运营优化 双方将研究如何简化支撑沙特阿美上游、下游和化工业务的数字框架 [4] - 目标是创建一个更无缝、更集成的数字化骨干网络 [4] 生态系统与商业化 - 备忘录计划引入沙特技术集成商和行业合作伙伴 以扩大人工智能在整个沙特工业价值链的采用 [5] - 通过培育国内合作生态系统 沙特阿美将工业人工智能定位为不仅是内部效率的杠杆 也是实现《2030愿景》下更广泛经济多元化的工具 [5] - 合作的一个显著内容是探索共同开发和商业化工业人工智能知识产权 [6] - 双方正在评估为能源行业定制的人工智能驱动运营系统建立一个全球市场的潜力 这可能使沙特开发的解决方案能够在国际竞争 [6] 人才发展 - 双方正在讨论扩大劳动力发展计划 重点领域包括人工智能工程、网络安全、数据治理和产品管理 [7] - 这些计划将建立在微软在沙特现有的培训基础上 该公司已向数千名学习者提供了云和人工智能课程 [7] - 目标是将技能发展与可衡量的成果挂钩 以支持沙特培养精通数字的工业劳动力的雄心 [7] 公司战略意义 - 对沙特阿美而言 此举标志着其更广泛的战略转变 即数字化正从支持功能转变为核心能力 [8] - 公司已在钻井、油藏管理、预测性维护和供应链优化等领域持续投资于高级分析、自动化和人工智能 [8] - 深化与微软等超大规模云提供商的合作 表明其意图将这些能力标准化和规模化 [8]

政策发布与目标 - 江苏省工信厅会同国家工业信息安全发展研究中心发布了《江苏省制造业领域面向人工智能的数据治理工作参考指引（2026年版）》[1] - 该指引旨在指导江苏省制造业企业系统化开展数据治理工作，以用好面向人工智能的数据治理技术和方法[1] 数据治理的重要性与趋势 - 人工智能应用的核心是依托高质量数据完成模型训练、推理与迭代[1] - 数据治理是保障数据质量的核心抓手[1] - 人工智能应用的深化，正推动数据治理工作从“被动合规”向“主动价值驱动”升级[1] 制造业当前数据痛点 - 制造业领域存在数据“孤岛”与“失真”、数据治理与标准化缺失、数据与应用场景脱节等痛点问题[1] - 这些问题严重制约了高质量、场景化数据集的供给[1] 指引的核心内容与结构 - 新版指引结合了31个人工智能典型应用场景[1] - 指引面向不同水平的企业，划分了数据治理入门、基础、进阶三个等级[1] - 该指引为全省大中小企业典型场景的人工智能应用提供可对标、可参考、可部署的数据治理适配方案[1] 数据治理的具体技术环节 - 指引聚焦数据采集、预处理、特征工程、数据标注、数据划分、数据增强等六大核心环节[2] - 指引分门别类地给出了每个环节的治理路径[2] - 制造业企业可结合自身技术基础、资源条件及实际业务痛点，针对性选取适配的环节落地数据治理技术，以最大化挖掘数据价值[2] 各环节面临的典型问题与解决方案 - 在数据采集中，存在数据“采不到”“采不准”“采不全”，以及“格式乱”“分布散”“溯源难”等问题[2] - 在数据预处理过程中，会遇到数据“脏、乱、繁”等问题[2] - 指引在每个环节均列出了数据采集核心技术应用清单和配套工具清单，企业可根据问题对照解决[2]

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]