据数据显示，尽管在数据准备方面存在明显短板，新西兰企业仍在加速推进人工智能项目。数据集成服务商Locus引用的研究指出，65%的新西兰组织已经启动了活跃的人工智能计划。
然而，AI adoption与底层数据系统的准备程度之间存在显著脱节。由Boomi委托Omdia进行的调查显示，仅有39%的新西兰组织采用了以平台为主导的集成方法。此外，43%的组织没有专门的人工智能预算，34%的组织无法有效衡量其AI计划的成效。Locus表示，许多组织在追求AI项目时，仍依赖分散系统和手动流程。
“影子集成”破坏数据质量
Locus集团总监John Arnerich指出：“AI的可靠性取决于数据质量。在市政、公用事业和交通领域，关键信息仍存储在分散系统中，并通过手工流转。在此基础上叠加AI模型，只会加速错误的发生。”
研究还强调了对“影子集成”（即在中央监管之外创建的非正式系统链接）的担忧。约72%的新西兰受访者表示，这些不受管理的连接破坏了数据质量，降低了对信息的信任度。
尽管89%的组织将数据集成、访问和治理列为关键优先事项，但仅有38%制定了针对AI的数据治理政策。与此同时，86%的组织预计AI计划将加强其对数据质量和治理的关注，84%的组织正努力减少工具和技术的蔓延。
这一挑战在各行业普遍存在。Experian的另一项研究发现，虽然76%的新西兰金融机构正在使用代理式AI支持承保业务，但55%的组织表示，数据质量和治理问题是导致AI部署失败的主要原因。受访者还将数据质量差（41%）和系统碎片化（37%）确定为主要运营障碍。
自动化流程破解数据瓶颈
Locus指出，这些运营问题往往源于日常工作流程，而非AI系统本身。在公共部门和基础设施组织中，数据任务在引入集成工作前通常依赖手动处理。
例如，在新西兰交通局（Waka Kotahi），此前下载、压缩和传输新安装网络设备照片附件的流程需耗时一天；在整合FME到工作流后，该任务缩短至约五分钟。奥克兰市议会在自动化水资源数据请求的提交、审批和交付流程后，周转时间也从10天缩短至三到四天。惠灵顿电力公司则通过自动化管道，实现了无需人工处理格式不一致的零售商文件。
Arnerich认为，能从AI中获得真正价值的组织，首先完成了连接系统、自动化手动处理以及确保数据来源可信等基础性工作。正是这一基础使得AI能够超越试点阶段，进入实际应用。
未来投资聚焦数据集成
支出意向显示，组织正准备加大相关投入。Omdia研究发现，93%的新西兰组织计划在未来18到24个月内，增加或保持对数据集成、准备和编排的支出。
Locus建议，IT领导者的首要任务是审查数据在组织内的流动方式，包括电子表格、脚本以及在正式监管之外创建的非正式链接。反复的手动传输、格式不一致以及关键数据集所有权缺失，往往掩盖了更广泛的信任、治理和度量问题。随着AI项目从试点走向规模化应用，解决这些数据基础滞后问题已成为当务之急。