十年前，企业想从数据中获得价值，通常需要先建一座“数据中台”。

数据要经过抽取、整合、清洗、建模和结构化，再由专业人员把结果交给业务部门。这套模式诞生于上一代数据技术环境。阿里云公开资料显示，国内“中台战略”的标志性起点可以追溯到2015年——距今已经超过十年。

图注：阿里云智能总裁张建锋

它解决过问题，但也带来了一个新问题：企业不是在使用数据，而是在不断加工数据。

到了AI时代，企业需要重新思考一个问题：我们还需要先花费大量时间整理数据、建设中台，再让少数专业人员分析数据吗？

一、搭建数据中台可以“零代码”，但不等于“零门槛”

传统数据中台的基本逻辑，是先将分散的数据进行抽取、清洗、转换、建模和统一管理，再通过BI报表、仪表板或分析工具提供给业务人员使用。以国内部分面向电子实验记录本的数据中台产品为例，其公开资料强调通过“零代码拖拽”降低数据处理门槛，但完整流程仍然包括：数据抽取、整合、清洗、索引、建立统一规范、构建主题数据库、绑定数据字段、设置接口和权限，最后再搭建报表与仪表板。

这意味着，用户虽然不一定亲自编写代码，却仍然要理解数据源、数据规范、清洗规则和主题库逻辑。

零代码解决的是“怎么操作软件”，却没有完全解决“谁来理解和结构化数据”。

对于数据规模庞大、分析流程相对固定的大型生产企业，数据中台仍有一定价值。但研发场景强调快速试错和灵活探索，若必须先完成数据治理和中台建设再开展分析，不仅会延长应用周期、增加专业人员投入，也可能削弱实验室研发的灵活性。

二、AI已经可以处理非结构化数据，所以用不到数据中台

过去，系统只能理解已经整理成表格和数据库的数据。因此，企业必须先把文件、图片和实验记录转换成结构化数据。今天，多模态大模型已经能够直接处理文档、图片、表格和自由文本。

Google Cloud公开资料显示，生成式AI可以通过自然语言提示，对复杂文档进行分类、信息提取和总结、问答，很多场景几乎不再需要专门训练模型；AWS的知识库服务也已经可以自动完成文件解析、内容切分、向量化、元数据提取和索引。

图注：Google Cloud官方文章

科研人员不必先把每一份实验记录拆成标准字段，才能开始使用数据。借助AI，例如某公司的InAI智能体，实验人员可以直接围绕实验文档、图片、表格、化学结构式和历史记录提问，让AI完成检索、理解、归纳和初步分析。

图注：某公司官网

过去是“先结构化数据，再提出问题”。

未来是“先提出问题，由AI结构化数据”。

三、给数据中台增加AI，不等于AI原生

如今，不少数据中台开始加入AI助理，通过自然语言生成查询语句、调用数据库并生成分析图表，降低了数据查询和BI分析的操作门槛。

但这类模式的基础并没有改变：企业通常仍需先完成数据接入、清洗、字段配置、建模和入库，AI主要负责后续的查询与分析。简单来说，仍然是先把数据结构化，再交给AI使用。

AI原生科研平台采用的是另一种思路：让AI直接进入实验记录、项目文档和科研工作流，理解文本、表格、图片、化学结构式等多种科研数据。科研人员不必先搭建主题库或配置仪表板，只需直接提出需求，AI便可以从已有资料中总结实验进展、比较批次差异、分析关键变量，并进一步辅助生成项目报告、专利或申报资料。

两者的差别不只是有没有AI，而是AI在流程中的位置不同：

一种是在数据结构化后调用AI，另一种是让AI从数据产生之初就参与理解和分析。

四、少一道数据加工，少一道门槛，少一分成本

未来企业AI的竞争，不只是模型能力的竞争，更是使用门槛的竞争。

如果一个业务问题需要数据工程师先整理数据、技术人员配置流程、分析人员建立模型，最后实验人员才能看到答案，那么企业购买的不只是一套平台，还要长期承担实施、维护、培训和协作成本。

对于研发场景而言，更理想的方式是让AI直接进入科研工作流。某公司的InAI智能体以电子实验记录本InELN中的实验记录和项目数据为基础，可以围绕实验内容直接开展对话、总结、分析和内容生成。科研人员不必学习复杂的数据处理工具，也能快速调用和利用已有科研数据。

数据中台更关注如何结构化数据，AI智能体则更关注如何利用数据解决问题。尤其在实验记录、文档、报告、图片等非结构化数据占比较高的科研场景中，企业需要的未必是增加更多中间环节，而是缩短从数据产生到业务应用的路径。

十年前，企业先结构化数据，再寻找价值。

今天，企业可以从问题出发，让AI直接结构化数据、寻找答案。

少建一层平台，少维护一套流程，少设置一道专业门槛。

从“人工结构化数据”到“AI直接与数据对话”，这才是AI时代科研数字化更值得关注的变化。