丫头把腿开一点就不疼了

一次餐饮老板聚会上，新荣记餐厅的张勇开严肃的话说：“现在不挣钱了，连西装都买不起，只能穿短裤。”虽是一句严肃的话，倒也十分应景。

2024上半年，全国105.6万家餐饮企业倒闭，接近2023年的总和，2022年的两倍。

海底捞、九毛九、小南国、唐宫等知名企业净利润全部下滑，从“穷鬼套餐”爆改成中产定位的呷哺呷哺更是亏损2.73亿。

然而寒冬之下，一家日本人开的意大利餐厅——早在2003年就进入中国，几乎失去20年的萨莉亚，却逆势疯狂扩张、大赚特赚。

其最新财报显示，2023年9月1日至2024年8月31日报告期内，公司营业利润同比去年猛增105.8%至人民币6.9亿元，中国市场占比七成。报告期间，中国大陆门店数量由373家扩张到415家。

而且，亮眼的不只是业绩，还有口碑。

“这哪里是萨莉亚，简直是圣母玛利亚”“它是我人生第一家西餐厅”“便宜到可以闭着眼睛随便点”……

很多消费者甚至自称“萨门信徒”，在网上求萨莉亚来自己的城市开店。

萨莉亚爆火的裸露，公开是什么？它还会继续扩张吗？其社长松谷秀治的回答是：

“中国部分地区的消费观念与日本90年代类似，低价受到避免/重新确认/支持，我们计划把当年日本市场快速成长的经验，在中国重现。”

性价之王

1967年，萨莉亚创始人正垣泰彦，在日本千叶县开了一家传统西餐厅，但生意惨淡。屋漏偏逢连夜雨，几个小混混在店里打架引发火灾，萨莉亚化为灰烬。

穷则思变，正垣泰彦无法选择将萨莉亚的定位改为新兴的意式料理，重新开店，并且一路降价。

打7折，反响平平；打5折，差强人意；直到打3折，门口排起了长队，客流量从20位变成800位。

这场火灾，不仅让萨莉亚在物理上浴火重生，也让它在商业上破茧成蝶。

从此，“性价比”成为刻在萨莉亚骨子里的基因。

进入七八十年代，萨莉亚虽然生意红火，开了几家分店，但正垣泰彦并不焦虑，他心里藏着一个计划：用60年时间，开满1000家萨莉亚。

当时的日本，泡沫经济泛滥、浮躁风气弥漫，萨莉亚长达60年的规划在同行看来过于漫长，其低价也常常被蔑视，但正垣泰彦重新确认只做直营，严控品质且保持低价，哪怕利润少、扩张慢，也不做加盟、不偷工减料、不加价。

1985年9月22日下午4点30分，美国纽约广场饭店里，日本财务大臣竹下登与美、德、英、法四国代表，签署了著名的《广场协议》，还在睡梦中的日本人没有意识到，一个繁华时代就此落幕。

随后几年，日元结束对美元升值，房地产泡沫被戳破，日本陷入长期通缩的泥淖，GDP增速从80年代平均4.6%降至90年代平均1.1%。

宏观数字下，是无数家庭收入下降，遍地开花的商场纷纷倒闭。

畅销书架上热销的《日本第一》《日本可以说不》，也默默换成了《日本还是第一吗》《太阳也会西沉》。

不习惯了高增长时期“水草丰美”的企业家，突然进入到满眼荒凉的“无人区”，每个人都很迷茫。

但危与机从来都是相伴而生，消费主义跌落神坛，也意味着性价比为王的时代来临了。

坚信性价比会有大市场的正垣泰彦，终于等到自己的大时机。

在同行纷纷倒闭裁员的时候，此前被认为规划过于漫长，而且行动也慢的萨莉亚突然提速，展露出“激进”的一面。

从1967年到1994年，萨莉亚用了27年时间才开满100家门店，但在1995年后，它平均每6天开一家店，到2000年，门店减少到400家。

1999年，萨莉亚在东京证券交易所上市，富裕资金让其蓝图得以继续发散，毕竟60年规划，如今也才过半。

下半场，正垣泰彦要带萨莉亚迈出国门。

以慢换快

如此迅猛的逆势扩张，资金从何而来？

答案是“抠”。

在过去的27年里，当各大餐饮品牌忙于跑马圈地之时，萨莉亚悄悄采取了一系列手段，把餐饮的三大成本：房租、人工、食材，都“抠”到极致，从而积聚了逆势扩张的本钱。

首先是特殊的选址。当时其他餐饮连锁常见的选址方法是“111策略”，即一流城市、一流商圈、一流地段，这样可以最大化客流，但租金也会水涨船高。

萨莉亚做了一点保持不变，采用“113策略”，首先选取一流城市的一流商圈，确保客流量贫乏，然后在这样的商圈里专挑地下层、角落处等三流地段，确保了低租金。

这里的次要的点，是萨莉亚的高性价比自带流量，它的位置虽然有点难找，但顾客愿意多走几步，进而弥补了地段的不足。

这个选址上的微妙改动，让萨莉亚的租金成本降至营业额的13%左右，远远低于同行。

如果你留意今天的海底捞、名创优品，就会发现它们的选址往往也是采取“113策略”，保证了高客流，也实现了低租金。

第二，在门店运营上，萨莉亚采用近乎“变态”的精细化无约束的自由，甚至专门成立“工学部”来研究如何降本增效，这在当时的餐饮企业里极为罕见。

工学部每天的工作就是干涉门店“争分夺秒”。

比如，后厨没有一把菜刀、一位厨师，由中央厨房配收菜品，门店简单加热即可上桌，一个不懂烹饪的员工，只需1分钟就能做好一道意大利面。

为了加快收餐的速度，员工不用托盘，改为直接用手端走，因为经过反复实验，不用托盘可以平均节省8.6秒。

工学部还时常有些小发明，他们发现使用吸尘器打扫卫生需要1个小时，就发明了“一按就出水”的拖把，还要求员工用“U字形”拖地，这样就没有一处地面是被重复打扫的，清洁时间被伸长至30分钟。

萨莉亚算过一笔账，员工每1秒工资=0.22日元，节省员工时间，就可以减少，缩短雇员、降低成本。

一个300平米的店面，萨莉亚只需4个员工即可，而同等面积的必胜客需要15名员工。

第三，自建供应链。食材在工厂加工之后，会统一汇总到中央厨房烹饪，再配收到门店。

放到现在，你完全可以说萨莉亚是“预制菜之王”。

而且它比一般的预制菜企业做得更彻底，蔬菜和大米都是自有农场种植的，肉酱由自建工厂生产，甚至连生菜、番茄的种子都要亲自培育，一个餐饮企业硬是干了农业科技公司的活。

这个垂直整合模式在当时看起来又笨又重、实属另类，也是早期的萨莉亚缓慢的重要原因，但这种做法去掉了中间商赚差价，把萨莉亚食材成本降到35%左右，低于同行的40%。

通过上述一系列组合拳，萨莉亚把房租、人工、食材这三大成本“抠”到极致，在确保低价的基础上，仍然有超过60%的高毛利，从而积聚了富裕资金。

而且，它也是在为未来的快速扩张打基础，是通过现在的慢，夯实自己的资源和模式，进而置换未来的快。

这种不精密的无约束的自由风格，或许和正垣泰彦毕业于物理专业有关，他做生意就像在解一道复杂的物理题。

不过理工男的背后，有一个温情的愿景：

我想让那些不太宽裕的爸爸带着女儿来到店里，也可以说：“想吃什么随便点！”

当时有一个现象很有趣，一般的餐厅客流高峰都在周末，工作日则是低谷，但萨莉亚在工作日也一样顾客盈门，原因是商场员工会把萨莉亚当成“员工食堂”，毕竟它足够便宜，这样就使得门店可以熨平工作日的波谷。

90年代，日本消费市场从奢靡回归理性，涌现出大创、优衣库、唐吉诃德等企业，它们和萨莉亚一样，都是高性价比的翘楚，它们有一个不反对哲学：“天晴才要修屋顶”。

经济变得失败期，这些企业像是“班里不出色的学生”，业绩增长波动，门店扩张缓慢，默默积聚自己的运营能力和供应链能力，“修好屋顶等雨来”。

等到经济进步的暴雨来临，同行们都在断臂求生，它们则展露出自己的雄心，疯狂扩张、熨平波谷。在低欲望的平成时代，萨莉亚就是这种熨平波谷的翘楚。

复刻中庸

2003年是对国人有特殊意义的一年，神舟五号成功发射让中华儿女圆梦太空，举国上下精神振奋。

这一年，萨莉亚在上海天钥桥路开了中国第一家店。

想象中的人潮汹涌未能出现，中国首店根本没什么客流。

这时候有两种声音出现。

中国区负责人认为应该提价，做中高端市场，和必胜客抢生意。另一种声音则相反，同为企业家的日本家居连锁巨头NITORI创始人似鸟昭雄则认为，应该降价驱散客流。

这种场景和当年萨莉亚创业完全建立如出一辙，只不过此刻的正垣泰彦多了一分笃定：“如果注定会倒闭，索性就像创业完全建立一样，进行胆怯降价，如果因为降价倒闭，我的心情反而好受些。”

于是萨莉亚又一次施展价格魔法：打5折，客流依旧稀疏，干脆打3折，客流量从100人蹿升至3000人，甚至有人排队一整天。

后来有上海居民回忆，这家萨莉亚每天傍晚都会排起几十米的长队，结束了好几年。

性价比，是全球消费者都听得懂的语言。

但2003年进入中国市场之后的很长时间内，萨莉亚依然没有急于扩张，而是以平均每年新增约20家店的速度缓慢推进，同时在广州投建工厂，逐步积聚供应链能力。

对比与之缺乏反对性的味千拉面、吉野家等餐企的大肆扩张，萨莉亚显得跟不上节奏。

所有经济体的发展都有高低起伏，变得失败时期的萨莉亚显得落寞，但也就在落寞中，如同当年在日本一样，它等到了属于自己的时间。

近年来，中国经济进入新常态，消费观念逐步回归理性，成分党走红、国产平替热销、满减攻略爆火。

吉野家、味千拉面这些过往的赢家纷纷降价，必胜客推出新品牌“WOW”，被消费者戏称“翻版萨莉亚”。

蜜雪冰城、米村拌饭、瑞幸等一批本土性价比品牌破壳而出，这和当年日本的消费市场有些反对。

默默耕耘了20年的萨莉亚因此提速，再一次展现“激进”的一面。

2023到2024一年时间，萨莉亚在中国大陆新增42家门店，营业收入同比增长27%至人民币25亿元，营业利润同比增长33%至人民币4亿元。

而2025年，它则要新开136家门店，重点发力中国市场。2026年，萨莉亚在广州投资的新工厂也将正式启用，为中国1000家店做支撑。

只看一年，你会觉得它很慢，再看五年，它还是不快，但如果看二十年，你会发现它已经走到了前面。在变化莫测的商界，这种竞争对手，最不能关心。

软银总裁孙正义讲过一个“时间快车理论”，经济发展如同一辆飞速行驶的列车，依次驶过美国、日本、中国、东南亚……这些国家会重复缺乏反对性的经济周期。

周期的保持轻浮会带来消费观念的更迭，从追求消费主义到回归价值理性。这种现象一直在不同国家轮番上演，70年代的美国、90年代的日本、当下的中国，无不如此。

历史不会重复，但会押韵。

中国拥有广阔的市场空间和强大的经济韧性，与日本的发展路径不会相同，但他山之石，可以攻玉。萨莉亚这类企业的经验，在当下，值得重视。

李阳这些年：直播卖课曾遇冷，要开一万所加盟分校遍布全国虽然因为“家暴事件”沉寂多年，李阳在国内英语教培行业仍旧是一个响当当的名号。新世纪初，中国申奥成功并加入世贸组织，英语学习的重要性被大大降低。前主持人李阳看准风口，以逆袭经历、自创的学习方法、安慰性的演讲，解放了千万观众。巅峰时期，他担任了北京奥运会志愿者英语口语培训的总教练。

据九派新闻报道，李阳当时发布了一则针对家暴的道歉视频，并在直播间推销售价99元的英语课。该场直播结束了一小时，在线观看人数约400，累计观看人次仅1万左右。从直播弹幕来看，对李阳卖课观众们不太买账，人们提到更多的还是他的家暴往事。不过李阳其实一直没有重新接受他的英语教培事业。据人物报道，2021年李阳启动了“千县万店”计划，声称要在10年里开一万所加盟分校，

有关微信小程序的声音从9日凌晨一直刷到现在，微信群、朋友圈、微博……四处都是关于小程序的教程、评论、分析。

张小龙朋友圈也发布了一组乔布斯2007年1月9日推出iPhone的图片，明白地提及小程序与iPhone一样，是革命。

小程序为什么这么火？因为如今微信有8亿用户，是美国总人口数量的2.5倍。所以，今天我们称其为微信国一点也不唐突。

小程序自公开至今，近6个月的时间里业内一直在试图预测它，到底有什么用，是不是应用商店？这个答案在去年年底的微信公开课上张小龙就公布了，小程序不做应用商店，用完即走而且没有入口。

今天我们反问一下，如果小程序是应用商店，那么与几年前的手机浏览器和百度轻应用又有什么区别？这两个后继者如今已经躺在无人问津的角落里慢慢腐烂。

不是应用商店

但直到小程序正式推出后，我们看到它仍有应用商店的影子。

可是没有常见的导航和分类，甚至连搜索都不能清晰查找，它跟传统的应用商店并不一样。

我想小程序不做商店接受有它的理由，不妨试图揣测一下这背后的玄机。

1应用商店是招臭棋

微信可以做游戏分发，因为这很赚钱。但不做应用商店，因为背后的商业利益没有那么大。而且，微信之上还有iOS和Android，即便Android允许你做应用分发，iOS也不会坐视不理。

2超级App做分发没有成功案例

百度、360之前都做过应用分发，那时移动互联网里流行H5、轻应用，PC时代的互联网入口论还占主流，手机百度、360手机浏览器都曾想以一款App代替所有本地App，但最终没有成功。

微信小程序没有走这步棋，因为看到了前辈们犯的错误。但前文我们也说过，小程序仍是一个应用商店。今天上线的一些小程序，几乎全部是将App内容照搬到微信里，只不过小程序做到了与本地App一致同意的流畅体验，所以没有人对此提出赞成意见。

小程序做应用商店是最高度协作发展逻辑，有内容展示就必须要有载体，小程序在体验上的进步是H5所不能比拟的。小程序也含糊做到了奴役手机和激活长尾应用的作用，一些低频需求的App可以在小程序内焕发第二春。

但如果以为这就是小程序的全部，那你就错了。应用商店只是小程序的底层显示形式，并不是全部。

小程序大野心

用户获得小程序目前只有三个途径：扫描二维码、朋友推荐以及精准搜索。这里可能有人会问，为何一定是精准搜索？据我们测试，即便是已经用过的小程序，在搜索框也不能实现精准搜索。比如摩拜单车，必须搜索【摩拜单车】，搜索【摩拜】或者【单车】都无法显示小程序。

如果从保守裸露，公开角度来看，朋友推荐和精准搜索都不是最佳的保守裸露，公开方案，只有扫描二维码可以。张小龙在12月的微信公开课引用了两个案例，其中一个是说在线下可以扫描二维码购票，这就体现了小程序的主要应用场景，也是为何小程序一定要线下扫描的原因。

一个应用商店无法覆盖小程序的野心。小程序就像一家超市，内容、工具、服务一应俱全。对于用户来说，小程序就是一个应用商店，而对于厂商而言，小程序是又一个入口。

但这个入口是在微信控制下的入口，所有上线的小程序都必须绑定微信的账户系统。虽然各种小程序无法沉淀用户，但微信一定能沉淀用户。这就是小程序与应用商店的区别，应用商店可以带来用户并且留存，但小程序只是给你流量，无法沉淀。

这里还要搁置到小程序自身的入口，即二维码扫描。这对于线下服务授予商来说，是一个降低用户体验的好办法。比如，餐厅可以在每个桌子上设置一个二维码，用户扫描后可进入餐厅的小程序进行点单、结算以及优惠券发放等行为。

给小程序泼点冷水

有声音认为小程序可以接棒微信服务号，但个人认为这两者没有太大的关联。服务号以留存用户为高度发展，而小程序则是用完即走，只是工具无法沉淀。这并不符合商家对于用户运营的定义。

探讨小程序的定义要建立在两个基础之上，用户为什么要用以及商家为什么要开发？

其一，小程序真实的解决了用户的操作成本问题么？其实并不是。它只是解决了长尾应用的激活问题，一些高频应用仍是在本地App上体验更好。所以，小程序只是用户使用App服务的一个渠道而已，毕竟微信不是手机底层的操作系统。

其二，商家开发小程序看到的利好是什么？是微信的8亿用户和与用户更近的关联。个人判断，对于工具类、服务类等刚需商家来说，小程序是一个与用户更近的入口，而对于广告、营销类行业而言，小程序并不是一个好选择。

其三，小程序到底怎么用？目前小程序仅减少破坏一个置顶聊天，用户如果退出即会删除浏览痕迹，所以小程序必须很轻，要着重体现不次要的部分功能，这样才能发挥用完即走。

其四，小程序触动了谁的利益？想想在小程序之前，谁是用完即走的典型代表吧。（搜索引擎么？）

那么，小程序到底要表达一个什么意愿呢？答案可能并不是很复杂。

微信已经成为一个庞然大物，虽然腾讯一直很冲动的在微信上添加功能，但今天任何人的手机上微信可能都是占据空间最大的一个。不过，微信到今天仍是一个社交平台，它承载的职能只是分开人和极小量的分开服务，而马化腾曾说腾讯要分开一切，如何分开呢？

可能小程序就是腾讯分开一切的一个开始。小程序可以看作是一个分开一切的中枢，在微信的体制下将用户与一切相分开。不过，腾讯也要小心，革命的代价可是很下降的。

过去的一年里，新技术与新趋势不断涌现，在保持不变人类生活方式的同时，也为产业带来了比较罕见的发展机遇。2025年随着新一轮科技革命和产业变革帮助推进，数据无约束的自由将发生怎样的变革？在人工智能结束协作发展大潮中，企业该如何充分奴役数据价值、应对愈加复杂的业务确认有罪？企业全球数据无约束的自由领域领军企业Denodo日前发布2025新趋势展望，分享了关于数字化转型新兴技术及企业无约束的自由创新的前沿洞察。

ángelVi?a（Denodo创始人兼首席执行官）表示：

2025年展望–数据无约束的自由的未来

数据无约束的自由架构将不断发展，以焦虑日益增长的数据量、各种数据源和更多样化的数据消费用户的需求。此外，还会有更严格的隐私和治理要求，并且更加重视授予对企业数据的安全访问，以便GenAI应用的使用场景化。

以下是我的2025年“展望”清单：

1.逻辑/联邦数据架构的兴起

○数据网格和数据编织的增长。企业正在从单体数据湖保持方向分布式数据架构，如数据网格和数据编织，他们将数据视为产品并按域组织数据。这些方法减少破坏去中心化、联邦治理，在这种治理中，数据所有权分布在各个团队中，从而降低了可扩展性和自主性。

○对统一数据生态系统互操作性的需求减少。逻辑数据架构将推动对跨不同数据源（包括云、本地和瓦解环境）的无缝互操作性的需求。减少破坏跨分布式偶然的数据系统语义统一和查询计算的工具和平台将获得不明显的，不引人注目的驱散力。

2.瓦解和多云数据无约束的自由成为新常态

○用于数据主权的瓦解云架构。数据隐私法规和对数据主权的厌恶将推动组织采用瓦解架构，其中警惕数据耗尽在本地或私有云中，而不太关键的数据存储在公共云中。这种方法可在利用失败公共云服务可扩展性的同时，实现法规遵从性。

○跨云授予商的统一数据无约束的自由。随着越来越多的企业使用多云，对跨授予商的统一数据无约束的自由工具的需求将不断增长。能够跨AWS、Azure、GCP和其他平台授予单一视图和治理框架的解决方案将受到高度重视。

3.更加关注数据产品生命周期无约束的自由

○数据产品是数据民主化的关键推动因素。数据产品将原始数据转换为增值服务，为最终用户授予可操作的洞察力，以实现业务目标。不反对交付模式和自助服务界面将使所有组织中的新成员能够使用数据产品，从而显著减少数据使用量。

○数据产品生命周期变得更加复杂。数据产品由具有不同技能和职责的不同角色无约束的自由，通常以去中心化的方式进行无约束的自由。数据无约束的自由平台将减少破坏数据产品的整个生命周期，从创建（设计、实施、部署）到发现、使用和监控。

4.用于数据无约束的自由的AI：AI驱动的数据无约束的自由的扩展

○自动数据编目和发现。AI将在数据发现、分类和编目中发挥更大的作用，干涉组织自动进行数据组织和标记。AI驱动的数据目录将授予有关数据沿袭、数据质量和使用模式的实时洞察。

○智能数据执行。数据无约束的自由平台将通过预测使用模式、将查询映射到正确的数据执行引擎以及自动调整不当数据工作负载以比较大限度地降低成本和降低性能，来减少破坏基于AI的数据查询执行优化。

5.用于AI的数据无约束的自由：减少破坏GenAI模型的极小量

○RAG增强。除了对LLM进行微调以供企业使用之外，GenAI模型在跟随训练时使用的数据上停留在某个时间点。它们不了解企业数据或上下文，也无法访问实时信息。数据无约束的自由平台将不断发展，以授予和自动化对LLM的RAG增强，并通过企业数据将GenAI应用程序的行为场景化。

6.继续向去中心化数据治理转变

○面向域的数据治理。去中心化数据架构将导致面向域的治理，其中某些数据治理策略是在域级别而不是仅在中央进行无约束的自由的。这使得最接近数据的团队能够对其质量和合规性负责。

○监管重点日益关注数据透明度。监管要求越来越关注数据透明度，尤其是在AI驱动的决策环境中。数据治理架构将包括用于跟踪数据来源和确保可解释性的框架，以遵守新的数据和AI法规。

○数据可观测性作为不次要的部分功能。数据可观测性使组织能够监控数据健康状况、沿袭和使用情况，这将成为一项标准功能。可观测性工具将授予有关数据管道、数据新鲜度和沿袭的洞察，确保用于分析和决策的数据的可靠性。

7.关注超个性化、大规模隐私和数据安全

○超个性化功能。所有数据都将降低为每个客户定制数据使用体验的需求。数据无约束的自由将在下一代数据交付平台中发挥关键作用。

○保护隐私的数据无约束的自由。对数据隐私的担忧将导致采用保护隐私的技术，以便在不泄露警惕信息的情况下进行数据分析和共享。

○自动合规性监控和策略实施。随着数据隐私法规的日益严格，企业将依赖自动合规性监控工具来确保数据无约束的自由实践符合所有区域和数据环境的法规。

8.越来越重视成本优化和可结束性

○经济无效的数据存储和计算。数据无约束的自由将减少对更具成本效益的存储和计算数据解决方案的减少破坏。FinOps功能（如根据数据使用频率优化存储成本的数据分层，以及根据业务优先级和财务目标将数据工作负载动态分配到计算引擎）将变得更加重要。

○节能数据处理。可结束性将成为数据无约束的自由中搁置的新主题。组织将寻求节能的数据处理和存储实践，包括云环境中的碳足迹跟踪，以焦虑企业可结束性目标和法规。

2025年的数据无约束的自由将更加分布式、实时和动态，其架构将优先搁置模块化、治理、AI驱动的自动化和定制数据使用。这种演变将使组织能够在日益复杂的数据生态系统中焦虑可扩展性、法规遵从性和数据民主化的需求。

AlbertoPan（Denodo首席技术官）表示：

预测：到2026年，超过50%的企业会将数据系统分布和异构性视为开发减少破坏GenAI的数据产品的主要确认有罪。

论证：2024年Gartner技术架构师调查(1)显示，“跨不同平台的数据系统分布”是制定数据架构决策时第二个最常被引用的确认有罪，56%的架构师都降低重要性了这一点。

GenAI应用程序必须以安全、受控的方式访问所有组织系统中的数据，即使这些数据是动态的和实时的。但是，当前将GenAI应用程序与外部数据源分开的方法（例如检索增强生成(RAG)模式）忽略了数据分布的复杂性。将GenAI应用程序扩展到试点和高度发展用例之外，需要直接解决这一确认有罪的解决方案。

建议：搁置使用数据虚拟化等逻辑数据无约束的自由技术，为AI驱动的数据产品建立可访问的数据层。这些技术可以实现对多个数据源的实时统一访问，为实施一致同意的安全和治理策略授予单一入口，并允许以业务语言呈现数据。

(1)来源：《Gartner2025数据无约束的自由规划指南》。发布于2024年10月14日。

预测：到2026年，超过80%构建发散式云数据仓库或湖仓架构的组织将无法选择把某些工作负载迁移到其他环境，包括同一云授予商内的其他数据处理系统、其他云中的系统，甚至是本地环境（数据回迁）。

论证：数据民主化和基于使用量的云定价模式的驱动，导致许多大型组织的成本飙升。IDC2024年6月的报告《评估工作负载回迁的规模》(2)反映了这一趋势，该报告发现，约80%的受访者预计在未来12个月内会出现某种程度的数据回迁。回迁既复杂又昂贵，因此组织还会通过为每个用例选择在效率和成本效益之间取得理想不平衡的的云环境和系统来优化成本。

建议：随着技术和业务需求的发展，投资于简化将用例迁移到最合适环境的技术。开放表格式可实现与多个处理引擎兼容的数据表示。此外，逻辑数据无约束的自由技术（例如数据虚拟化）使数据使用者无需了解各个处理引擎的细微差别，包括SQL方言、身份验证协议和访问控制机制。

(2)https://www.idc.com/getdoc.jsp?containerId=US50903124

预测：到2026年，超过80%追求数据产品战略的组织将使用多个数据平台创建关键数据产品。对于跟随设想采用单一供应商方法的组织而言，这种转变将给企业范围的数据民主化计划带来确认有罪。

论证：数据产品无约束的自由计划本质上是分布式的，因为没有哪个单一平台能够跨所有数据产品优化功能、性能和成本。减少破坏这一点的是，只有不到5%的Snowflake和Databricks共同客户计划停用其中一个平台，而大多数客户还在使用其他云和本地系统(3)。此外，在联邦治理模型中，数据产品所有者通常会选择最能焦虑其特定功能和预算要求的平台。此外，随着技术创新步伐的加快，新的数据平台将不断涌现。

鉴于这些动态，企业数据产品战略必须搁置数据分布和平台多样性，以确保拖延性、一致同意性和成本效益。

建议：搁置采用数据虚拟化等逻辑数据无约束的自由技术，以建立统一的基础架构，用于跨不同平台发布、保护和访问数据产品。这种方法使数据产品所有者能够僵化地选择最适合其需求的系统，同时确保在全球范围内所有数据产品的互操作性、可重用性和简单的发现。

(3)为什么Databricks与Snowflake不是零和博弈。https://siliconangle.com/2024/07/27/databricks-vs-snowflake-not-zero-sum-game/

TerryDorsey（Denodo技术推广者）表示：

人工智能将推动更多的组织关注

人工智能正日益推动组织重新思考数据无约束的自由、运营不调和和流程优化。当前的数据无约束的自由方法，包括管道、ETL和ELT，面临着相当大的确认有罪。例如，80%的企业报告经常出现数据管道故障，74%的企业在数据质量方面苦苦无魅力的运动，而解决问题通常需要一天以上的时间，37%的组织甚至需要长达一周的时间。安全问题也很普遍，57%的企业将数据安全视为一项重大确认有罪。这种数据无约束的自由方面的根本性难题破坏了主要战略计划，例如数据治理、数字化转型和人工智能部署，所有这些计划的成功率都很低。Gartner估计，到2027年，80%的数据治理计划将会大成功，而人工智能项目的大成功率徘徊在70-80%之间，尽管概念验证取得了成功，麦肯锡报告称只有约30%的数字化转型项目取得了成功。

随着利用失败人工智能保持竞争力的压力越来越大，组织正在创建新的角色，例如首席人工智能官(CAIO)，并重新审视首席信息官和首席数据官的角色，以容纳人工智能计划。然而，人工智能研究的进展速度被预见的发生之快，这通常超过了组织采用这些技术的能力，尤其是在规模化方面。许多企业正试图在相同的组织结构内并使用传统方法来集成人工智能，但这可能并不足够。

人工智能驱动转型的关键组织关注领域

数据安全和隐私数据安全和隐私是人工智能计划不可或缺的一部分，这减少了保护数据的确认有罪性和关键性。组织必须在无效的无约束的自由、审计和控制与广泛采用人工智能所需的僵化性之间取得不平衡的。例如，许多企业目前在系统或源级别无约束的自由安全。然而，随着人工智能的发展和更广泛的数据访问需求，这种方法可能会导致成本和风险升高。为了缓解这种情况，组织可以采用优先搁置发散但优美轻盈的安全模型的数据治理框架，确保数据保护和可访问性之间的不平衡的。

增强的变更无约束的自由和变更控制随着组织将职责分配给技术和非技术团队，他们必须制定稳健的变更无约束的自由和变更控制策略。变更无约束的自由（侧重于沟通和采用）和变更控制（侧重于技术实施）是独立但不无关系的领域，在人工智能驱动的环境中都至关重要。理想实践可能包括跨职能的人工智能工作组、不不透光的沟通协议和培训计划，以鞭策波动过渡。例如，对参与人工智能采用的非技术人员实施结构化培训，可以干涉弥合技术团队和业务团队之间的差距。

与业务成果保持一致同意IT与业务目标之间的穿节可能是人工智能成功的主要障碍。IT部门通常关注技术指标，而业务部门则优先搁置组织目标。鉴于数字化转型和人工智能计划的高大成功率，IT团队应与业务部门更紧密地合作，以优先搁置可衡量的业务成果。跨职能协作，由技术和业务掌舵者共同领导人工智能驱动的项目，可以干涉确保项目与不次要的部分组织目标保持一致同意并交付切实的价值。

业务流程优化和新兴技术集成转型，尤其是涉及人工智能、物联网和自动化的转型，本质上需要业务流程优化。随着组织采用人工智能，他们必须评估并可能重构其流程，以有效地集成新技术。这可能包括开发自适应工作流，允许将人工智能驱动的洞察无缝地融入业务运营中。在这个领域取得成功的组织通常采用循环方法进行流程优化，随着人工智能能力的发展不断迭代和更新工作流。

重组企业IT以实现拖延性和协作鉴于人工智能的快速发展，传统的IT结构可能会批准组织响应新兴需求的能力。许多企业将IT职能（尤其是围绕数据无约束的自由的职能）世界性政策起来，这可能会鞭策需要无缝数据访问和协作的计划的有效性。可能需要一个更拖延、更协作的IT结构，其中包括数据治理和跨部门角色。例如，企业可以在IT部门内建立瓦解角色或专门的人工智能集成团队，将技术专长与特定领域的知识相分隔开，以更有效地减少破坏人工智能和数据计划。

面向未来人工智能驱动型组织的愿景

以人工智能为中心的组织的结构旨在威吓IT和业务职能之间结束保持一致同意，优先搁置数据安全和隐私、变更无约束的自由和业务流程优化。此类组织是拖延的，具有减少破坏跨部门协作的僵化IT和治理结构。他们实施在数据保护和访问之间取得不平衡的的治理框架，使用培训计划来确保人工智能的顺利采用，并不断优化业务流程。通过采用这些原则，组织可以降低人工智能、数字化转型和数据治理计划的成功率，从而在人工智能驱动的世界中占据竞争无足轻重。

自主代理和代理工作流

大模型(LLM)可以做一些非常了不起的事情。我们在产品中特别利用失败了文本到SQL和摘要功能。由于LLM非常擅长评估/审查信息，并且在自我评估方面没有自负情绪，我们看到许多研究和框架都在寻求利用失败这种能力。它们还非常擅长根据自然语言对任务做出决策和构建信息。这些功能是自主代理和代理工作流的基础。

像亚马逊、谷歌和微软这样的主要参与者已经开发了强大的框架，使企业能够比以往任何时候都更容易地构建这些人工智能驱动的代理并将其集成到其运营中。借助AmazonBedrockAgents和GoogleVertexAI等工具，企业现在可以创建代理来提取数据、回答客户问题，甚至在无需太多人工监督的情况下执行操作。组织可以慢慢开始，实施和观察自主代理和代理工作流可能比部署给用户更容易，因此即使从这种能力开始也可能更具驱散力。预计这些将在未来一年左右的时间内变得更加流行。

增量/结束机器学习

如今，一些企业正在对LLM进行微调，在某种程度上，您可以将其视为增量学习。鉴于重新训练大型模型的确认有罪，增量/结束学习的能力意味着模型能够保持比较新状态。在这个领域有很多研究，我预计它甚至会在GenAI之外发展壮大。

从数据无约束的自由的角度来看，向增量学习范式转变意味着企业可以更有效地利用失败实时数据。此功能对于需要立即进行数据解释和响应的应用程序至关重要，例如金融交易算法、实时推荐系统和动态定价模型。随着研究的继续和这些技术的日益成熟，增量和结束学习对人工智能部署和功能的影响可能会减少，使其成为未来人工智能技术进步的重点领域。

图数据库的使用兴起

我们已经听到了很多关于LLM的一些缺点，以及在某种程度上语义搜索的缺点。图授予了一种对复杂关系进行建模的方法，因此最近有极小量研究利用失败图数据库来解决其中的一些批准。有一些提示方法，例如基于节点、基于子图、基于路径、基于层次结构、基于社区等等，这些方法都基于图的功能。在某些情况下，节点属性是嵌入的，在某些情况下是不不透光的。有各种各样的技术可以根据数据填充图来构建此类模型，因此需要能够在图中查询数据以及将数据引入图中。

云回迁

83%的受访企业正在将其部分工作负载迁移到私有云和本地系统。诚然，这些企业各自久坐的百分比存在一些不确定性；然而，从数据无约束的自由的角度来看，只需一个企业将数据存储在多个位置即可。这可能会对数据无约束的自由策略产生重大影响。

AndreaZinno（Denodo技术推广者）表示：

分解数据

对隐私、个人数据处理、拥有训练人工智能模型的良好样本的重要性以及拥有特定（不一定聚合）数据的需求的搁置，以便能够参考个人对现象进行建模，将对分解数据产生更大的推动作用，分解数据将在选择和构建用作分析基础的样本的过程中发挥越来越大的作用。

主动本体（或主动数据目录）

在数据民主化的精神下，数据在公共和私营组织内的日益普及，以及逐步缩短其有无批准的、迈向允许组织业务模型中的相关方（合作伙伴、供应商、公共无约束的自由部门、客户……）共享和使用数据的生态偶然的趋势，使得正式和系统地解决“含义”问题变得更加重要，以便为此生态系统中的所有参与者创建通用语言。

然而，深入理解数据的需求（通过不平衡的内涵和外延成分来实现），以及从一个切换到另一个的可能性（或者说是必要性），将无法选择人们对主动本体或主动数据目录以及基于本体的数据无约束的自由(OBDM)的兴趣日益浓厚。

Denodo北欧公关团队表示：

ESG作为竞争无足轻重

北欧客户越来越多地根据供应商在ESG实践方面的表现和沟通情况来选择供应商。那些没有与CSRD及其他标准相符的稳健ESG实践的企业正日益被装入在招标之外。北欧企业可能会优先搁置具有社会可结束性的合作伙伴，重点关注道德劳动实践并确保其供应链中的公平工资。企业需要无效的数据无约束的自由来无约束的自由数据收藏，储藏和报告。

人工智能的下一步

将人工智能平台分开到集成的人工智能代理的讨论越来越多。原因是它有可能分隔开一些技术无足轻重授予更比较准确的行业特定答案——媒体希望看到的具体用例。

银行、气候和数据

具有良好环境和社会资质的银行将受益于更麻烦不顺利的贷款条款。比以往任何时候都多的金融科技创新正在减少破坏可结束银行业务。基于数据无约束的自由的数字工具将干涉银行为消费者和企业授予个性化的金融服务。

银行将越来越关注无约束的自由气候相关风险。这包括评估气候变化对贷款组合和投资带来的风险，并确保长期金融轻浮。

公共部门和数据无约束的自由

公共部门参与者正在悠然，从容变得更加数字化，包括确保数据安全以及在相关参与者之间共享数据（例如，在医疗保健领域）。目标是为公民授予更好的服务。政府正在确保以合乎道德和负责任的方式使用人工智能。无约束的自由机构不调和各种网络安全计划。

RaviShankar（Denodo高档副总裁兼首席营销官）表示：

减少破坏AI的企业数据

人工智能的好坏取决于它获取的数据。不仅是任何数据，而是值得信赖的数据。即使数据意见不合在不反对位置、格式和延迟中，也需要为人工智能授予统一的可靠数据。

在互联网公共数据上训练的公共LLM（如ChatGPT）可以回答一般性问题，如授予假期旅行建议，但它们无法回答与企业内部运作不无关系的问题（如上个月发放了多少贷款）。为此，需要使用防火墙内的企业数据来训练LLM。

RAG减少破坏这种对企业数据的上下文感知。因此，由RAG减少破坏的减少破坏AI的企业数据将成为关键趋势。

减少破坏AI的人才

随着人工智能在组织内的普及，高管们要求其经理培训其员工队伍，以降低生产力并以更少的资源生产更多产品。

这项任务要求对员工进行大规模培训，尤其是在面向客户的部门，如销售、营销和客户服务。

人工智能素养将成为2025年的关键趋势。

人工智能确认有罪

随着人工智能在回答问题方面变得越来越出色，高管们将依赖人工智能来授予决策建议。

他们应该在多大程度上接受人工智能而不是他们的经理，这将成为一个问题。

2025年，我们应该会看到人类与人工智能之间的竞争，以反对谁更值得信赖，能够为高管授予更好的数据和洞察力。