AI能力逐漸普及之後，企業需要解決的下一個問題是，如何讓其進入真實的業務環境。
進入2026年，企業AI的競爭將更多落在系統層面，包括模型如何接入企業數據、調用業務工具，以及如何在不同的 IT 環境中完成部署和管理。Cloudera首席業務官兼Applied AI總經理Abhas Ricky預計，未來的AI支出中，推理將成為企業AI的主要成本項。
這意味著，企業AI的成本和算力需求，將越來越多地集中在模型的日常運行上。模型需要持續調用企業數據和業務工具，而這些資源通常分散在本地數據中心、私有雲、公有雲和邊緣節點，部分數據甚至處於物理隔離狀態。
所以，推理規模上升之後，企業首先要解決的，就是模型如何進入原有的數據和 IT 環境。
而這，恰恰是更複雜的地方。
一般來說，大型企業不會把所有數據都放在同一個位置。核心數據跑在本地數據中心，一部分業務搬到私有雲或者公有雲；工廠、門店產生的海量數據留在邊緣；還有一部分數據，受安全、合規規則限制，只能放在物理隔離的環境裡。
所以，AI一旦進入真實業務，面對的就是一套複雜的數據環境。模型不僅要獲取數據，還要知道哪些數據可以訪問、調用哪些工具，以及如何在現有業務系統中完成任務。
因此，Cloudera 將業務重心聚焦於混合雲場景下的 AI 應用落地。當前，該平台管理的數據規模已超 25EB，公司已投入 10 億美元用於技術能力建設。
其核心思路，是讓Agentic AI
在不改變企業原有的數據布局前提下，進入不同的數據環境，在數據所在的位置進行推理，並進一步連接企業已有的工具和業務系統。
01 穩健與敏捷「雙軌制」：Kona與Maui協同進化
往往，大型企業的IT系統一般同時承載兩類需求。比如，銀行的核心交易系統、製造企業的生產報表系統，最重要的是穩定，系統一旦上線，升級就需要考慮上下游業務的牽連；另一類是AI創新和新業務應用，需要更快地試錯和部署。如果所有系統都按照同一套節奏推進，穩定性和創新效率就很難同時兼顧。
對此，Cloudera持續升級兩條並行的產品路線：一條是強調成熟穩健的「Kona」，另一條是側重模組化創新的「Maui」。
先說「Kona」。「Kona」對應最新發布的 Cloudera Base 7.3.2，主要承載關鍵生產工作負載。經過數年的平台工程投入，這一版本獲得了長達六年的生命周期，官方支持將延續至 2032年，也是Cloudera目前支持周期最長的 LTS 版本。
圍繞企業生產系統的實際需求，Kona的升級主要集中在三個方面。
其一是開放互操作。 Kona圍繞Apache Iceberg 和開放數據格式構建了共享數據層，使Impala、Spark、Flink等計算引擎可以訪問同一套數據資產，也能與 Snowflake、Databricks 等外部環境協同工作。
由此，企業可以保留已有的技術體系，同時降低不同引擎和平台之間的數據流通成本。
其二是儲存的解耦與自動化。除了Cloudera Object Store，Kona還支持NetApp、MinIO等S3兼容對象儲存。Cloudera Lakehouse Optimizer可持續執行Iceberg表維護，其核心能力是小文件合併（compaction），同時包括快照過期、孤兒文件清理和數據布局優化，減少大量依賴人工執行的湖倉維護工作。
其三是讓AI 進入生產環境。在與7.3.2配套運行的Cloudera Data Services中，Cloudera AI Inference service已具備生產級模型服務能力，Cloudera AI Agent Studio也已正式發布（GA），進而讓生成式AI能夠與企業現有的數據治理、安全和計算體系結合。
對於需要嚴格控制數據邊界的企業而言，這意味著AI應用可以逐步進入核心業務系統。
再說「Maui」。Maui的Cloudera Anywhere Cloud更強調部署速度和環境適應能力。其整合了Cloudera在2025年收購Taikun後獲得的Kubernetes管理能力，採用組合式架構，並將Agent-first 作為重要設計方向，面向混合雲、主權雲和隔離網路等複雜環境，可提供統一的數據與AI服務。
具體來看，速度是Anywhere Cloud直觀的變化。Cloudera首席產品官Leo Brunnick 指出，傳統數據服務從裸機部署到正式可用，平均需要約 60 天；Anywhere Cloud則能將這一過程壓縮到60分鐘以內。這對於需要快速驗證AI應用的業務團隊而言，可以大幅縮短部署周期，更快完成測試和驗證。
Kona和Maui 的協同價值，還體現在新舊體系的兼容適配層面。Anywhere Cloud既能夠獨立部署，也可以接入企業已有的Cloudera 數據平台，直接讀取 Ozone、Hive 這些已有的數據資產。企業原有系統則繼續運行成熟業務，新服務按需逐步上線即可。
「同一套代碼只寫一次，隨後部署到多個環境」，概括了這套鬆耦合架構的核心思路。其降低了企業進行大版本遷移的壓力，也讓數據和AI服務能夠在多雲、主權雲，以及隔離網路中保持一致的部署方式，並通過統一控制平面進行管理。
簡單來說，在這套雙軌體系中，Kona負責守住長期生產系統的穩定性，Maui則承擔快速部署和創新擴展。兩條產品路線通過開放數據格式、現有資產連接能力和統一管理體系形成協同，讓企業可以根據不同工作負載的成熟度，選擇各自合適的升級與部署節奏。
02 Cloudera Anywhere Cloud讓企業AI敏捷落地
數據與AI服務完成跨環境靈活部署後，新的挑戰隨之產生：數據分布在本地數據中心、邊緣站點、隔離網路，AI推理該選擇何處運行？
一般而言，高質量上下文通常儲存於私有環境，外部模型無法直接訪問。「數據、元數據與智慧財產權必須置於企業劃定的安全邊界之內。」Abhas Ricky指出，如果把PB級的數據全部集中搬到公有雲，再去做模型訓練和推理，不僅傳輸耗時長，網路開銷也會居高不下。尤其能源、金融、醫藥這類行業，數據一旦跨出安全邊界，還會觸碰合規監管，帶來智慧財產權方面的隱患。
針對這一痛點，Cloudera「AI 工廠」 的整體解決方案中的關鍵能力就是Sovereign Inference——主權推理。其核心邏輯是：模型在企業的安全邊界之內運行，讓算力主動靠近數據。這樣一來，企業可以牢牢掌控數據儲存位置、模型運行環境，以及整個推理過程。
埃克森美孚（ExxonMobil）的實踐，展示了這一方案在場景的應用效果。
埃克森美孚（ExxonMobil）的業務遍布全球，其油井、海上設施、傳感器和工業控制系統每時每刻都在產生大量數據。其中許多數據直接關係生產運行，需要及時處理，網路波動也不能影響關鍵業務。
針對複雜的混合部署環境，埃克森美孚提出了「讓計算靠近數據」的算力部署原則。埃克森美孚系統架構師 Monika Thulasi 解釋道：「圖像、影片等持續性分析任務運行於本地 GPU，短時算力峰值、概念驗證場景按需調用雲端資源。長期任務本地化運行，減少昂貴雲算力的持續占用；雲端彈性資源專用於應對臨時業務需求。」
進一步，利用Cloudera的Anywhere Cloud把推理能力帶到了網路條件受限的邊緣站點。物理AI監測應用可以直接在現場分析數據，發現異常並給出修復建議。自動化部署也節省了大量準備時間：原本約需6小時的完整流程，現在只需65分鐘。
埃克森美孚解決的是數據與算力之間的物理距離，而在醫藥研發領域，艾伯維（AbbVie）的問題則集中在數據本身。艾伯維的數據來源眾多，專業關聯複雜。完成匯集之後，還要理清數據之間的關係，否則研究人員和模型很難準確查找和調用。
目前，艾伯維已經接入超過 270 個數據源，並在此基礎上構建了知識圖譜。這些知識圖譜將分散在不同系統中的資訊串聯起來，為藥物研發和模型調用提供更完整的上下文。
但是，隨著模型接入數量增加，艾伯維的 TCO（總擁有成本）核算中，除了模型調用產生的Token費用，還包括工作流改造、數據治理、算力資源和人員投入等一系列隱性投入。
於是，為解決多模型管理難、成本不可控、上線周期長的問題，艾伯維基於 Cloudera Anywhere Cloud 構建了集中式LLM網關，統一治理企業內部模型流量、實現負載均衡與資源監控。
03 寫在最後：混合架構的「長期主義」
「企業數據分散，不同工作負載對性能、安全和成本有著不同要求。公有雲依然發揮著重要作用，但大型企業未來的長期運營形態，仍將保持混合架構的特徵。」Cloudera 首席執行官Charles Sansbury強調。
誠然，大模型的技術浪潮終將回歸理性，最終留下的，是對成本的精細計算與對工程體系的持續優化。
當算力不再是唯一制約因素，決定企業 AI 競爭力的，將是誰能夠更快、更安全地將 AI 能力融入企業核心的複雜數據體系之中。
對於仍在智能化深水區探索的企業而言，將雲原生的敏捷能力與AI 推理能力延伸至數據所在之處，或許正成為邁向下一階段智能化的重要路徑。
