不少企業想把AI真正落地時，往往卡在數據環境東一塊西一塊、沉重的人工數據工程，以及跟不上AI決策需求的治理方式。這些問題拖慢專案進度、增加風險，也讓許多AI計畫一直停在試驗階段，沒辦法正式上線。SAS最近宣布全面升級旗下的SAS Data Management，以SAS Viya數據與AI平台為基礎，推出一系列雲端原生產品，要幫助企業準備、治理並啟動數據，落實數據分析、自動化和AI應用。SAS將治理、數據血統和效能直接整合到數據工作流程裡，讓企業在擴大AI計畫時，也能維持信任與監控。
統一數據管理 內建可信機制
IDC和SAS最新的全球研究指出，將近半數（49%）的企業認為，缺乏集中或優化不足的雲端數據環境，是推動AI最大的障礙。其次則是數據治理流程不夠完善（44%）。業界分析師也點出類似問題，Gartner預測，多達60%的AI計畫會因為缺乏「AI就緒」數據而失敗。這些數字都說明，現代化數據平台已經是必要的關鍵基礎。
SAS Viya的數據管理方案在因應這些挑戰時，把「治理」和「可審計性」當成設計的核心，而不是事後才用合規措施補救。有別於在零散的工具上外加控制機制，SAS直接將數據血統、透明度和監控能力，融入數據的存取、準備和啟動流程，讓數據用於分析和AI。這樣的設計是為了建立一個企業信得過、也具備防禦力的數據基礎。SAS數據及AI策略高級總監Alyssa Farrell說：「隨著企業走向需要較少人為監管的代理式AI（Agentic AI）工作流程，現代化數據平台已成為必備的關鍵基礎。SAS協助企業優化並現代化數據資產、降低複雜性、釋放AI價值，同時把治理和信任直接內建到基礎架構中，改變了AI時代的數據管理模式。」
讓分析跟著數據跑 改變傳統做法
過去很多企業想擴充分析和AI應用時，常常得把數據在不同平台之間搬來搬去，結果數據在各個環境重複存放，衍生出延遲、成本提高和治理風險。SAS Data Management的做法很不一樣，它把分析和AI運算直接帶到數據所在的位置，不管數據放在哪裡。這套策略的關鍵例子是SAS SpeedyStore，一個跟SAS Viya深度整合的高效能雲端原生分析數據平台。SAS SpeedyStore直接把分析和AI運算部署在分散式數據環境中，有效減少不必要的數據移動、提升效能，同時保留企業需要的數據血統和可審計性，讓企業能安心信賴分析結果。
SAS也把這個概念延伸到自己的數據平台之外。透過SAS Data Accelerator，企業可以把SAS的分析功能直接放進現有的主流雲端數據環境裡執行，包括大型數據倉儲和湖倉（lakehouse）架構。這項技術讓數據留在原地處理，降低延遲、節省成本，也提高安全性。此外，SAS Viya也支援DuckDB這類現代嵌入式分析引擎，讓使用者可以在受控的工作流程中，針對Parquet、CSV和JSON等開放格式進行快速的本地分析。
代理與Copilot 從基礎開始現代化
當企業開始用代理式AI和Copilot讓決策與工作流程自動化，底層數據的品質和治理就顯得更重要。現在不少AI助理是等數據準備好了才開始運作，這讓可信度、數據血統和監管上出現缺口。SAS的策略不同，它把AI驅動的輔助功能直接用在整個數據生命週期，因為底層的決策會決定AI在大規模應用時值不值得信賴。SAS提供的代理和Copilot，目的是在數據投入分析、自動化或AI應用之前，先幫企業理解、準備並安全地使用數據。這些功能在受治理的數據工作流程中運作，可以減少人工作業，也保留透明度和監控能力。
SAS Viya Copilot for Data Discovery讓使用者用自然語言探索受治理的數據和分析資產，快速確認有哪些數據可用、用途是什麼、可信度如何，數據探索的時間從好幾天縮短到幾秒鐘。SAS Viya Copilot for Code Assistance則把AI輔助開發功能直接整合進SAS Studio，幫助開發人員在受治理的開發環境裡，用自然語言編寫、理解和優化SAS與Python程式碼，在維持人為監控的同時加快開發迭代的速度。另外，SAS Data Maker則用高擬真合成數據解決數據存取限制，這些合成數據能反映真實數據的統計特性、關聯性和時間特徵，同時保障隱私、可審計性，並符合監管要求，讓團隊在不接觸敏感資訊的情況下進行開發、測試和協作。
