过去两年，几乎所有关于企业 AI 的讨论都绕不开两个词：算力和模型。谁家的 GPU 更多、谁家的参数更大、谁能把推理成本再砍一半——这是聚光灯下的故事。但当采购单上的 GPU 真的到货、当大模型 API 便宜到几乎不要钱，很多 CIO 才发现：卡住自己的既不是芯片也不是电，而是更"土"的一层——数据放哪儿、怎么存、能不能被 AI 用起来。
希捷（Seagate）委托 Recon Analytics 做的一份全球调研，把这件事量化得很清楚。它在 2026 年 5—6 月访问了 2,712 位企业技术决策者，覆盖美、中、印、英、德、法、日七个市场，得到一个近乎荒诞的对比：
九成九都说"数据要爆炸"，不到四成说"我接得住"。这中间 61 个百分点的落差，就是这篇文章要谈的东西——它比算力短缺更隐蔽，也更难在短期内用钱解决。
一、为什么偏偏是"存储"这一层先绷不住
答案藏在 AI 本身的工作方式里。第一代 AI（训练为主）吃的是算力；而今天进入生产环境的 AI——尤其是检索增强、多模态、智能体这三类——吃的是数据的规模、质量和可及性。希捷这份调研里有一组排序特别值得琢磨，它直接推翻了"算力和电最卡脖子"的直觉：
| AI 部署的实际约束 | 受访者比例（n=2,712） |
|---|---|
| 数据质量与就绪 | 53%（第一） |
| 存储基础设施 | 43%（第二） |
| 算力可得性 | 27%（第三） |
| 能源约束 | 24%（第四） |
注意这个次序："数据"和"存储"这两项，被排在"算力"和"能源"之前。这和舆论场里天天喊的"缺芯""缺电"几乎是反着来的。合理的解释是——算力和电虽然贵、虽然排队久，但它是可以用钱和中周期规划买到的标准品；而"手头的非结构化数据乱成一团、存不下来也调不出"是多年欠账，短期内砸钱也补不快。前者是采购问题，后者是治理问题，治理问题的收敛速度天然慢。
这也解释了为什么 98% 的人认同"AI 正在把数据存储从后台职能变成战略业务基建"。存储不再是"买几块硬盘塞机房"的成本中心，它开始直接决定一件事的快慢：你能多快把数据喂给 AI，以及这些数据将来还能不能反复创造价值。
二、"我觉得我准备好了"和"我真准备好了"差 45 个点
调研里还有一组容易被误读的数字，必须放在一起看才不会被带偏：
- 83% 说自己"完全或基本准备好"应对 AI 的长期数据需求；
- 但其中只有 38% 认为自己是"完全准备好"。
83% 是个"及格线口径"（含"基本能应付"），38% 才是"满配口径"。两者相差 45 个百分点，就是信心与现实之间那条缝。企业在自评时普遍乐观——只要眼下没出事，就觉得自己行；可一旦把"数据有没有统一治理、冷热分层做没做、历史数据能不能被 AI 检索"这些硬指标摆出来，乐观立刻缩水。
分国别看，这条缝的宽窄还不一样。自评"准备好"的比例，中国高达 96%（七国最高）、印度 89%、英国 88%、美/德各 86%、法国 74%、日本 55%（最低）。同时，认为 AI 投资回报"中等或显著"的比例，中国也是最高的 91% 之一（印度 91%、美国 87%、英国 86%、法/德各 82%、日本 75%）。这透露出一个信号：越是对 AI 收益乐观的市场，往往也越是自评准备度偏高的市场——乐观情绪和真实 readiness 之间的关系，未必是正相关，甚至可能是"越自信越可能低估风险"。日本 55% 的低自评反而更接近那份 38% 的冷静共识。
三、钱正在流向哪里：不是 GPU，是"安全+治理"
既然数据和存储是真瓶颈，那企业的预算是不是也跟着走了？调研给出的投资优先级排序，同样出人意料：
| 基础设施投资优先级 | 占比 |
|---|---|
| 安全与合规基建 | 44%（第一） |
| 数据管理与治理 | 43%（第二） |
| AI/GPU 基建 与 存储硬件更新 | 39%（并列第三） |
排在最前面的既不是 GPU 也不是存储硬件，而是"安全合规"和"数据治理"。这说明成熟买家已经想明白了：在把海量数据往 AI 管道里灌之前，先得保证这些数据可信、可控、不违规——否则 AI 越强，一次数据泄露或合规事故的破坏力也越大。（这一点与我们此前分析 Supabase 数据库大规模暴露、Anthropic 威胁情报报告时的结论完全吻合：Agent 一旦直连生产数据，权限和审计就是生死线。）
另外，76% 的受访者把数据中心投资列进前三优先，五分之一把它列为"最高单项优先"。数据中心又重回了预算表的中心——只不过这次大家买的不再只是"更多的机器"，而是"能让数据安全流动、能被 AI 复用、还能扛住能耗约束"的那套底座。
四、"可持续扩展"：一个被效率逼出来的新原则
这份报告最值得记住的，是它提出了一个新概念——sustainable scaling（可持续扩展）：一边提升 AI 容量和业务价值，一边持续改善支撑它的基建效率。说白了就是"扩容"和"提效"必须同时发生，不能只靠堆机器。
之所以被逼到这个份上，能源是一根重要的鞭子。调研显示 77% 的组织因为能源/可持续顾虑，推迟或重组过扩张计划（其中 36% 是重大重组、41% 是轻微延迟）。这和上一篇我们专门讲的"电力约束"正好接上：并网排队动辄好几年、变压器交付周期从三五个月拉长到一两年，逼得企业不能再"想用多少建多少",而必须精打细算每一 TB、每一瓦。
于是我们看到一批"效率优先"的动作正在成为主流做法：
- 52% 用 AI 来反向确定自己的存储与运营需求（让工具帮你算该存多少、怎么分层）；
- 46% 投资可再生能源；40% 按实际数据需求供电、而不是让设施 7×24 空转；31% 回收数据中心余热；
- 衡量存储硬件环境足迹时，62% 首先看功耗、55% 看设备寿命与耐用度——几乎所有人都认同"延长存储设备生命周期"对数据中心可持续性有重大影响。
今天的存储运营里，自认"非常可持续"的占 39%，但这个预期五年内会升到 61%。而且预期和投资强度直接挂钩：年度可持续预算 ≥1 亿美元的组织里 70% 预期五年内达到"非常可持续"，预算不足 100 万美元的只有 48%。"可持续"不再是环保口号，而是一个能用每 TB 能耗、设备寿命、电力成本来核算的经营指标。
五、给企业的落地判断
第一，别再只盯着"算力够不够",先盘一遍"数据能不能被 AI 用起来"。那份 53% > 43% > 27% > 24% 的约束排序是一份现成的自查清单。很多团队的真实情况是：GPU 买够了、API 接上了，但历史文档、图片、视频、设计稿全散落在各处吃灰，AI 根本调不到——这笔"沉睡资产"才是最先该动的地方。
第二，把预算的第一笔投给"治理"和"安全",而不是第 N 块 GPU。44% 和 43% 这两个领先项不是巧合。没有统一的数据治理和权限/审计基座，你灌进去的数据越多、Agent 越自主，出事的面就越大。先修水管，再开闸放水。
第三，用"可持续扩展"的尺子重新审视每一次扩容。既然 77% 已经被能源逼着重组过扩张，与其被动等并网排队把你卡住，不如主动把"每 TB 能耗、设备生命周期、冷热分层"做成采购决策的常规维度。把钱花在"同样的电和空间里能装下更多可用数据"上，而不是单纯买更大的机房。
第四，警惕自评乐观症。83% vs 38% 那 45 个点的落差是给所有 CIO 的提醒：现在报"我们准备好了"的那一刻，恰恰是最该拿硬指标（数据是否统一治理、能否被检索、冷数据能否复活）逐项打勾的时刻。宁可像日本那样把自评压到 55%，也别在真出事时才补课。
六、FAQ
Q1：这份调研是希捷自己做的，会不会为了卖硬盘夸大"存储很重要"？
A：会有利益相关性，读数时要留一分心眼——它把"存储/数据"排到"算力/能源"之前，确实契合其商业立场。但两点让它仍具参考价值：其一，执行方是独立的 Recon Analytics，样本与方法（n=2,712、七国、2026 年 5—6 月）公开；其二，"数据质量是第一瓶颈"这个结论并非孤证，麦肯锡等多家机构此前的调研也把"数据可得与质量"列为 AI 规模化最大障碍之一。把它当成"方向提示"而非"精确刻度"来用最稳妥。
Q2：这对国内团队有什么特别提醒？
A：中国在"回报乐观度(91%)"和"自评准备度(96%)"两项都是七国最高，这既是优势也是风险——乐观情绪最容易掩盖真实的存储与治理欠账。国内"先上线、后补数据治理"的打法短期跑得动，但随着 Agent 开始批量接入内部数据资产，沉睡的非结构化内容和缺失的分层存储会在某个节点集中爆发。趁现在信心足、预算足，把治理和冷热分层补上，性价比最高。
Q3："存储"不就是买硬盘吗，为什么说是战略级问题？
A：如果只把 AI 当"训练一次、跑个模型"，存储确实是后台成本。但当 AI 进入检索增强、多模态、智能体的生产阶段，数据就变成了要被高频、低延迟、合规地反复调用的"活资产"。这时候存哪儿、怎么分层、能不能秒级取回、历史数据能不能被重新盘活——这些直接决定 AI 能不能落地，所以它从成本中心变成了业务能力的一部分。98% 认同"存储正变成战略基建"，说的就是这个转变。
