云计算15年：多类型项目风险与成本并存，借鉴经验才能蓬勃发展！

云计算15年：项目类别与经验教训凸显

在云计算被广泛采用的15年后，清晰的项目类别已经浮现，每个类别都有特定的经验教训，这些经验决定着项目的成败与成本高低。图源：Shutterstock

过去十五年，云计算从最初租赁服务器的方式发展成复杂生态系统，支持各类事务。我为企业数千个云计算项目提供咨询服务，发现多数项目可归为几类。我认为，项目成功较少依赖炒作，更多在于理解项目性质、风险、成本和经验教训。

云迁移：问题多，需合理规划

企业持续将现有工作负载迁移到公有云、私有云或混合云环境，方式有重新托管、重新平台化或完全重构，目标是降低成本等。但这里风险大，许多项目低估依赖关系，数据出口费用等可能抵消预期节省。初始迁移成本常比预算高20%至50%，管理不善会导致25%至35%的闲置资源浪费。这凸显提前对总体拥有成本建模的重要性。单纯“提升并转移”难实现预期投资回报率，成功组织将迁移视为现代化机会，采用分阶段方法结合强大治理和云成本管理实践可减少超支。

云原生应用：架构与技能是关键

团队在Kubernetes等平台构建微服务等应用，利用弹性等加速产品上市时间。但风险集中在架构复杂性和技能差距上，微服务过度或设计不足都有问题，分布式系统需安全警惕，新应用易积累技术债务，大规模使用时成本易飙升。成功团队会在持续集成/持续部署中融入成本意识等，云原生开发结合严谨架构能加速创新。

商业分析项目：数据策略要合理

企业将数据湖等迁移到Snowflake等服务，实现实时分析等。主要风险是数据引力和质量问题，迁移数据昂贵复杂，治理不善会导致合规难题。集中式数据策略优于分散式策略，但要结合强大数据网格或数据结构方法。成本包括存储等费用，优化有回报，但许多组织在未使用的数据上浪费资金。应从小规模、高价值用例开始，尽早建立治理机制。

人工智能项目：融入云架构是关键

人工智能和机器学习项目是云计算前沿领域，包括训练模型等。风险大，如模型漂移等，许多项目在概念验证后停滞，企业难将托管AI服务集成到核心业务流程。成本高，尤其是训练阶段，推理成本占比大。将AI作为云原生架构一部分才能成功，混合方法和成本控制至关重要。

生成式AI项目：从小用例入手

生成式AI项目专注于大语言模型等，企业试验检索增强生成。风险包括幻觉等，早期采用者在生产中面临治理和合规障碍。应从狭窄、高价值用例开始，引入强大框架，成本基于使用量且会迅速增加，优化有帮助，将其嵌入现有工作流能最快实现投资回报率。

其他项目类型：各有风险与优势

遗留大型机或单体应用现代化、物联网计划、灾难恢复和备份项目、边缘计算项目、主权云部署、可持续发展计划等，每种方法都有特定风险和成本动态。现代化会发现隐藏依赖关系，物联网需可靠连接，边缘计算需考虑延迟问题。所有项目经验凸显多云策略价值，尽管会增加复杂性。

共同主题：成功有法，失败有因

大多数项目失败是因为规划不足等，成本超支是缺乏云成本管理纪律，安全和合规问题需设计时综合考虑，技能短缺使托管服务有吸引力。成功的云计算案例有共同特点，将云计算视为业务转型的企业表现最佳，用业务指标衡量成果。随着云计算格局演变，要根据云成熟度和目标选择项目类型，了解风险，现实地进行成本建模，借鉴经验。那些盲目追逐炒作的人只会成为警示故事。那么，你如何看待云计算项目的未来发展呢？