智能体热潮背后的数据门槛
MIT Technology Review Insights 与 Google Cloud 合作发布的一份赞助报告指出，企业正在快速采用智能体 AI，但真正决定投资回报的，往往不是模型本身，而是企业能否提供可信、可访问、带业务语境的数据基础。
所谓智能体 AI，通常指不只回答问题、还能根据目标调用工具、访问系统并执行任务的 AI 系统。与传统问答式 AI 相比，它对企业数据系统提出了更高要求：既要读取结构化数据，也要理解文档、邮件、图片等非结构化数据；既要知道数据含义，也要连接供应链、销售终端、人力资源等运营系统。报告认为，许多几年前还算先进的遗留数据系统，如今已难以支撑这种实时行动需求。
300名高管调查揭示落差
这份报告基于对 300 名数据与技术高管的调查。核心发现是，多数企业尚未让智能体充分接触公司数据，数据基础越薄弱，智能体越难扩大使用范围。
关键数据包括：
- 受访企业中，AI 平均只能访问 45% 的公司数据；
- 被归为“数据落后者”的组织中，这一比例降至 30%或更低；
- 少数“数据领先者”可让 AI 访问 超过70% 的数据；
- 目前只有约一半受访组织相信其智能体决策准确且相关；
- 数据领先者中，100% 表示信任智能体决策；
- 在数据落后者中，66% 认为遗留系统限制智能体扩展，68% 认为其阻碍智能体快速决策；
- 数据领先者中，仅 8% 报告存在上述任一限制。
这些数字说明，智能体的表现并不只取决于模型能力。若数据分散在不同系统、格式不统一、权限与业务语境缺失，智能体即便能生成流畅答案，也可能无法在真实流程中做出可靠行动。
“可信”来自可治理的数据环境
报告特别强调，企业对智能体决策的信任，实际反映了数据准备程度。这里的数据治理，可以理解为对数据来源、权限、质量、含义和使用规则进行管理，确保数据可追溯、可解释、可合规使用。
智能体要在业务中发挥作用，需要的不只是更多数据，还包括正确的数据语境。例如，同样是“库存”或“员工信息”，在不同部门、地区和系统中可能有不同定义。若缺少统一语义和访问规则，智能体可能难以判断哪些数据可用、哪些数据可信、哪些操作被允许。报告称，数据领先者之所以更少受到遗留系统限制，正是因为它们较大程度清除了数据访问与系统连接上的障碍。
这也解释了为什么报告将改善结构化与非结构化数据访问列为最重要的扩展举措之一，同时强调结合业务语境强化数据与 AI 治理。对领先企业而言，自动化数据管理同样是重点，因为当智能体数量增加、任务更复杂时，人工维护数据管道和权限规则会迅速成为新的瓶颈。
两年内全面采用的压力
报告还提到，受访者计划在两年内全部使用智能体 AI，其中 69% 预计会广泛使用。若这一趋势兑现，企业数据架构将从“支持分析报表”转向“支撑实时行动”。
这一转变的难点在于，智能体需要同时满足速度、准确性和合规性。过去，数据系统主要服务于人类分析师，延迟和手工校验尚可接受；而智能体若要自动化或辅助业务决策，就必须在较短时间内取得正确数据，并知道如何使用它。报告引用 Gartner 的预测称，到 2027 年 AI 智能体可能增强或自动化 50% 的业务决策。若企业仍被遗留数据系统卡住，智能体将难以兑现效率承诺。
行业走向：先补数据底座，再谈智能体规模化
需要注意的是，这篇内容由 MIT Technology Review 的定制内容部门 Insights 制作，并非其编辑部新闻报道；其合作方为 Google Cloud。因此，读者应将其视为一份带有产业视角的调研报告，而非中立产品评测。
不过，报告揭示的方向具有普遍意义：企业级 AI 的竞争正在从“谁先接入模型”转向“谁能把数据以可信方式交给智能体”。未来一两年，智能体项目能否从试点走向规模化，很可能取决于三件事：数据可访问性、业务语境治理、遗留系统改造。模型能力仍重要，但在企业现场，缺少可靠数据底座的智能体只能停留在演示层面；能把分散数据、安全权限和业务流程打通的组织，才更有机会把智能体变成真正的生产力工具。