“智能体AI的时代已经到来”——对于企业和技术领导者而言，这已无需多言。从自动化客服到复杂业务流程编排，AI智能体正以惊人的速度进入组织核心系统。然而，一个尴尬的现实正在浮现：许多企业投入重金部署智能体，却发现预期的投资回报率（ROI）迟迟无法兑现。MIT Technology Review Insights的最新报告指出，问题往往不在算法或模型本身，而在于被忽视的底层基础——基础设施与数据。
数据：智能体扩展的最大瓶颈
与传统的基于规则的自动化不同，AI智能体具备自主决策、多步推理和与环境交互的能力。这意味着它们对数据的依赖远超常规软件：训练数据决定其能力上限，运行时的实时数据决定其决策质量，而反馈数据则影响其持续进化。MIT Technology Review Insights在调研中发现，超过六成受访企业将“数据质量与一致性”列为规模化部署智能体的首要挑战。
没有可信的数据，智能体只是高速运转的随机数生成器。
所谓“可信数据”，并非简单的“准确”二字。它至少包含三个维度：一是来源可溯，每一条用于决策的数据都能追踪到明确的业务源头；二是治理合规，数据的使用符合隐私法规和内部政策；三是偏差可控，训练数据与真实世界分布的一致性需要持续监控，否则智能体将在不知不觉中固化偏见。
基础设施的隐性断层
在2026年，大多数企业并不缺少数据，相反，它们被数据淹没。但海量数据往往分散在不同部门、不同云平台和遗留系统中，形成难以打通的“数据孤岛”。智能体需要跨系统调用数据时，接口的碎片化和语义的混乱就变成了致命伤。更严峻的是，许多组织的数据管道仍以批处理为主，无法支撑智能体对实时反馈的需求。
MIT Technology Review Insights强调，构建面向智能体的数据基础设施，不是简单升级存储或中间件，而是需要重新设计数据架构：引入数据网格或数据编织模式，建立统一语义层，并部署面向事件驱动的实时流处理能力。唯有如此，智能体才能在正确的时机获取正确的信息，而非在海量噪声中“盲猜”。
从试点到规模化：一场系统性工程
一个常见的误区是，企业先用小规模试点验证了智能体的可行性，便以为直接扩大投入就能复制成功。但试点往往由数据科学家精挑细选数据，手工校准流程；规模化则是将智能体置于真实、多变、充满异常数据的生产环境中。两者之间隔着一条“最后一英里”鸿沟。
要跨越这条鸿沟，企业领导者必须将AI治理提升到董事会层面的战略高度。这不仅包括数据安全与合规，还包括对智能体行为的审计、解释和纠错机制。MIT Technology Review Insights建议，企业应当为智能体建立“决策日志”，记录每一次关键行动及其数据依据，以便在出现问题时快速回溯和修正。
编者按：数据信任决定智能体未来
从技术演进看，AI智能体正从“辅助工具”走向“数字同事”。但越是自主的系统，越需要明确的约束和可靠的信息来源。企业与智能体之间的信任，本质上是对数据生态的信任。那些率先建立起高质量数据治理体系的企业，将能在下一轮竞争中取得显著的先发优势。
值得警惕的是，当智能体开始处理涉及敏感信息的业务时，数据的“可信”不仅关乎效率，更关乎法律责任与品牌声誉。因此，数据资产化、标准化和运营化不再只是IT部门的工作，而应成为CEO与董事会共同关注的战略议题。
总之，AI智能体的扩展速度取决于数据基座的坚固程度。正如MIT Technology Review Insights所言，真正的挑战不在于让智能体“学会工作”，而在于让它们“在对的数据上工作”。
本文编译自MIT Technology Review
© 2026 Winzheng.com 赢政天下 | 转载请注明来源并附原文链接