企业的智能体（agentic AI）正在快速落地，但不少组织发现，智能体并没有带来预期的投资回报。问题往往不在于模型不够强，而在于喂给智能体的数据基础太薄弱。一份由 MIT Technology Review Insights 与 Google Cloud 联合发布的报告，基于一项覆盖 300 位数据与技术高管的调研，把阻碍智能体的真实瓶颈摆上了台面。

从「回答问题」到「替你办事」

智能体不同于此前的问答式人工智能：它要从企业各处调取数据——结构化的、非结构化的，还要带上正确的业务上下文，才能实时做出决策并行动。这意味着智能体必须顺畅接入运营系统，例如供应链、销售终端或人力资源数据库。

传统的遗留数据系统，哪怕是几年前刚刚更新的版本，都很难满足这种需求。Gartner 曾预测，到 2027 年，人工智能智能体将增强或自动化一半的商业决策。如果企业不先扫清数据瓶颈，智能体就会在需要高速决策时「饿着肚子」上岗。

数据只够到四成半

调研显示，受访企业的智能体平均只能访问到约 45% 的公司数据；在被归为「数据落后者」的组织里，这一比例跌到 30% 甚至更低。而少数被称为「数据领跑者」的群体，则确保智能体能访问超过 70% 的数据，它们在智能体上的成效也明显更好。

信任度更是直接反映数据准备程度。今天，只有约一半的受访组织相信自家智能体的决策是准确且相关的；反观数据领跑者，百分之百信任智能体的决策——这强烈暗示，可靠的智能体需要一个可靠的数据底座。

遗留系统卡住了规模与速度

数据显示，三分之二的数据落后者表示，遗留数据系统限制了智能体的规模化（66%），并阻碍其高速决策（68%）。而那些基本克服了遗留约束的领跑者，这两项比例都只有 8%。

压力还在加速累积：两年内，全部受访者都计划用上智能体，其中 69% 预期会广泛使用。若不先搬开数据系统的拦路石，智能体很难兑现承诺中的速度与效率。

优先级：打通数据，补上上下文

对所有受访者而言，支撑智能体规模化的最重要举措，是改善其对结构化与非结构化数据的访问；紧随其后的，是用业务上下文强化数据与人工智能治理。数据领跑者还把数据管理的自动化作为重点投入方向。

这份报告给出的核心结论很直接：智能体的能力上限，越来越由企业数据架构与治理的扎实程度决定，而不是模型本身的演进速度。先把数据打通、标注清楚、管好来龙去脉，智能体才能真正可靠地跑起来。

来源：MIT Technology Review Insights（与 Google Cloud 联合发布）