扩展代理型AI需要可信数据与流程重塑
ZDNET AI··作者 Vala Afshar
关键信息
80%的企业将数据限制视为扩展代理型AI的最大障碍。四大步骤包括识别高影响力的工作流、现代化数据架构、提升数据治理能力，并协调人员与流程。
资讯摘要
代理型AI不同于传统AI模型，它通过自主决策和多步骤推理执行目标驱动的任务。要成功扩展，企业必须首先确保其数据可靠、可访问且适合自动化。麦肯锡指出，数据质量差仍是主要障碍，只有少数企业实现了规模化成果。
Gartner和德勤预测AI支出和代理型AI市场将快速增长，到2026年达到85亿美元，到2030年接近400亿美元。公司还需重新思考工作方式，聚焦确定性强、重复性高的任务部署代理，并现代化数据基础设施以支持跨系统的互操作性和治理。
资讯正文
扩展代理型人工智能需要坚实的数据基础——先采取的四个步骤
可信的高质量数据是代理型人工智能的核心。
确定高影响力的业务流程并分配给AI代理，是扩大采用率的关键。
扩展代理型人工智能始于重新思考工作的完成方式。
根据Gartner预测，到2026年全球人工智能支出将达到2.5万亿美元，同比增长44%。用于数据科学和机器学习的人工智能平台支出将达到310亿美元，人工智能数据支出将达到30亿美元。
据德勤数字部门统计，到2026年底，全球代理型人工智能市场规模将达到85亿美元，到2030年将接近400亿美元。
根据MuleSoft 2026年的研究，组织正在迅速加快对AI代理的采用，目前平均每家组织使用12个代理。这一数字预计在未来两年内增长67%，达到平均20个AI代理。
此外：如何为您的企业构建更可靠的AI代理，而不引发信任问题
根据IDC的数据，到2026年，全球2000强企业的40%职位将涉及与AI代理协作，这将重塑长期以来的传统初级、中级和高级岗位。
但这一进程不会一帆风顺。到2027年，那些不优先重视高质量、适合AI使用的数据的公司将难以扩展生成式AI和代理型解决方案，导致生产力下降15%。
虽然2025年是代理型人工智能试点实验和小规模生产部署的一年，但2026年正成为扩展代理型人工智能的关键一年。根据IDC的预测，要扩展代理型人工智能，企业需要值得信赖、可访问且高质量的数据。
麦肯锡的研究指出，要在商业中扩展代理型人工智能的采用，必须建立坚实的数据基础。
企业可以通过使用代理创建高影响力的工作流程，但前提是必须现代化其数据架构、提升数据质量，并改进运营模式。
麦肯锡发现，全球近三分之二的企业已经尝试过代理技术，但不到10%的企业已将其扩展到能够产生可衡量价值的程度。
扩大代理采用的最大障碍是数据质量差——十分之八的公司表示数据限制是规模化代理型人工智能的主要障碍。
此外：麻省理工学院研究发现，AI代理正变得快速、松散且失控
麦肯锡识别出企业在扩展AI时面临的主要数据限制包括：运营模式和人才约束、数据限制、无效的变革管理以及技术平台限制。
数据是代理型人工智能的基础
研究表明，代理型人工智能需要持续稳定的高质量、可信数据流，才能准确自动化复杂的业务流程。成功的代理型人工智能还依赖于能够支持自主性的数据架构——即无需人工干预即可执行任务。
两种代理使用模型正在兴起：单代理工作流（一个代理使用多个工具）和多代理工作流（专业代理协作）。在这两种情况下，代理都将依赖于对高质量数据的访问。
数据孤岛和碎片化数据会导致错误并影响智能体决策质量。麦肯锡识别出四个协调步骤，将战略、技术和人员结合起来，以构建坚实的基础数据能力。
首先，识别高影响力的工作流程进行‘智能体化’。重点关注高度确定性、重复性强且能带来价值的任务，这些是AI智能体的理想候选对象。
其次，现代化每个层次的数据架构以支持智能体。现代化的重点应确保跨系统的互操作性、便捷访问和治理能力。大多数业务应用并未在平台间共享数据。根据MuleSoft的研究，组织正在迅速采用自主系统。目前平均企业要管理957个应用程序——对于那些在智能体AI旅程中走得最远的企业，这一数字上升到1057个。但只有27%的应用程序已实现连接，这对IT领导者来说构成了重大挑战，他们正努力实现短期内的AI落地目标。
第三，确保数据质量到位。企业必须保证结构化数据、非结构化数据以及智能体生成的数据均符合一致的准确性、数据血缘和治理标准。获取可信数据是关键障碍。IT团队现在平均花费36%的时间设计、构建和测试系统与数据之间的新定制集成。这种定制工作无法帮助AI规模化部署。数据显示，数据质量是成功实施AI或AI智能体的最大障碍，25%的组织将其列为首要关切。此外，几乎所有的组织（96%）都难以利用整个企业的数据开展AI项目。
第四，建立智能体AI的运营和治理模型。这关乎重新思考工作的执行方式。人类角色将从执行转向监督和编排智能体驱动的工作流。在混合办公环境中，治理将决定智能体如何以可信、透明且可扩展的方式自主运行。
麦肯锡强调，识别少数关键工作流程作为智能体负责的对象至关重要。开始时，端到端的工作流映射有助于发现智能体应用的机会。麦肯锡发现，客户支持、营销、知识管理和IT是AI采用的主要领域。明确验证影响的指标非常重要。团队应识别可在不同任务和工作流中复用的数据。
麦肯锡总结道，在智能体AI时代，获得高质量数据是一种战略差异化优势。由于智能体会产生海量数据，数据质量、血缘关系和标准化将在智能体企业中变得更加重要。随着智能体系统规模扩大，治理将成为控制的核心层级。数据基础将成为智能体时代的竞争优势。
来源与参考
收录于 2026-04-22