扩展智能体AI需要夯实数据基础，先做好这四步

据高德纳咨询公司预测，2026年全球AI支出总额将达2.5万亿美元，同比增长44%。其中，数据科学与机器学习AI平台支出将达310亿美元，AI数据支出将达30亿美元。

德勤数字咨询公司数据显示，全球智能体AI市场规模到2026年底将达到85亿美元，到2030年将接近400亿美元。MuleSoft 2026年研究报告指出，企业正在加速推进AI智能体的落地应用，目前每家企业平均部署12个智能体。预计这一数字将在未来两年内增长67%，平均达到20个AI智能体。

国际数据公司（IDC）预测，到2026年，全球2000强企业中40%的岗位将涉及与AI智能体协作，传统意义上的初级、中级和高级职位将因此被重新定义。然而，这一转型之路并不平坦。IDC预警称，到2027年，若企业未能优先建设高质量、AI就绪的数据体系，将难以扩展生成式AI和智能体解决方案的规模，进而导致生产效率损失15%。2025年是智能体AI试点实验与小规模生产部署之年，而2026年则将成为智能体AI规模化扩展之年。IDC预测，要实现这一目标，企业需要具备可信、可访问且高质量的数据。

麦肯锡的研究同样指出，在企业中推动智能体AI的规模化应用，必须以坚实的数据基础为前提。企业可以借助智能体构建高价值工作流，但前提是必须实现数据架构现代化、提升数据质量，并推进运营模式的升级。

麦肯锡发现，全球近三分之二的企业曾尝试使用智能体，但真正实现规模化落地并产生可量化价值的不足10%。阻碍智能体规模化推广的最大障碍正是数据问题——八成企业将数据局限列为扩展智能体AI的主要瓶颈。

麦肯锡将数据局限与运营模式及人才制约、变革管理不当、技术平台局限共同列为企业扩展AI规模时面临的主要制约因素。

研究表明，智能体AI需要持续获取高质量、可信赖的数据，才能精准自动化复杂业务流程。成功部署智能体AI还依赖于能够支撑自主运行的数据架构——即在无需人工干预的情况下完成任务执行。

当前，两种智能体应用模式正在兴起：单智能体工作流（一个智能体调用多种工具）和多智能体工作流（多个专业智能体协同协作）。无论哪种模式，智能体都依赖对高质量数据的访问能力。数据孤岛和数据碎片化将导致错误频发，并影响智能体的决策质量。

麦肯锡提出了四个协同步骤，将战略、技术与人员有机连接，以构建坚实的数据基础能力。

识别适合"智能体化"的高价值工作流。优先聚焦于高度确定性、重复性强且能产生明显价值的任务，这类任务是部署AI智能体的理想候选。

推动数据架构各层级的现代化改造。现代化改造的重点应支持系统间的互操作性、便捷访问与统一治理。目前，绝大多数业务应用程序无法跨平台共享数据。MuleSoft研究显示，企业平均管理957个应用程序，在智能体AI布局最为领先的企业中，这一数字更是升至1057个，而其中仅有27%实现了互联互通，这对致力于在近期实现AI落地目标的IT领导者而言是一项严峻挑战。

确保数据质量达标。企业必须确保结构化数据、非结构化数据以及智能体生成的数据，在准确性、数据血缘和治理标准上保持一致。可信数据的获取是关键障碍所在——IT团队目前平均将36%的工作时间用于设计、构建和测试系统与数据之间的定制集成方案，而这类定制化工作对AI规模化推广毫无助益。数据质量被25%的企业列为AI或AI智能体成功部署的首要障碍，几乎所有企业（96%）都面临跨业务数据整合用于AI项目的困境。

建立智能体AI的运营与治理模型。这意味着需要从根本上重新思考工作方式。人类角色将从执行者转变为智能体主导工作流的监督者与协调者。在混合办公环境中，治理框架将规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，企业应优先识别少数几个适合由AI智能体主导的关键工作流。在启动阶段，端到端的工作流梳理有助于挖掘智能体的应用机会。研究发现，AI应用目前主要集中于客户服务、市场营销、知识管理和IT领域。明确可验证成效的关键指标至关重要，团队还应识别出能够在任务和工作流之间复用的数据资产。

麦肯锡的结论是，在智能体AI时代，能够获取高质量数据将成为企业的核心战略优势。随着智能体生成海量数据，数据质量、数据血缘与标准化的重要性将在智能体化企业中愈发凸显。随着智能体系统的持续扩展，治理将成为管控的首要抓手。数据基础，将是智能体时代企业竞争力的核心所在。

Q&A

Q1：为什么说数据基础是扩展智能体AI的关键？

A：麦肯锡研究表明，八成企业将数据局限列为扩展智能体AI的主要瓶颈。智能体AI需要持续获取高质量、可信赖的数据，才能精准自动化复杂业务流程。数据孤岛和碎片化数据会导致决策失误。IDC还预警，未能优先建设AI就绪数据体系的企业，到2027年将面临15%的生产效率损失。

Q2：麦肯锡提出的扩展智能体AI的四个步骤是什么？

A：麦肯锡提出四个关键步骤：一是识别适合"智能体化"的高价值、重复性工作流；二是推动数据架构各层级的现代化改造，提升互操作性与治理能力；三是确保结构化、非结构化及智能体生成数据的质量达标；四是建立完善的智能体AI运营与治理模型，将人类角色从执行者转变为监督者与协调者。

Q3：目前企业在部署AI智能体方面面临哪些主要挑战？

A：主要挑战包括：数据质量不达标（25%的企业将其列为首要障碍）、应用系统互联互通率低（平均仅27%的应用实现互联）、IT团队大量时间耗费于定制集成工作（占工作时间的36%），以及跨业务数据整合困难（96%的企业存在此问题）。此外，运营模式与人才制约、变革管理不当也是重要障碍。