智能体落地遇到数据难题，AI-ready data赋能AI Agent高效应用

生成式AI（GenAI）落地的速度，可能比多数人预期的要快得多。

2023年11月，Gartner对1400多名高管的调查显示，45%的受访者正在试用生成式人工智能；另有10%的高管表示，已经将GenAI解决方案投入生产。仅仅半年后，2024年5月的另一项调查数据更为直观：来自美、德、英三国的644名受访者中，已有29%表示部署并正在使用GenAI——它已经成为企业部署率最高的AI解决方案。

两组数据的对比，清晰地揭示了GenAI在企业端的渗透节奏。这种强势渗透的背后，大语言模型自然是核心推手。而作为大语言模型的两大主要应用方向，RAG与AI Agent在今年几乎点燃了整个技术圈，2024年甚至被冠以“AI Agent元年”的称号。

经历了理论验证阶段，随着构建平台和解决方案的密集涌现，AI Agent正从概念走向实战。但一个尴尬的现实是：企业对Agent的认知已经到了相当的程度，实际应用进展却并不理想，许多仍在观望。出现这种局面的原因有二：一是企业对大模型应用天然持谨慎态度；二是当前的AI Agent应用，确实没能达到预期。

为什么达不到预期？影响因素很多——大模型的能力、Prompt的设计、外部工具的调用、API的成本，以及一个最容易被忽略却又最致命的因素：

。

之前聊AI Agent，往往聚焦在模型能力与技术架构。通常的假设是：只要Agent架构设计合理，配上强大大模型和丰富的可调用工具，理想效果就是水到渠成的事。但实际走一圈就会发现，基于大模型的Agent，有时表现甚至不如基于领域模型的小Agent；通用Agent的应用效果，往往跑不赢面向具体场景的定制Agent。跳出技术架构和算力的因素后，根源往往落在了一个点上——数据应用的差别。

没错，数据。

我们知道，算力、算法和数据是AI的三大核心要素。数据的质量和量级，直接决定AI系统的性能边界。机器学习需要数据来训练算法，让模型识别模式与关联；高质量数据能提升预测和分类的准确性，数据量级则影响着模型的泛化能力。

把这个逻辑放到基于LLM的AI Agent中，同样成立。算法和算力目前已经有迹可循——几乎都能找到标准化的模板和量化指标，技术供应商也能给出稳定的参考框架。现在企业自己搭一个Agent并不难，优秀的开源框架越来越多，算力也可以通过自建或API调用获取。但唯独数据这件事，每个企业的情况简直是天差地别。有些企业，别说高质量数据了，连能有效调用的基础数据都捉襟见肘。

企业在数据应用上面临的挑战是系统性的：数据采集不全面、共享流通不足、应用开发浅层、治理安全薄弱、技术人才短缺、财务绩效压力、区域行业不平衡、数据资产评估难、数据质量管理缺位、合规隐私顾虑……每一个问题都像是路上的坑。即便花大力气构建或引入了AI Agent解决方案，数据问题拖了后腿，应用效果一样大打折扣。

低质量数据对AI Agent的影响是灾难性的：不准确的数据会降低决策质量，压缩模型性能，削减预测准确性，放大企业运营风险。基于错误数据的服务与建议，会直接伤害用户满意度，损害企业声誉。维护和调整Agent的成本随之上升，个性化服务能力受限，利益相关者对Agent的信任度持续下降。更不用说法律和合规风险的升高，以及数据治理难度的加大。所有这些，都在反复强调一个事实：数据准确性和质量，是AI Agent成功应用的基石。

在生成式AI的实际落地中，数据管理与风险控制始终是最核心的痛点。而数据管理的核心业务，就是数据的高效应用与系统化管理。无论是RAG还是Agent，抑或其他应用形态，想要输出好的结果，都离不开高质量数据输入这个前提。

不过，必须指出的是：从生成式AI的应用现状来看，传统数据管理语境下“高质量数据”的定义，已经不太能满足大语言模型应用的需求了。举个例子，在分析背景下考虑数据时，人们通常期望剔除异常值、清理数据以契合人类预期；但在训练算法时，模型反而需要代表性数据，甚至包括那些看起来质量不高的数据。构建预测性维护算法，或者将生成式AI应用于企业数据，显然需要更加不同的数据集。

这就引出了一个正在被广泛讨论的概念——

。

AI-ready data：一个新思路

AI-ready data，指的是为AI应用进行优化的高质量、精心准备的数据。它正越来越多地融合元数据（metadata）和本体（ontologies），来提升数据的价值与可用性。

元数据提供了关于数据的基本上下文和信息，本体则提供了特定领域里的结构化语义表示。这些额外的信息层，能帮助数据科学家、研究人员以及AI系统更好地理解、解释数据，从而应用更合适的算法和模型进行分析。元数据和本体可以实现跨系统的一致数据集成、互操作性和知识共享，并支撑起更知识化的AI应用。实践证明，这类系统对于支持FAIR原则（可查找、可访问、可互操作、可重用）和可重复计算研究，至关重要。

Gartner在相关报告中给出的定义更直接：企业的数据必须能够代表用例、每种模式、错误、异常值和意外情况——这些都是运行或训练特定用途AI模型所必需的。

那么，只要企业建立一套AI-ready data机制，就能让数据变成面向AI应用的高效可用资源，进而让AI Agent发挥出应有的功效吗？

事情没那么简单。目前AI-ready data管道在开发、实施和维护元数据与本体方面，方法仍然不一致、流程繁琐且缺乏足够的系统支持。从数据创建、收集到研究，从数据保存、归档、重用到支持可重复性研究的长期目标——整个数据生命周期都充满了挑战。AI-ready data也不是一朝一夕就能建成的，更不可能提前为所有数据准备好。它更像一个基于元数据可用性的持续过程与实践，用于对齐、验证和管理数据。

当前大部分企业并不具备构建AI-ready data的能力——这也正是部署了大模型和AI Agent后却达不到预期的主要原因。可以说，AI-ready data已经成为许多企业客户落地AI Agent或GenAI的最大障碍。要保证Agent等应用快速融入运营，企业就需要与技术供应商一起，构建相应的应用环境。

AI-ready data是构建有效、高效且可靠AI系统的基础。准备这样的数据，通常需要数据科学家和数据工程师进行大量的预处理工作，包括数据清洗、转换、规范化和增强等步骤。

AI-ready融合赋能组织Agent应用

对于任何打算充分使用AI Agent的组织来说，创建AI-ready data环境已经是战略要务。但实现“AI ready”，不只是积累大量数据或砸钱投资最新AI工具。从根本上说，它是要确保以清晰、高质量、可访问为原则，去管理、治理和利用数据。

一些技术供应商和企业已经在积极探索AI-ready data的最佳实现路径。技术社区和开发者们也在努力扫清障碍，最大化数据的价值与可靠性。比如，“非侵入式数据治理方法”就是其中一项值得关注的新探索。

一些已经意识到问题的厂商正在做尝试。比如联想将AI PC的发展划分为AI Ready和AI On两个阶段：AI Ready阶段产品具备基本本地混合AI算力，为软件和服务创新提供底层保障。还有一些企业通过一体化办公等平台，整合分散的数据以实现AI-ready。

主打AI Agent产品和服务的厂商，自然更重视AI-ready data的构建。想要完成充分的市场布局，就必须考虑企业部署AI Agent的全周期需求。从大语言模型的数据应用现状来看，部署Agent只是开始——组织在部署之后，往往还会遇到更多由数据引发的新问题。

这个需求也对技术供应商提出了更高要求：既能帮助客户部署Agent，又能解决数据应用相关的AI-ready data难题。

在关注的技术厂商中，实在智能的步子迈得比较靠前。这家拥有先进AI技术和最全自动化技术加持的AI Agent厂商，已经开始为客户提供AI-ready data获取的最佳路径，同时保护企业端隐私数据、构建AI-ready data体系——从而让客户不必担心投资浪费、数据安全、业务不适配以及错误流程自动化等问题。PC AI Agent、手机AI Agent、实在Agent置入英特尔AI PC端、进驻钉钉平台等实践也表明，他们在隐私数据和AI-ready data问题上的解决方案是可落地的，并且已经能看到真实成果。

先期引入Agent相关解决方案的客户反馈很不错，这也是其刚公测就吸引大量用户踊跃体验的原因。

后记：AI-ready将成为Agent应用标配

数据应用一直是企业经营的长期难题。到如今，大多数公司的数据仍然不够集中，而是分散存在于各种数据仓库中，分布在复杂的系统里，跨越多个部门、用户和位置。这种情况极大地阻碍了数据的有效流转与应用。

企业对于数据应用的需求，归根结底就两点：一是数据足够安全，二是数据高质可用。

某种程度上，AI Agent的广泛应用，正在为企业提供一个“一次性解决问题”的新契机——从AI-ready data构建到Agent应用一步到位，既保证应用效果，也进一步为数字化转型的成功实施提供支撑。

未来，AI-ready data将作为智能体应用的前置条件，通过技术、工具等解决方案，为Agent的部署扫清数据障碍，让AI Agent高效赋能企业运营中的各种业务场景。随着行业认知的提升，更多技术厂商都会把这个前置条件作为部署Agent的必选项，并逐步将其变成AI Agent解决方案的标配。到那时，AI Agent的应用效果，也将整体跃升到一个新的台阶。