有观点指出，人工智能应用的瓶颈不在于“模型”而在于“数据”。分析认为，企业虽然已确认生成式AI和智能体AI的潜力，但在实际工作环境中未能取得成效的最大原因，是缺乏可靠的数据基础。
Qlik Technologies的首席营销官克里斯·鲍威尔近日在“Qlik Connect 2026”活动上表示，许多企业虽然已跨越AI实验阶段，但在向全面运营环境扩展时仍面临困难。他强调，问题的核心并非AI模型本身的性能，而在于“AI能够信任并加以利用的数据”。
鲍威尔解释道：“现在的关键问题不是AI能否运行，而是数据能否为AI有效运行。在演示中，任何人都能确认AI的潜力，但在实际场景中稳定实现这些成果，则完全是另一项挑战。”
此番言论也与Qlik和Enterprise Technology Research的调查结果相吻合。该调查显示，数据质量、数据可访问性、数据治理被视为将智能体AI成功应用于实际运营过程中的最大障碍。这意味着，尽管企业的AI投资意愿强烈，但连接预期收益的“现实壁垒”正是数据基础设施。
“可信度评分”与数据谱系是关键
鲍威尔认为，企业要将AI提升至生产阶段，需要三个支柱：第一，数据必须可信；第二，必须理解数据蕴含的独特背景；第三，必须具备能灵活应对技术变化的结构。
他特别指出，数据的“来源”、“变更历史”、“访问权限”、“存储位置”等因素至关重要。这意味着不能仅看数据是否存在，还必须能够追踪数据从何而来、经谁处理、以及随时间推移发生了何种变化。为此，Qlik提出了面向AI的“可信度评分”体系。这是一种评估特定数据是否足够可信以输入大语言模型的机制。
这种方法在金融、物流、医疗等微小失误也可能导致巨大成本的行业中尤为重要。因为如果数据的可信度无法保证，AI做出错误判断的可能性也会相应增大。
人的判断与成本控制决定扩展性
鲍威尔将“人的专业知识”和“成本结构”列为AI扩展的另外两个条件。他以联合包裹服务公司为例说明，越是明确设计好智能体在何种范围内可自主判断、何时需移交人类判断的企业，越接近大规模运营。
这可以理解为，相较于智能体AI自动处理所有决策的结构，融合了人的现场知识及控制体系的形态显示出更高的实际效能。最终，AI应用不仅是自动化技术的竞争，也引向如何将人的专业知识融入系统的问题。
成本同样是不可回避的变量。鲍威尔警告，若不在设计AI系统的初始阶段就同步加入成本控制机制，将难以构建可扩展的结构。他解释道，即便表面性能优异，若运营成本快速攀升，可持续性就会下降，最终可能退回到与财务部门核算投资回报率的阶段。
总而言之，分析认为企业AI的成败，与其说取决于获取更卓越的模型，不如说更依赖于“可靠的数据基础”、“融入人类判断的运营设计”以及“可持续的成本结构”。在AI竞争进入白热化的阶段，市场的关注点正从技术演示转向能否在实际场景中构建可重复且盈利的结构。
TP AI 注意事项 本文基于TokenPost.ai语言模型进行文章摘要生成。正文主要内容可能被省略或与事实存在出入。