企业正在快速增加"智能体AI"预算，但实际现场部署速度并未达到预期。从试点运营转向全面运营阶段的过程中，浮现的最大障碍并非模型，而是"数据治理"。
根据美国数据分析企业Qlik Technologies公布的"智能体AI研究"，受访企业中97%已分配了智能体AI相关预算。然而，已完成全面部署的企业仅占18%。主要原因被归结为数据质量、系统集成和数据治理问题。
“AI的最大制约是数据”…从试点到运营的转换是关键难关
Qlik首席技术官萨姆·皮尔森近期在"Qlik Connect 2026"活动上接受SiliconANGLE Media旗下theCUBE采访时诊断称，企业的AI转型正遭遇比预想更复杂的数据环境。
皮尔森表示："当组织试图从试点阶段转向运营阶段时，最大的制约因素是数据。""无论是中小企业还是大企业，内部都留存着数百、数千个老旧系统和数据库，如何将其取出并连接到AI架构是核心课题。"
这不仅仅是简单的技术连接问题，更关乎梳理企业整体数据流并使其达到可靠状态的工作。他解释道，要全公司范围应用AI，数据治理必须不是停留在纸面上的原则，而应融入实际的系统结构。
安全团队的下一个问题是"如何防止数据泄露"
皮尔森指出，企业关于AI的讨论初期会聚焦于"能用AI做什么"，但很快就会转向安全问题。他判断，尤其是随着连接多个系统的MCP等基于标准的项目普及，数据治理实际上已演变为安全问题。
他解释道："第一个问题是AI支持方案，但接下来安全团队就会问'如何在无数据泄露的情况下进行保护'。""Qlik的AI直接继承了基础平台的安全模型。"
这一安全模型延伸至数据血缘和可观测性。Qlik表示，通过"语义层"可以连接数据产品整体的元数据上下文，并能追踪上游数据变更对下游产生的影响。这意味着，要信任AI结果，首先必须确保其输出所依据的数据来源和流程是透明的。
核心在于"基于标准的结构"而非最新模型…必须能够替换
皮尔森警告称，如果企业只追逐最新的AI模型或流行的架构模式，可能几个月后就不得不从头开始重建。他强调，相反，应基于Apache Iceberg、开放语义交换等开放标准来构建结构，才能灵活应对变化。
他表示："基于标准的方法有助于分离和模块化系统。""当需要变化时，可以更安全地替换现有组件，而这最终会使解决方案强大得多。"
这表明企业AI战略正超越短期实验，转向长期运营体系。这意味着AI竞争力的核心已不再仅仅在于"使用何种模型"，而转向了如何更可靠地连接和控制数据。
AI时代的瓶颈是数据治理而非模型
此次研究和发言表明，企业的AI转型在技术引入意愿与实际成果之间呈现出明显差距。预算虽已到位，但运营阶段的成败最终取决于数据质量、集成以及"数据治理"，这一点再次得到确认。
市场上，未来采用生成式AI和智能体服务的可能性很大。不过，在企业现场，相较于快速部署，那些首先构建起"可信数据基础"的企业更有可能取得实际成果。
TP AI 注意事项 本文使用基于TokenPost.ai的语言模型进行文章摘要。正文主要内容可能被省略或与事实不符。