MIT Technology Review的Insights团队刚出了份针对300位科技高管的调研，结果挺扎心的——企业推进的AI智能体项目，平均只有34%能落地投产。
为什么9成AI智能体项目胎死腹中？
别再怪大模型不够聪明了。报告里说，智能体缺的不是数据，是“知识”——不是存在数据库里的原始数据，是对数据在自家业务里意义的理解。比如同样是用户消费记录，智能体得知道这是高价值客户的复购，还是羊毛党薅的补贴，才能做出合理决策。要是没这份知识，智能体大概率会出昏招，比如给羊毛党发了专属折扣，或者漏了高价值客户的需求。调研里列的卡壳原因，除了遗留数据系统的混乱、安全隐私的顾虑，缺知识和上下文是头号杀手。
知识能力强的公司，投产率高近2倍
有一小批公司是领先者——它们平均61%的智能体项目能从试点走到投产，比平均水平高了快一倍。为啥？报告说核心是它们的知识能力更强，尤其是“语义知识”的构建。这类公司更擅长把数据转换成智能体能理解的业务逻辑，而普通公司要么数据碎片化（55%的受访企业把这个列为最大挑战），要么不知道怎么把数据和业务对齐。有意思的是，领先公司反而更在意安全隐私（72%的这类公司把这个当重点顾虑），而普通公司纠结的是数据分散没地方整合。
补知识短板的钱，花在了这几个方向
要让智能体真正能用，最有效的办法是强化数据和智能体之间的“结构基础”——也就是搭个知识层。高管们在调研里明确说，最能提升智能体决策质量的，就是把数据和智能体打通的这个环节。现在企业要投钱的方向也很明确：一是检索技术，比如把数据接入智能体的管道、AI适配的API、RAG这类工具；二是AI评估智能体，用来判断智能体生成的内容靠不靠谱；三是知识图谱，把零散的数据整成结构化的业务知识网络。
其实这事挺简单，企业搞AI智能体的痛点，根本不是模型牛不牛，而是有没有把自家的业务知识喂给它。现在很多公司砸钱买大模型，却没花精力理清楚自己的数据脉络和业务逻辑，结果项目全卡在试点阶段。那你觉得，企业补这个知识短板，是先砸钱买工具，还是先把自家的数据和业务捋顺？
素材来源：MIT Tech Review AI · AI情报、融资并购、AI智能体、AI应用落地
查看报道原文
发表第一条评论吧