尽管 AI 系统不断积累和分析大量数据，企业 AI 智能体却常常受困于一个奇怪的短板：缺乏知识。知识不只是数据，它是在各个组织的具体语境中理解数据含义的能力。AI 智能体需要这种理解来推理情境、做出决策，并最终采取行动。若缺乏足够的知识，智能体就容易做出有缺陷且不可靠的决策。
我们的研究发现，知识匮乏是智能体 AI 用例始终无法投入生产的主要原因。竞争压力正使解决这一问题变得紧迫。组织需要部署并扩展更多智能体项目，以获取 AI 所承诺的效率提升。若做不到，就可能浪费已投入这些项目的资金，并将优势拱手让给那些已更有效运用智能体的竞争对手。
下载报告
本报告基于对 300 位数据、AI 及其他技术高管的调查，目的有三。第一，它旨在评估组织的智能体知识能力（即其为 AI 智能体提供对所摄取数据完整语境理解的能力），涵盖语义知识、情景记忆和程序性知识。
第二，报告探究组织在改善知识获取、并最终推动更多智能体用例投入生产方面所面临的挑战。第三，报告探讨组织为克服这些挑战所采取的措施。
主要发现包括以下几点：
数据与知识方面的薄弱环节持续阻碍 AI 智能体的进展。平均而言，组织只有约三分之一（34%）的智能体 AI 项目能够投入生产。即便是高科技公司也在这方面举步维艰。遗留数据系统、安全与隐私顾虑，以及知识与语境的缺乏，是关键失败点。
强大的知识能力与智能体的成功密切相关。一小部分生产领先者（其智能体项目平均有 61% 能推进到试点之后的企业）拥有比其余企业更强的知识能力，尤其是在语义方面。这一优势与其更高的投产率紧密相关。
碎片化的数据极大地增加了知识获取的难度。数据碎片化（即数据在系统之间共享不足）被最常提及为扩大智能体知识获取渠道的首要挑战（55% 的受访者提及）。相比之下，生产领先者更倾向于将安全和隐私问题视为主要顾虑（该群体中有 72% 提及）。
大多数公司都致力于加强数据与智能体之间的联系。在能够带来更高质量智能体决策的举措中，高管们预计最大影响将来自强化组织数据与其 AI 智能体之间的结构性基础。我们采访的专家认为，知识层是实现这一目标的主要途径。
提升知识的投资重点从数据管道延伸到知识图谱。为扩大智能体对知识的获取，各组织将优先投资于检索技术，如数据摄取管道、AI 就绪的 API 和检索增强生成（RAG）；投资于 AI 评估智能体；以及投资于知识图谱。
下载报告
本内容由 Insights 制作，Insights 是 MIT Technology Review 的定制内容部门，而非其编辑团队。本内容由人类研究和撰写，可能使用的任何 AI 工具都仅限于在人类监督下的生产流程。