如何将 AI 智能体接入企业知识

尽管 AI 系统不断积累和分析大量数据，企业 AI 智能体却常常受制于一个奇怪的短板：缺乏知识。知识不仅仅是数据，更是理解数据在具体组织情境中意味着什么。AI 智能体需要这种理解来推理情况、做出决策，并最终采取行动。如果知识不足，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。组织需要部署和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。

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，旨在评估组织在语义知识、情景记忆和程序性知识方面的智能体知识能力（即让 AI 智能体对其所摄取数据具备完整情境理解的能力）。

第二，报告探究组织在改善知识获取、并最终让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正在采取的措施。

主要发现包括：

数据与知识短板持续阻碍 AI 智能体进展。平均而言，组织只有约三分之一（34%）的智能体 AI 项目能投入生产。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，以及知识与情境的缺乏，是关键失败点。

强大的知识能力与智能体成功相关。一小群生产领导者（其平均 61% 的智能体项目能超越试点阶段的组织）拥有比其余组织更强的知识能力，尤其是在语义方面。这一优势与其更高的投产率密切相关。

碎片化数据极大增加了知识获取的难度。数据碎片化（系统间数据共享不足）最常被认为是扩大智能体知识获取的首要挑战（55% 提及）。相比之下，生产领导者更可能将安全与隐私顾虑视为主要问题（该群体中 72% 提及）。

多数公司旨在加强数据与智能体之间的联系。在可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加强组织数据与其 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方式。

提升知识的投资重点从数据管道到知识图谱不等。为扩大智能体对知识的获取，组织将优先投资检索技术，如摄取管道、AI 就绪 API 和检索增强生成（RAG）；AI 评估智能体；以及知识图谱。

本内容由 Insights 制作，Insights 是《麻省理工科技评论》的定制内容部门，而非其编辑团队。内容由人工调研和撰写，任何可能使用的 AI 工具仅限于在人工监督下的生产流程。