人工智能放大数据缺陷,企业需先治理数据再部署智能体
2026年11月16日 · 阅读 1 分钟
也发布于 한국어
企业高管委员会的关注点已从是否采用人工智能转向部署速度,核心问题在于底层数据的质量。一项针对五百六十五名数据专业人士的调查显示,百分之八十八的数据领导者声称已准备好应对人工智能,但百分之四十三承认当前数据构成障碍。二零二四年的一项调查指出,仅百分之十二的受访者认为数据质量和可访问性足以支持人工智能,而百分之六十七的人不完全信任自身数据用于决策。二零二六年的最新数据显示,尽管乐观情绪上升,但问题依然存在,近半数声称准备好的受访者承认实际上并未准备好,这种信任与准备之间的差距在工程领域被称为技术债务。
人工智能模型不会质疑输入数据,而是学习并泛化错误,以每秒数千次的速度自信地应用这些错误。随着智能体从推荐转向执行操作,错误从报告层面扩展到实际操作层面。四个已记录的案例表明,故障根源均在于输入数据、上下文或缺乏控制,而非算法本身。根据预测,到二零二六年底,企业将放弃百分之六十缺乏数据支持的人工智能项目,尽管企业在生成式和智能体人工智能上投入了巨额资金,但多数组织因未适配实际工作流程而无法获得可衡量的回报。
数据领导者指出,阻碍人工智能发展的主要因素是数据治理和质量,而非模型本身。数据需满足四个可验证条件才能支持智能体操作。拥有正式数据治理战略的组织中,百分之七十一对数据有高信任度,而未建立该战略的组织中这一比例仅为百分之五十。前者中百分之三十二预计在未来六至十一个月内获得人工智能的正向回报。目前已有智能体工具用于发现个人数据、提出质量规则或地理编码地址,但始终需要人工批准。欧洲人工智能法规要求高风险系统具备数据治理和质量实践,企业应在部署智能体前明确数据位置,避免在不可信数据上构建系统。