代理式AI(Agentic AI)的部署竞赛已然白热化。然而，真正的问题在于企业数据基础设施是否已做好准备。目前看来，它似乎难以跟上这一步伐。

　　Fivetran发布的《2026年代理式AI就绪指数》显示，尽管已有41%的企业在生产环境中应用了代理式AI，但仅有15%的企业认为自身已具备完善的数据基础来全面支持该技术。企业该如何应对这一局面?

　　要解答这一问题，我们需先厘清关键症结。随着AI系统不再局限于生成推荐，而是开始在企业工作流中自主运行，这种AI就绪度差距变得愈发关键。代理式AI系统越来越依赖于可信且受管控的数据访问，以便实时触发操作并做出运营决策。

　　该报告指出，企业AI面临的下一个重大挑战在于：组织能否构建出互操作且可靠的数据环境，以支持大规模的自主AI运行。

　　企业正步入AI应用的更艰难阶段——此时部署速度本身已非问题，但部署速度开始超越运营成熟度，也就是运营能力要跟不上部署速度了。各组织似乎正大步向前，持续进行激进投资。近60%的企业表示已为自主AI项目投入数百万美元。与此同时，许多其他企业仍处于评估和试点阶段，尚未进行大规模部署。

　　使这一转型变得复杂的是底层数据环境本身的状况。许多企业仍在依赖脆弱的集成系统运行，它们面临着系统孤岛、治理标准不一，且难以掌握运营数据在组织内部的流动情况。随着更多AI系统实现自主运行，这些弱点变得尤为关键。

　　仅仅将AI投入生产环境已远远不够。确保周边基础设施能在AI系统投入运行后，安全且稳定地支持这些自主系统，这一点同样重要，甚至更为关键。

　　报告指出，在准备工作方面走得更远的企业正以不同的方式处理数据流动，这或许能为您提供行动指引。这些企业优先采用持续更新的数据管道而非周期性更新，并提升跨系统的可观测性。此外，它们还将可信数据整合到集中化的数据仓库和湖仓环境中。

　　报告强调，要扩展自主AI，首先必须扩展可靠的基础设施。这引出了我们的下一项发现：扩展代理型AI的最大障碍已不再集中在模型性能上。

　　Fivetran的报告显示，最常见的阻碍是数据质量和血缘问题(42%)，紧随其后的是合规与主权问题(39%)，该比例与安全和隐私风险(39%)持平。

　　我们认为这些挑战是企业级AI领域更广泛变革的一部分。多年来，大多数组织专注于实验、概念验证以及获取功能日益强大的模型。代理式AI改变了这一格局，因为这些系统被期望在真实的商业环境中运行，且通常具备自动触发操作的能力。

　　在此环境下，治理不善不再是技术上的不便，它已成为运营层面的问题。基于不完整或治理不善的数据运行的自主AI系统，不会随着时间推移而逐步改进。它只会让错误更快地扩散，并波及更多系统。

　　这种担忧已经开始影响企业的采购决策。报告发现，65% 的组织将对无法满足治理和主权要求的供应商实施严格限制或完全拒绝，其中 25% 的组织会直接拒绝这些供应商。

　　报告建议，企业应开始将治理视为生产基础设施，许多企业仍将其视为合规文书工作。他们需要针对AI代理可查看或修改的内容建立更严格的访问控制，并改进端到端的溯源和可审计性。此外，还应着力落实区域主权控制措施，在部署前明确界定代理允许交互的系统范围将大有裨益。

　　报告强调，互操作性正成为部署代理式AI的企业日益重要的战略优先事项——对于大规模部署的企业而言尤为如此。绝大多数(86%)组织认为平台互操作性和可扩展性重要或至关重要，而许多企业则日益担忧陷入僵化的数据集成生态系统。事实上，受访者认为数据集成平台带来的供应商锁定风险，比云服务提供商或企业应用程序更大。

　　一旦代理式AI超越孤立的试点阶段，这种担忧便不难理解。自主系统越来越需要同时访问数据仓库、运营环境、分析平台和企业软件。如果这些环境仍然彼此割裂，运行在其上的AI系统将更难实现一致的扩展。

　　报告认为，企业在基础设施复杂性日后难以解构之前，应立即关注灵活性。

　　建议采取的措施之一是采用供应商中立的集成层，集中管理受控的数据访问，并基于Apache Iceberg和Delta Lake等开放格式进行构建，这些措施将使组织随着时间的推移更轻松地在不同工具和平台之间迁移。

　　报告还鼓励企业采用这样的基础设施设计方式：让模型和AI服务能够演进，而无需反复重建其底层的核心管道。

　　越来越明显的是，企业AI竞赛的下一阶段可能很大程度上取决于哪些组织能够构建出真正能够支持自主系统的基础设施，且这些系统需运行在日益复杂的环境中。报告中的建议或许能为组织克服这些挑战提供一个良好的起点。