企业AI智能体正在快速进入工作流，但一个被低估的瓶颈正在浮现：它们能拿到数据，却读不懂组织。
发生了什么
MIT Tech Review在一篇分析中指出，企业AI智能体普遍面临一个看似矛盾的短板——知识匮乏。尽管AI系统持续积累和分析数据，但数据不等于知识。知识是对数据在特定组织语境下含义的理解，比如某条客户记录为何被标记、某个流程为何存在例外。智能体需要这种理解才能对情境进行推理、做出决策，并最终采取行动。报道没有给出具体的技术方案或产品细节，但明确点出了当前企业级智能体落地的核心障碍。
为什么重要
过去两年，行业把大量精力放在模型能力、上下文长度和工具调用上，默认只要把企业数据喂给智能体，它就能自动变得有用。但现实是，企业数据往往散落在CRM、ERP、工单系统、邮件和内部文档中，且充满只有内部人才懂的缩写、惯例和隐性规则。一个能调用API的智能体，未必知道“这个客户不能自动续约”背后的商务原因。
这解释了为什么许多企业POC（概念验证）表现惊艳，进入生产环境却频频出错：智能体缺乏对组织语境的 grounding（接地）。知识图谱、检索增强生成（RAG）和微调都是候选路径，但各有局限——RAG擅长找文档，却不擅长表达关系；微调成本高且更新慢；知识图谱构建和维护又极度依赖人工。
影响与看点
对行业而言，这意味着企业AI的竞争焦点可能从“模型多强”转向“知识多准”。谁能更高效地把组织隐性知识显性化、结构化，并让智能体在推理时可靠调用，谁就能解决落地最后一公里。
对开发者来说，单纯堆叠工具调用和提示词工程已经不够，需要把知识建模纳入系统设计：如何表示实体关系、如何处理冲突信息、如何让智能体在不确定时主动询问而非臆测。
对用户而言，短期内不要期待智能体完全自主决策。更现实的路径是人机协作：智能体负责检索、归纳和初步推理，关键判断仍由了解语境的人把关。
一个独立判断：企业智能体的真正壁垒不在模型层，而在知识层。那些把内部知识当作一等公民来治理的组织，会比只关注模型选型的组织走得更远。
