AI智能体（agentic AI）已从概念走向实践，企业领导者对其变革潜力深信不疑。然而，MIT科技评论的最新文章指出，实现预期投资回报率（ROI）的关键并非模型本身，而是支撑智能体的数据基础设施。这一观点直击当前AI应用中的核心痛点：数据不可信，智能体难以规模化。
发生了什么
MIT科技评论的文章强调，企业和技术领导者已无需被说服智能体时代已经到来。组织正在快速采用智能体，很少有高管怀疑其改变工作的潜力。但许多组织发现，实现AI投资回报率取决于拥有正确的基础，而不完善的基础设施和数据成为主要障碍。
文章并未给出具体数据或案例，而是聚焦于一个普遍现象：智能体部署的瓶颈正从模型能力转向数据质量。这反映出行业共识的转变——AI的价值不再仅由算法决定，而是由数据生态决定。
为什么重要
智能体不同于传统软件，它们需要自主决策、执行多步任务，并与环境交互。这要求数据不仅准确、完整，还要具备上下文相关性和实时性。如果数据不可靠，智能体可能做出错误判断，导致业务风险。
过去几年，企业AI应用多集中在分析、生成等辅助场景，数据问题的影响相对可控。但智能体承担的是执行性任务，错误代价更高。因此，数据可信度成为规模化部署的前提。
此外，智能体的“长尾”特性加剧了数据挑战。它们需要处理大量边缘案例，而传统数据治理往往忽视这些场景。企业若不能建立动态、可验证的数据管道，智能体的性能将难以稳定。
影响与看点
对行业而言，这预示着AI竞争焦点将从模型转向数据工程。那些拥有高质量数据资产的企业，将在智能体应用中占据先机。同时，数据标注、数据合成、数据血缘追踪等工具的需求将激增。
对开发者来说，构建智能体时需将数据验证作为核心环节，而非事后补救。这要求新的技术栈，如数据质量监控、异常检测、反馈闭环等。
值得关注的一个趋势是“数据即产品”理念的兴起。企业将不再把数据视为IT副产品，而是作为战略资产进行投资。未来，智能体的ROI将直接与数据治理水平挂钩。
独立判断：数据信任不是一次性工程，而是持续运营能力。企业若不能将数据质量嵌入智能体生命周期，规模化将只是空谈。
