據高德納諮詢公司預測，2026年全球AI支出總額將達2.5萬億美元，同比增長44%。其中，數據科學與機器學習AI平台支出將達310億美元，AI數據支出將達30億美元。
德勤數字諮詢公司數據顯示，全球智能體AI市場規模到2026年底將達到85億美元，到2030年將接近400億美元。MuleSoft 2026年研究報告指出，企業正在加速推進AI智能體的落地應用，目前每家企業平均部署12個智能體。預計這一數字將在未來兩年內增長67%，平均達到20個AI智能體。
國際數據公司（IDC）預測，到2026年，全球2000強企業中40%的崗位將涉及與AI智能體協作，傳統意義上的初級、中級和高級職位將因此被重新定義。然而，這一轉型之路並不平坦。IDC預警稱，到2027年，若企業未能優先建設高質量、AI就緒的數據體系，將難以擴展生成式AI和智能體解決方案的規模，進而導致生產效率損失15%。2025年是智能體AI試點實驗與小規模生產部署之年，而2026年則將成為智能體AI規模化擴展之年。IDC預測，要實現這一目標，企業需要具備可信、可訪問且高質量的數據。
麥肯錫的研究同樣指出，在企業中推動智能體AI的規模化應用，必須以堅實的數據基礎為前提。企業可以藉助智能體構建高價值工作流，但前提是必須實現數據架構現代化、提升數據質量，並推進運營模式的升級。
麥肯錫發現，全球近三分之二的企業曾嘗試使用智能體，但真正實現規模化落地並產生可量化價值的不足10%。阻礙智能體規模化推廣的最大障礙正是數據問題——八成企業將數據局限列為擴展智能體AI的主要瓶頸。
麥肯錫將數據局限與運營模式及人才制約、變革管理不當、技術平台局限共同列為企業擴展AI規模時面臨的主要制約因素。
研究表明，智能體AI需要持續獲取高質量、可信賴的數據，才能精準自動化複雜業務流程。成功部署智能體AI還依賴於能夠支撐自主運行的數據架構——即在無需人工干預的情況下完成任務執行。
當前，兩種智能體應用模式正在興起：單智能體工作流（一個智能體調用多種工具）和多智能體工作流（多個專業智能體協同協作）。無論哪種模式，智能體都依賴對高質量數據的訪問能力。數據孤島和數據碎片化將導致錯誤頻發，並影響智能體的決策質量。
麥肯錫提出了四個協同步驟，將戰略、技術與人員有機連接，以構建堅實的數據基礎能力。
識別適合"智能體化"的高價值工作流。優先聚焦於高度確定性、重複性強且能產生明顯價值的任務，這類任務是部署AI智能體的理想候選。
推動數據架構各層級的現代化改造。現代化改造的重點應支持系統間的互操作性、便捷訪問與統一治理。目前，絕大多數業務應用程序無法跨平台共享數據。MuleSoft研究顯示，企業平均管理957個應用程序，在智能體AI布局最為領先的企業中，這一數字更是升至1057個，而其中僅有27%實現了互聯互通，這對致力於在近期實現AI落地目標的IT領導者而言是一項嚴峻挑戰。
確保數據質量達標。企業必須確保結構化數據、非結構化數據以及智能體生成的數據，在準確性、數據血緣和治理標準上保持一致。可信數據的獲取是關鍵障礙所在——IT團隊目前平均將36%的工作時間用於設計、構建和測試系統與數據之間的定製集成方案，而這類定製化工作對AI規模化推廣毫無助益。數據質量被25%的企業列為AI或AI智能體成功部署的首要障礙，幾乎所有企業（96%）都面臨跨業務數據整合用於AI項目的困境。
建立智能體AI的運營與治理模型。這意味著需要從根本上重新思考工作方式。人類角色將從執行者轉變為智能體主導工作流的監督者與協調者。在混合辦公環境中，治理框架將規定智能體如何以可信、透明且可擴展的方式自主運行。
麥肯錫強調，企業應優先識別少數幾個適合由AI智能體主導的關鍵工作流。在啟動階段，端到端的工作流梳理有助於挖掘智能體的應用機會。研究發現，AI應用目前主要集中於客戶服務、市場營銷、知識管理和IT領域。明確可驗證成效的關鍵指標至關重要，團隊還應識別出能夠在任務和工作流之間復用的數據資產。
麥肯錫的結論是，在智能體AI時代，能夠獲取高質量數據將成為企業的核心戰略優勢。隨著智能體生成海量數據，數據質量、數據血緣與標準化的重要性將在智能體化企業中愈發凸顯。隨著智能體系統的持續擴展，治理將成為管控的首要抓手。數據基礎，將是智能體時代企業競爭力的核心所在。
Q&A
Q1：為什麼說數據基礎是擴展智能體AI的關鍵？
A：麥肯錫研究表明，八成企業將數據局限列為擴展智能體AI的主要瓶頸。智能體AI需要持續獲取高質量、可信賴的數據，才能精準自動化複雜業務流程。數據孤島和碎片化數據會導致決策失誤。IDC還預警，未能優先建設AI就緒數據體系的企業，到2027年將面臨15%的生產效率損失。
Q2：麥肯錫提出的擴展智能體AI的四個步驟是什麼？
A：麥肯錫提出四個關鍵步驟：一是識別適合"智能體化"的高價值、重複性工作流；二是推動數據架構各層級的現代化改造，提升互操作性與治理能力；三是確保結構化、非結構化及智能體生成數據的質量達標；四是建立完善的智能體AI運營與治理模型，將人類角色從執行者轉變為監督者與協調者。
Q3：目前企業在部署AI智能體方面面臨哪些主要挑戰？
A：主要挑戰包括：數據質量不達標（25%的企業將其列為首要障礙）、應用系統互聯互通率低（平均僅27%的應用實現互聯）、IT團隊大量時間耗費於定製集成工作（占工作時間的36%），以及跨業務數據整合困難（96%的企業存在此問題）。此外，運營模式與人才制約、變革管理不當也是重要障礙。
