统一上下文：企业AI缺失的基础

本文由Arango赞助，旨在探讨企业AI规模化部署失败的根本原因。兰德公司发现，超过80%的AI项目从未进入生产阶段，是传统IT项目失败率的两倍，主要原因是数据基础设施不足和领导层协调不力。卡内基国际和平研究院在2026年1月的一份实践报告中指出，许多AI项目陷入“试点停滞”，因为生产环境需要稳健的数据流、治理框架和机构准备，而试点很少能验证这些条件。

随着AI代理从辅助员工转向代表企业行动，治理变得与模型能力同等重要。美国国家标准与技术研究院（NIST）的AI风险管理框架强调，可信AI需要在部署过程中保持透明度、问责制、监控和可追溯性。没有这些基础，企业无法一致地解释、审计或信任AI生成的决策。

在近期的一系列AI商业播客中，Arango首席运营官兼首席技术产品官Ravi Marwaha和IBM美国行业市场首席技术官Sumedh Chaudhary深入探讨了为何碎片化数据、缺失上下文和脆弱的工作流将企业推入AI失败区，以及如何构建在真实高风险运营中准确、可解释的代理系统。

统一上下文：代理准确决策的关键

Marwaha指出，生产环境中的失败往往源于模型周围的环境，而非模型本身。试点在精心策划的条件下运行，数据经过预选，工作流简化，不一致性被屏蔽。而生产环境则引入企业系统的全部复杂性——CRM、ERP、工单工具、数据湖和文档存储库——每个系统都持有不同的真相片段。

“数据从不位于单一位置，即使拥有成熟数据湖和MDM系统的企业，其结构化、非结构化和多模型数据也分散在为人类而非代理构建的环境中。当代理被输入无关信息或拼凑的片段时，它们不会变得更智能，反而失去了做出可靠决策所需的依据。模型产生幻觉不是因为它们弱，而是因为它们缺乏上下文。”——Ravi Marwaha

Chaudhary在受监管工作流中看到了同样的动态。在文档密集型环境中，上下文缺失会立即表现为可测量的错误，因为代理无法跨页面或系统保持连续性。领导者常常误诊为数据质量问题，但两位嘉宾都强调，根本失败是架构性的：当代理依赖的运营信息不完整或相互矛盾时，它们无法做出可辩护的决策。

碎片化数据：AI失败区的根源

在两场对话中，碎片化成为可靠代理行为规模化扩展的主要障碍。Marwaha将企业描述为累积数十年架构决策的环境——为方便而复制的数据、层层堆叠的系统、以及在这些层之上构建的报告工具。这些都不是为自主决策设计的，当代理试图跨系统行动时，所有问题都会暴露。

“人们说他们在整合，但实际上他们在进一步碎片化——将数据从一个地方复制到三个地方，然后是十个地方，最终将那些副本整合到第十一个位置。随着时间的推移，BI工具又创建了一层数据，每个版本都与前一个略有不同。这种模式已经累积了很长时间，而代理在跨系统行动时会继承所有这些不一致性。”——Ravi Marwaha

Chaudhary在文档密集型工作流中看到了不同的碎片化表现。模型可以解释一页，但如果页面之间的含义在提取或处理过程中丢失，错误率会迅速上升——尤其是在准确性阈值明确的受监管行业。代理并非无法理解内容，而是无法理解片段之间的关系。

受监管工作流：可信AI的试验场

受监管、文档密集型工作流比其他任何环境都能更快地揭示企业准备度。Chaudhary认为，这些工作流的失败不是因为模型不足，而是因为企业无法保持代理跨页面、系统和文档进行推理所需的连续性。一旦代理丢失连接工作流的语义线程，错误率就会飙升。

“文档密集型工作流提出了第三层挑战，因为你处理的不仅仅是非结构化文本——还有图像、表格和分页符，这些都会破坏语义线程。当系统从一页翻到下一页时，它们常常丢失连接信息的上下文层，代理无法重建工作流所需的内容。在受监管行业，错误率是被明确衡量的，当阈值未达到时，工具会被迅速放弃。”——Sumedh Chaudhary

这些工作流迫使架构包含时间感知、可追溯性和证据。它们要求代理理解什么发生了变化、何时变化以及变化如何影响当前决策。当连续性中断时，合规阈值会在模型能力成为限制因素之前很久就失败。

多代理编排：端到端自动化

两场对话的最终洞见是，只有当多个代理能够基于同一连接的操作图景行动时，代理AI才能实现运营化。Marwaha指出，企业常常试图通过增加代理来扩展规模，但如果没有共享的运营信息，这些代理只能创造更多孤岛。

对于领导者来说，关键启示是：AI准备度取决于代理能否访问所需的运营信息来理解什么发生了变化、信息在哪里以及系统如何关联。没有这个基础，即使强大的模型在离开受控的试点条件后也会表现不可预测。