統一上下文：企業AI缺失的基礎

本文由Arango贊助，旨在探討企業AI規模化部署失敗的根本原因。蘭德公司發現，超過80%的AI項目從未進入生產階段，是傳統IT項目失敗率的兩倍，主要原因是數據基礎設施不足和領導層協調不力。卡內基國際和平研究院在2026年1月的一份實踐報告中指出，許多AI項目陷入“試點停滯”，因為生產環境需要穩健的數據流、治理框架和機構準備，而試點很少能驗證這些條件。

隨着AI代理從輔助員工轉向代表企業行動，治理變得與模型能力同等重要。美國國家標準與技術研究院（NIST）的AI風險管理框架強調，可信AI需要在部署過程中保持透明度、問責制、監控和可追溯性。沒有這些基礎，企業無法一致地解釋、審計或信任AI生成的決策。

在近期的一系列AI商業播客中，Arango首席運營官兼首席技術產品官Ravi Marwaha和IBM美國行業市場首席技術官Sumedh Chaudhary深入探討了為何碎片化數據、缺失上下文和脆弱的工作流將企業推入AI失敗區，以及如何構建在真實高風險運營中準確、可解釋的代理系統。

統一上下文：代理準確決策的關鍵

Marwaha指出，生產環境中的失敗往往源於模型周圍的環境，而非模型本身。試點在精心策劃的條件下運行，數據經過預選，工作流簡化，不一致性被屏蔽。而生產環境則引入企業系統的全部複雜性——CRM、ERP、工單工具、數據湖和文檔存儲庫——每個系統都持有不同的真相片段。

“數據從不位於單一位置，即使擁有成熟數據湖和MDM系統的企業，其結構化、非結構化和多模型數據也分散在為人類而非代理構建的環境中。當代理被輸入無關信息或拼湊的片段時，它們不會變得更智能，反而失去了做出可靠決策所需的依據。模型產生幻覺不是因為它們弱，而是因為它們缺乏上下文。”——Ravi Marwaha

Chaudhary在受監管工作流中看到了同樣的動態。在文檔密集型環境中，上下文缺失會立即表現為可測量的錯誤，因為代理無法跨頁面或系統保持連續性。領導者常常誤診為數據質量問題，但兩位嘉賓都強調，根本失敗是架構性的：當代理依賴的運營信息不完整或相互矛盾時，它們無法做出可辯護的決策。

碎片化數據：AI失敗區的根源

在兩場對話中，碎片化成為可靠代理行為規模化擴展的主要障礙。Marwaha將企業描述為累積數十年架構決策的環境——為方便而複製的數據、層層堆疊的系統、以及在這些層之上構建的報告工具。這些都不是為自主決策設計的，當代理試圖跨系統行動時，所有問題都會暴露。

“人們説他們在整合，但實際上他們在進一步碎片化——將數據從一個地方複製到三個地方，然後是十個地方，最終將那些副本整合到第十一個位置。隨着時間的推移，BI工具又創建了一層數據，每個版本都與前一個略有不同。這種模式已經累積了很長時間，而代理在跨系統行動時會繼承所有這些不一致性。”——Ravi Marwaha

Chaudhary在文檔密集型工作流中看到了不同的碎片化表現。模型可以解釋一頁，但如果頁面之間的含義在提取或處理過程中丟失，錯誤率會迅速上升——尤其是在準確性閾值明確的受監管行業。代理並非無法理解內容，而是無法理解片段之間的關係。

受監管工作流：可信AI的試驗場

受監管、文檔密集型工作流比其他任何環境都能更快地揭示企業準備度。Chaudhary認為，這些工作流的失敗不是因為模型不足，而是因為企業無法保持代理跨頁面、系統和文檔進行推理所需的連續性。一旦代理丟失連接工作流的語義線程，錯誤率就會飆升。

“文檔密集型工作流提出了第三層挑戰，因為你處理的不僅僅是非結構化文本——還有圖像、表格和分頁符，這些都會破壞語義線程。當系統從一頁翻到下一頁時，它們常常丟失連接信息的上下文層，代理無法重建工作流所需的內容。在受監管行業，錯誤率是被明確衡量的，當閾值未達到時，工具會被迅速放棄。”——Sumedh Chaudhary

這些工作流迫使架構包含時間感知、可追溯性和證據。它們要求代理理解什麼發生了變化、何時變化以及變化如何影響當前決策。當連續性中斷時，合規閾值會在模型能力成為限制因素之前很久就失敗。

多代理編排：端到端自動化

兩場對話的最終洞見是，只有當多個代理能夠基於同一連接的操作圖景行動時，代理AI才能實現運營化。Marwaha指出，企業常常試圖通過增加代理來擴展規模，但如果沒有共享的運營信息，這些代理只能創造更多孤島。

對於領導者來説，關鍵啓示是：AI準備度取決於代理能否訪問所需的運營信息來理解什麼發生了變化、信息在哪裏以及系統如何關聯。沒有這個基礎，即使強大的模型在離開受控的試點條件後也會表現不可預測。