据麻省理工科技评论2026年10月5日发布的报告，一项面向300名数据、人工智能和其他技术高管的调查发现，企业AI智能体项目在从试点走向生产时普遍受制于知识不足，平均只有约34%的智能体AI项目能够进入生产环节。

报告指出，AI系统虽然不断积累和分析数据，但企业AI智能体常常缺乏知识。知识不只是数据本身，而是对数据在具体组织情境中意味着什么的理解。智能体需要这种理解来推理情况、作出决策并最终采取行动。知识不足会使智能体作出有缺陷且不可靠的决定，也是智能体AI用例无法进入生产的主要原因之一。

竞争压力使解决这一问题变得紧迫。组织需要部署和扩展更多智能体项目，以获取AI承诺的效率提升；如果进展不足，可能浪费已投入项目的资金，并把优势让给已更有效使用智能体的竞争对手。

报告基于对300名数据、AI和其他技术高管的调查，试图衡量组织在语义知识、情景记忆和程序性知识方面的智能体知识能力，考察组织在改善知识获取以及让更多智能体用例进入生产时面临的挑战，并探讨组织正在采取的应对措施。

调查发现，数据与知识短板持续拖慢AI智能体进展。平均而言，只有约34%的组织智能体AI项目进入生产，即使是高科技公司也面临困难。遗留数据系统、安全与隐私担忧，以及知识和上下文缺乏，是关键失败点。

知识能力较强的组织与智能体成功相关。一小部分生产领先者，其平均61%的智能体项目能够推进到试点之后，这些组织的知识能力高于其他组织，尤其在语义方面。这一优势与其更高的生产转化率密切相关。

数据碎片化大大增加了知识获取的难度。数据碎片化，即数据在系统之间共享不足，被最普遍地列为扩大智能体知识获取的首要挑战，提及比例为55%。相比之下，生产领先者更可能把安全与隐私担忧视为主要问题，该群体中提及比例为72%。

多数企业希望加强数据与智能体之间的联系。在可带来更高质量智能体决策的举措中，高管预计最大影响来自强化组织数据与其AI智能体之间的结构性基础。受访专家认为，知识层是实现这一目标的主要方式。为扩大智能体对知识的获取，组织将优先投资检索技术，如数据摄取管道、AI就绪API和检索增强生成，还将投资AI评估智能体和知识图谱。

该报告由麻省理工科技评论旗下定制内容部门Insights制作，并非其编辑部作品。报告称其由人类研究和撰写，可能使用的AI工具仅限于人工监督下的生产流程。