TechRadar于2026年9月16日刊发的一篇文章指出，企业人工智能投资的重心正从模型能力转向“最后一公里”：把AI生成的洞察转化为决策和可衡量的业务成果。文章认为，技术本身已不再是主要障碍，数据不完整、关键上下文缺失以及治理团队对输出缺乏信心，正使许多项目停在试点和概念验证阶段。
文章写道，过去几年，生成式人工智能、机器学习平台和大语言模型占据聚光灯，但董事会和高管会议反复追问业务价值在哪里。模型可在几秒内给出建议，执行却复杂得多：数据可能不完整，关键背景可能存在于别处，治理团队也可能不信任输出。结果，不少组织投入很大，却难以走出试点。
文章将瓶颈归于模型与业务流程之间。高管谈论成功的AI项目时，很少关注模型复杂程度，而是关注欺诈损失是否下降、客户能否更快开户、停机时间是否减少。AI要创造价值，需要了解业务中正在发生什么，有足够上下文理解事件含义，并能在治理护栏内运行。缺少任一环节，建议更难被信任，自动化停滞，采用受影响。
文章指出，许多组织的数据分散在系统中，必要上下文缺失，信息往往到达太晚，不同团队对同一业务概念定义不同。这些问题并不新，但AI比以往更清晰地暴露了它们。在金融服务领域，一家机构大力投资AI驱动欺诈检测，调查人员仍难以迅速行动，因为客户记录、交易历史和外部欺诈信号分散在多个系统。当这些来源被整合为可信、受治理的视图后，欺诈损失下降，误报减少，开户流程也更高效。
文章认为，AI需要比传统分析更广泛的业务视图。多数公司多年投资ERP、CRM和运营数据库，这些系统仍是业务的权威记录，并提供AI所需的大量信息。但AI做决策时越来越需要核心系统之外的信息，例如供应商数据、来自合作伙伴和SaaS应用或外部情报来源的业务上下文，以及客户互动、欺诈警报、联网设备或事件流等实时运营信号。
文章把信息分为三层：核心企业系统中的权威数据，来自合作伙伴、供应商和外部来源的上下文信息，以及显示当下正在发生什么的实时运营感知。多数组织在第一层管理上进展显著，但很少找到有效方式把三层结合起来。一家全球制造商的AI模型可以预测设备故障，但生产计划、供应商延迟和维护活动等信息分散在不同系统；连接这些来源后，团队能更早识别风险、减少停机并改善运营决策。
文章称，AI常常在现实图景不完整的情况下运行：它可能知道昨天发生了什么，却不知道现在正在发生什么；可能能访问内部记录，却缺少做出可信建议所需的外部上下文。最后一公里的挑战由此出现。