尽管人工智能系统具备强大的数据收集与分析能力，但企业级 AI 代理在实际应用中常面临一个核心短板：缺乏对业务背景的深层理解。相较于单纯的数据，知识意味着在特定组织语境下解读数据含义的能力。AI 代理需要这种上下文理解来进行推理、决策并执行行动；若缺失这一环节，代理极易产生错误且不可靠的判断。
相关研究表明，知识匮乏是导致代理式 AI 用例难以进入生产阶段的首要原因。面对激烈的市场竞争，组织亟需解决这一问题以兑现 AI 带来的效率提升承诺。大量投资已投入此类项目，但若无法让 AI 代理像竞争对手那样高效运作，这些投入将难以转化为实际生产力。
基于对 300 名数据、AI 及其他技术领域高管的调查，最新报告从三个维度展开分析：首先，通过语义知识、情节性记忆和程序性知识来衡量组织的“代理知识能力”，即其为 AI 代理提供全面上下文理解的能力；其次，探讨组织在改善知识获取及推动更多代理用例落地过程中面临的挑战；最后，梳理组织为克服上述障碍所采取的具体措施。
调查揭示了以下关键发现：
知识与数据缺陷阻碍 AI 发展
数据显示，仅有约 34% 的组织能将 AI 项目成功推进至生产阶段，即便是高科技公司也面临同样困境。遗留数据系统、安全隐私顾虑以及背景知识的缺失，是项目失败的主要诱因。
知识能力与代理成功率正相关
那些被称为“生产领导者”的群体（其组织中平均有 61% 的代理项目超越试点阶段）展现出更强的知识能力，尤其在语义层面表现突出。这种优势与其更高的生产率密切相关。
数据碎片化增加知识获取难度
跨系统间数据共享不充分导致的“数据碎片化”，被普遍视为扩大代理知识获取的首要挑战（55% 的受访者认同）。相比之下，“生产领导者”群体更倾向于将安全和隐私问题列为主要障碍（该群体中 72% 的受访者提及此点）。
强化数据与代理间的结构连接
为了生成更高质量的代理决策，高管们认为最大的改进空间在于加强组织数据与 AI 代理之间的结构性基础。受访专家一致指出，构建“知识层”是实现这一目标的首选路径。
投资重心转向知识图谱构建
为优化代理的知识获取流程，组织的投资优先级集中在摄入管道、面向 AI 优化的 API 以及检索增强生成（RAG）等技术上。此外，建立知识图谱也被视为关键环节，旨在将分散的数据转化为结构化的知识资源。
