内容来源：https://www.technologyreview.com/2026/10/05/1145580/connecting-ai-agents-to-enterprise-knowledge/

内容总结：

企业AI智能体面临“知识匮乏”困境，构建数据与智能体之间的结构化桥梁成为规模化落地关键。

尽管AI系统不断积累和分析海量数据，企业AI智能体却普遍存在一个显著短板：缺乏知识。知识不同于数据，它是对数据在具体组织情境中所含意义的理解。AI智能体需要这种理解来推理情境、做出决策并最终采取行动。缺乏足够的知识，智能体容易做出有缺陷且不可靠的决策。

研究发现，知识匮乏是智能体AI应用场景无法进入生产环节的主要原因之一。竞争压力使得解决这一问题变得尤为紧迫。企业需要部署和扩展更多智能体项目，以获取AI所承诺的效率提升。若无法做到，不仅可能浪费已投入的项目资金，还会将优势拱手让给那些已更有效部署智能体的竞争对手。

本报告基于对300名数据、AI及其他技术高管的调查，目的有三：第一，评估各组织在智能体知识能力方面的表现，即其为AI智能体提供对所摄入数据完整情境理解的能力，涵盖语义知识、情景记忆和程序性知识三个维度。第二，探究组织在改善知识获取以及推动更多智能体应用进入生产环节方面所面临的挑战。第三，探讨组织为克服这些挑战所采取的措施。

主要发现如下：

数据与知识薄弱持续阻碍AI智能体进展。 平均而言，仅有约三分之一（34%）的组织智能体AI项目能进入生产环节。即便是高科技企业也面临这一困境。遗留数据系统、安全与隐私顾虑，以及知识与情境的缺乏，是主要的失败节点。

强大的知识能力与智能体成功密切相关。 一小部分“生产领军者”（其智能体项目平均61%能通过试点阶段进入生产的组织）拥有比其余组织更强的知识能力，尤其在语义方面优势明显。这一优势与其更高的投产率紧密相关。

数据碎片化严重加剧知识获取难度。 数据碎片化（即系统间数据共享不充分）被最普遍地列为进一步扩展智能体知识获取的首要挑战（55%的受访者提及）。相比之下，生产领军者更倾向于将安全与隐私问题视为主要关切（该群体中72%提及）。

多数企业致力于强化数据与智能体之间的关联。 在高管们看来，在能够带来更高质量智能体决策的各项举措中，影响最大的将是强化组织数据与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重要途径。

提升知识的投资重点涵盖从数据管道到知识图谱的多个层面。 为扩展智能体对知识的获取，组织将优先投资于检索技术，如数据摄取管道、AI就绪API和检索增强生成（RAG）；AI评估智能体；以及知识图谱。

本文内容由MIT Technology Review旗下定制内容团队Insights制作，非其编辑团队出品。内容由人工调研和撰写，任何可能使用的AI工具仅限于在人工监督下的生产流程中使用。

深度解读

人工智能

AI的递归自我改进或许不会那么快到来
看来，AI智能体尚不具备足够的创造力来开展真正具有创新性的开放式AI研究。

别被迷惑——大语言模型并不具备推理能力
AlphaGo战胜围棋冠军李世石十年之后，当今AI仍未触及当年那场胜利所依赖的机制。

别被今夏的AI炒作冲昏头脑
关于通用人工智能（AGI）和新能力的夸张说法，在审视之下很快便不攻自破。

这些初创公司正在追逐大语言模型领域的下一个大事件
来认识那些正在紧咬AI巨头脚跟的新秀们。

保持关注
获取MIT Technology Review的最新动态
发现特别优惠、热门报道、即将举办的活动等更多内容。

中文翻译：

赞助内容

将AI智能体接入企业知识

连接数据与智能体的强大结构化基础，是构建可规模化、上下文丰富的智能体AI的关键。

与Neo4j合作呈现

尽管AI系统不断积累和分析海量数据，企业AI智能体却常常面临一个令人费解的短板：知识匮乏。知识不仅仅是数据，更是对数据在具体组织情境中意味着什么的理解。AI智能体需要这种理解来推理情境、做出决策，并最终采取行动。缺乏足够的知识，智能体往往会做出有缺陷且不可靠的决策。

我们的研究发现，知识匮乏是智能体AI应用场景始终无法投入生产的主要原因之一。竞争压力使得解决这一问题的紧迫性日益加剧。企业需要部署和扩展更多的智能体项目，以获取AI所承诺的效率提升。若无法做到，不仅可能浪费已投入这些项目的资金，还会将优势拱手让给那些已经更有效部署智能体的竞争对手。

本报告基于对300位数据、AI及其他技术高管的调研，目的有三。第一，旨在评估各组织在智能体知识能力方面的表现（即其为AI智能体提供对所摄入数据完整上下文理解的能力），涵盖语义知识、情景记忆和程序性知识三个维度。第二，报告探究各组织在改善知识获取以及最终推动更多智能体应用场景投入生产方面所面临的挑战。第三，报告探讨各组织为克服这些挑战所采取的措施。

主要发现如下：

数据与知识短板持续阻碍AI智能体进展。平均而言，各组织的智能体AI项目仅有约三分之一（34%）能投入生产。即便是高科技企业也面临这一困境。遗留数据系统、安全与隐私顾虑，以及知识和上下文的缺乏，是关键的失败节点。

强大的知识能力与智能体成功密切相关。一小部分生产领先者（即平均61%的智能体项目能通过试点阶段进入生产的组织）拥有比其余组织更强的知识能力，尤其在语义方面。这一优势与其更高的投产率紧密相关。

数据碎片化严重加剧了知识获取的难度。数据碎片化（即数据在系统间共享不充分）被最普遍地列为扩展智能体知识获取的首要挑战（55%的受访者提及）。相比之下，生产领先者更倾向于将安全与隐私顾虑视为主要关切（该群体中72%的人提及）。

大多数企业致力于加强数据与智能体之间的连接。在能够带来更高质量智能体决策的举措中，高管们预期最大影响将来自加强组织数据与其AI智能体之间的结构化基础。我们采访的专家认为，知识层是实现这一目标的重要途径。

推动知识能力的投资重点涵盖从数据管道到知识图谱。为扩展智能体对知识的获取，各组织将优先投资于检索技术，如数据摄入管道、AI就绪API和检索增强生成（RAG）；AI评估智能体；以及知识图谱。

本内容由MIT Technology Review旗下定制内容部门Insights制作，非其编辑团队出品。内容由人工调研和撰写，任何可能使用的AI工具仅限于在人工监督下的生产流程。

深度解读

人工智能

AI的递归自我改进或许不会那么快到来

看来，AI智能体还不够有创造力，无法开展真正具有创新性的开放式AI研究。

别被迷惑了——大语言模型并不具备推理能力

AlphaGo对阵围棋冠军李世石十年之后，当今的AI仍未触及当年那场胜利背后的核心机制。

别被今夏的AI炒作所迷惑

关于通用人工智能（AGI）和新能力的激动人心的宣称，在审视之下很快就会站不住脚。

这些初创公司正在追逐大语言模型领域的下一个大事件

来认识一下正在紧追AI巨头步伐的后起之秀。

保持关注

获取来自MIT Technology Review的最新动态

发现专属优惠、热门报道、即将举办的活动及更多内容。

英文来源：

Sponsored
Connecting AI agents to enterprise knowledge
A strong structural foundation that links data and agents is key for context-rich agentic AI that scales.
In partnership withNeo4j
For all the data that AI systems continually amass and analyze, enterprise AI agents often suffer from a curious shortcoming: a lack of knowledge. More than data, knowledge is the understanding of what the data means in the context of individual organizations. AI agents need this understanding to reason about situations, make decisions, and ultimately take actions. Without sufficient knowledge, agents are prone to making flawed and unreliable decisions.
A lack of knowledge, our research finds, is a major reason agentic AI use cases never make it to production. Competitive pressure is making it urgent to address this. Organizations need to deploy and scale more of their agentic projects to capture the efficiency gains AI promises. Falling short risks wasting the investment already sunk into these projects, and it cedes ground to rivals already putting their agents to work more effectively.
The purpose of this report, which is based on a survey of 300 data, AI, and other technology executives, is threefold. First, it seeks to gauge organizations’ agentic knowledge capabilities (i.e., their ability to give AI agents a full contextual understanding of the data they ingest) across semantic knowledge, episodic memory, and procedural knowledge.
Second, the report probes the challenges organizations face in improving access to knowledge and ultimately to getting more agent use cases into production. Third, it explores the measures organizations are taking to overcome these challenges.
The key findings include the following:
Data and knowledge weaknesses consistently stall AI agent progress. On average, only around a third (34%) of organizations’ agentic AI projects make it into production. Even high-tech firms struggle with this. Legacy data systems, security and privacy concerns, and a lack of knowledge and context are the key points of failure.
Strong knowledge capabilities correlate with agent success. A small group of production leaders (organizations where on average 61% of agentic projects advance beyond pilot) have stronger knowledge capabilities than the rest, especially when it comes to semantics. This advantage tracks closely with their higher production rate.
Fragmented data hugely complicates knowledge access. Data fragmentation (the inadequate sharing of data across systems) was most commonly cited as a top challenge to expanding agents’ access to knowledge (cited by 55%). Production leaders, by contrast, are more likely to see security and privacy concerns as a major concern (cited by 72% of this group).
Most firms aim to strengthen the link between data and agents. Among steps that can yield higher quality agent decisions, executives expect the biggest impact to come from strengthening the structural foundation between the organization’s data and its AI agents. The experts we interviewed see a knowledge layer as a prime way to achieve this.
Investment priorities to boost knowledge range from pipelines to knowledge graphs. To expand agent access to knowledge, organizations will prioritize investments in retrieval technologies, like ingestion pipelines, AI-ready APIs, and retrieval-augmented generation (RAG); in AI evaluation agents; and in knowledge graphs.
This content was produced by Insights, MIT Technology Review’s custom content arm, not its editorial staff. It was researched and written by humans, with any AI tools that may have been used limited to production processes under human oversight.
Deep Dive
Artificial intelligence
AI’s recursive self-improvement might not come so quickly after all
AI agents are not yet creative enough to carry out genuinely innovative open-ended AI research, it seems.
Don’t be fooled—LLMs don’t reason
Ten years after AlphaGo’s match against Go champion Lee Sedol, today’s AI still isn’t tapping into the machinery that made that win possible.
Don’t be fooled by this summer of AI hype
Breathless claims about AGI and new capabilities fall apart pretty quickly under scrutiny.
These startups are chasing the next big thing in LLMs
Meet the new kids nipping at the heels of the AI giants.
Stay connected
Get the latest updates from
MIT Technology Review
Discover special offers, top stories, upcoming events, and more.