很多企业把智能体项目想成选个强模型。真做起来才发现，卡住的不是模型，是数据。

一组反直觉的数字

一份覆盖八个国家、六百多位大企业技术决策者的调研给出反差：八成企业已在投资或运行 AI 智能体，九成加大了实时数据投入。可四成企业明确表示，把智能体实时接进可靠的企业数据，是投产的最大障碍。四成六把数据质量与一致性列为头号技术挑战。成熟度高的组织里，近六成智能体进了生产；起步期的只有两成。

模型再强，喂不进数据也白搭

差距直观。领先者更愿意把数据统一到单一平台，而不是堆多套工具。某农业企业把四十多年积累的四百六十万份专业文档一键上云，搭起企业专属知识库，智能体才真正进到养殖生产和质量监控一线。反过来，数据散在多个系统、格式不一、更新跟不上，模型调用前先花大力气清洗，价值被内耗掉。一家制造企业上了智能体才发现，七成精力花在对接老系统，模型本身反倒用得最少。

数据底座先于模型选型

结论很清楚：智能体落地的胜负手，已经从模型精度转到数据底座。把预算优先投给数据管道和治理，回报高于继续加码参数。对企业选型来说，先查数据能不能接、质量稳不稳，再谈模型多聪明。顺序错了，演示再漂亮也走不到生产。

治理是慢功夫，但绕不过

传统数据治理周期长、成本高、易反弹。新做法是给数据系统配会自己修的运维：自动修格式错误，按业务规则判断合理性，持续迭代。配套标准也在补，比如智能体从实验到生产的运维白皮书陆续出台。企业先把数据接进来、管起来，智能体才有活可干。企业级 AI 能不能规模化，瓶颈不在模型精度，在运维治理。

数据决定上限，模型决定下限。