連結數據與代理人的強大結構基礎，是實現具備豐富情境的代理式 AI 並使其規模化的關鍵。
儘管 AI 系統持續累積和分析大量數據，企業級 AI 代理人卻常面臨一個奇怪的缺陷：缺乏知識。知識比數據更進一步，它是對數據在個別組織情境下意義的理解。AI 代理人需要這種理解來推理情況、做出決策，並最終採取行動。缺乏足夠的知識，代理人就容易做出錯誤且不可靠的決策。
我們的研究發現，知識的匱乏是代理式 AI 的應用案例遲遲無法投入生產的主要原因。競爭壓力正迫使我們迫切需要解決這個問題。組織需要部署並擴大規模化的代理人專案，以實現 AI 所承諾的效率提升。若無法達成，將面臨已投入專案的投資付諸流水，並將市場份額拱手讓給那些更有效地運用其代理人的競爭對手。
本報告基於對 300 位數據、AI 及其他科技高管的調查，其目的有三。首先，它旨在衡量組織的代理式知識能力（即賦予 AI 代理人對其所攝取數據的完整情境理解的能力），涵蓋語意知識、情境記憶和程序性知識。
其次，本報告探討組織在改善知識獲取以及最終將更多代理人應用案例投入生產時所面臨的挑戰。第三，它探討組織為克服這些挑戰所採取的措施。
主要發現包括：
數據和知識的弱點持續阻礙 AI 代理人的進展。平均而言，僅約三分之一（34%）的組織的代理式 AI 專案能夠進入生產階段。即使是高科技公司也面臨此困境。舊有數據系統、安全與隱私考量，以及知識和情境的缺乏，是主要的失敗點。
強大的知識能力與代理人的成功相關。一小群生產領導者（組織中平均有 61% 的代理人專案能超越試點階段）比其他組織擁有更強的知識能力，尤其是在語意方面。這種優勢與他們更高的生產率密切相關。
數據碎片化極大地複雜化了知識的獲取。數據碎片化（跨系統的數據共享不足）是最常被提及的擴展代理人知識獲取的主要挑戰（55% 的受訪者提及）。相比之下，生產領導者更有可能將安全與隱私考量視為主要問題（該群體中有 72% 的人提及）。
大多數公司旨在加強數據與代理人之間的連結。在能產生更高品質代理人決策的步驟中，高管預期最大的影響將來自於加強組織數據與其 AI 代理人之間的結構基礎。我們訪談的專家認為，知識層是實現這一目標的主要途徑。
提升知識的投資重點從管道到知識圖譜。為擴展代理人對知識的獲取，組織將優先投資於檢索技術，如攝取管道、AI 就緒 API 和檢索增強生成（RAG）；AI 評估代理人；以及知識圖譜。
