随着大模型技术的快速演进，AI智能体热潮正在急速升温。
凭借自主感知、决策与任务执行能力，智能体让AI从“生成内容”迈向“自主执行”，被视为企业智能化转型与生产力革新的关键抓手。从国际到国内，众多科技巨头均已在加速布局企业级智能体生态，各行业企业也在积极探索落地应用。今年5月，我国出台《智能体规范应用与创新发展实施意见》，明确智能体发展规范与多元应用场景，从政策端为产业落地保驾护航。
然而，产业热度高涨的另一面，是企业落地仍普遍面临“最后一公里”难题。越来越多企业发现，智能体“看起来很强”，真正进入业务场景后却难以稳定运行，更遑论创造可衡量的实际价值。据Gartner预测，到2027年底，超过40%的智能体项目将被取消，原因是成本不断攀升、业务价值不明确或风险评估不足。近期出炉的《AI信任差距报告》，更直指核心问题：智能体落地受阻的关键并非模型能力不足，而是企业数据端存在明显短板，普遍深陷“AI信任鸿沟”。换言之，当前企业缺的已经不只是一个更强的大模型，而是一套能够支撑智能体稳定运行、可信决策的数据基础设施。
智能体落地三大障碍，根源在数据
基于对横跨全球14个国家、850位企业AI负责人的调研，由美国市场研究机构Arlington Research发布的《AI信任差距报告》，揭示了智能体在企业落地过程中面临的三大结构性障碍，这些问题都指向同一根源：数据基础设施尚未做好准备。
（图：《AI信任差距报告》）
调查显示，66%的组织要求AI数据实时或延迟不超过一分钟，才认为其结果值得信赖。但现实是，大多数企业的数据架构是为历史分析而设计的，数据需要预先聚合、清洗和准备，天然存在滞后。当智能体在诸如响应客户、识别合规风险或解决供应链问题等实时业务流程中运行时，它所依赖的数据往往保留在运营应用和SaaS平台中，而不在分析数据库里。对于必须感知当下并即刻行动的智能体来说，这种延迟可能会导致错误的决策。
实时性之外，语义不统一也是一大阻碍。报告中提到，63%的组织受困于难以识别和准备正确的数据。这里的所谓“正确”，不仅指数据本身的准确性，也指代数据在特定业务场景下的含义是否一致。比如，不同系统中对于“客户”、“账户”和“风险”等核心术语的定义存在差异，这会导致智能体基于不一致的信息做出误判，让其调错工具、选错记录甚至触发计划之外的工作流。而企业AI项目平均涉及超400个数据源，语义混乱的风险随着数据规模的扩大成倍放大。
此外，治理护栏的缺位，也给很多企业提出了挑战。这里的护栏，简单理解就是企业为智能体设定的一整套安全与合规约束，包括“什么数据能看”、“什么操作能做”等，目的是确保AI在自主执行过程中始终处于可控状态。因为企业数据往往分散在多个云平台、本地系统和SaaS应用中，每个系统都有各自的权限规则和安全策略。当智能体需要跨系统调用数据时，治理的一致性就成了真正的挑战。报告中，67%的受访者表示在AI数据安全和访问控制方面遭遇困难。
这份报告让我们看到，目前智能体落地企业端的核心难题不是没有数据，而是数据能不能在正确的时间、以正确的语义、在正确的权限边界内被调用。
破局之道：一家西班牙公司给出的数据管理新解法
针对上述难题，一家名为Denodo的西班牙数据管理企业，早在多年前便已经在前瞻性地布局新的解决方案。
成立于1999年的Denodo，是数据集成、管理和交付领域的全球领先企业，专注于为企业和人工智能构建可信的智能数据底座。目前，全球2000强企业中已有超过1000家使用其产品，覆盖金融、医疗、制造、零售和公共部门等行业。
（图：Denodo 平台架构示意图）
与传统依赖数据复制、耗时且成本高昂的数据湖或数据仓库方案不同，Denodo创新性地提出了“逻辑数据管理（Logical Data Management）”的核心理念。通过其“零副本（Zero-Copy）”技术，Denodo能够在不改变底层结构、不搬运数据的前提下，实时连接主流云平台、SaaS应用及本地传统系统，打破信息孤岛，实现跨源数据的实时互联与感知。
产品层面，Denodo平台依托实时访问、统一业务语义、集中式安全治理与高性能分布式查询四大技术支柱，帮助客户更高效地交付受治理的数据资产。同时，通过Denodo AI SDK与对MCP（模型上下文协议）标准的支持，平台全面赋能AI团队加速智能体的开发与部署。
在实际效果上，全球各地的企业使用Denodo平台交付AI就绪且业务就绪的数据，实现了高达4倍的洞察获取速度、345%的投资回报率（ROI）以及10倍的性能提升。
积极融入生态协同，推动智能体规模化落地
随着智能体逐渐进入实际业务流程，数据平台与云厂商AI能力之间的协同也变得越来越重要。近期，Denodo先后与亚马逊云科技（AWS）和微软展开深度合作，将自身的逻辑数据管理能力嵌入两大主流云平台的智能体生态中。
在与AWS的合作中，Denodo与AWS的多项数据及AI服务展开了深度集成。Denodo将实时、受控的数据访问与Amazon Bedrock AgentCore的集中管控能力相结合，构建智能体的安全访问闭环。与此同时，Denodo与Amazon SageMaker Catalog集成后，为智能体提供了准确解读数据所需的语义语境，从而生成更准确、更可信的结果，覆盖SAP、Oracle、Salesforce等200多个企业数据源，支持本地、多云和主权云环境的零副本实时访问。此外，与Amazon QuickSight的集成让业务用户可以直接基于可信数据构建AI驱动的工作流和自动化流程，省去了数据搬运带来的延迟，显著缩短了从洞察到行动的周期。
另一边，Denodo旗下全托管云服务Agora近日正式上架微软商业市场，与微软多项服务实现原生集成。Agora 面向智能体的数据基础与微软的 AI 及数据服务强强联手，共同赋能实时决策、超个性化体验、智能体工作流，以及其他依赖于对分布式数据进行实时、受控访问的混合云与多云应用场景。
（图：Denodo旗下全托管云服务Agora架构示意图）
值得注意的是，自2019年进入中国市场以来，Denodo也在积极推进本土生态适配。目前已完成与华为云、TiDB、OceanBase等主流国产数据底座的深度适配与认证，构建起成熟的国产化技术生态。依托其虚拟化层技术，Denodo能够屏蔽底层异构环境的差异，确保企业在信创转型和数据库替换过程中，实现平滑迁移。
从AWS到微软，再到中国信创生态，Denodo正在以统一的可信数据底座连接不同云生态，加速智能体规模化落地的进程。
AI竞争的下半场：比拼的不再只是模型
过去两年，AI行业的竞争焦点一直围绕大模型能力展开。但随着模型能力逐渐趋同，企业AI竞争的重心正在发生变化。
对于真正进入业务流程的智能体而言，“模型是否更聪明”固然重要，但更关键的问题已经变成：它能否获取可信数据、理解业务语义、遵守权限规则，并稳定执行任务。
换句话说，AI下一阶段的竞争，不再只是模型之间的竞争，而是企业数据基础设施之间的竞争。企业需要重新审视的不只是技术架构，还有数据与AI之间的信任关系。谁能在这个问题上率先给出令市场信服的答案，谁就有可能定义下一代企业AI的基础设施标准。
