AI规模化易，信任它难

组织正在超越实验阶段，将人工智能嵌入日常业务运营。随着采用速度加快，许多人发现，成功扩展人工智能需要的远不止部署更强大的模型。

未来三年，92%的公司计划增加人工智能投资，但只有1%认为自己在人工智能部署方面已经成熟。随着组织扩展人工智能和智能体，可信的数据基础设施成为可信人工智能（从副驾驶到自主智能体）的基础。

没有可信的数据、治理和业务上下文，即使最先进的人工智能系统也难以提供可靠、可解释的结果。

我们在《数据领导者智能体人工智能入门》中探讨了这些基础原则。在这里，我们研究了当这些基础不到位时会出现什么问题，以及为什么人工智能成熟度已成为组织需要解决的下一个挑战。

随着人工智能扩展，哪些方面开始失效？

随着人工智能嵌入更多工作流程和业务功能，现有弱点变得更加明显和突出，将曾经可管理的问题转变为全企业范围的挑战。

组织经常遇到熟悉的运营挑战，例如：

• 数据质量问题随着人工智能消费更多数据并影响更多决策而放大。
• 数据治理在团队、系统和人工智能工作流程中变得更难维护。
• 所有权变得不清晰，因为数据、指标、人工智能输出和智能体工作流程的责任跨越多个利益相关者，尤其是当智能体开始跨团队边界自主运作时。
• 随着人工智能采用增长，基础设施、计算和运营成本变得更难管理。
• 随着人工智能生成的输出和智能体驱动的行动触及更多员工和客户，信任变得更难维持。
• 团队难以解释人工智能生成的答案是如何产生的。

这些问题很少孤立发生。它们共同指向同一个根本挑战：组织扩展人工智能的速度超过了其可信数据基础设施的支持能力。

为什么这些挑战很重要

无论组织使用的是现成的人工智能工具、复杂的智能体框架还是高级智能体工作流程，人工智能都依赖于可信的数据、治理和业务上下文来产生可靠的结果。随着人工智能采用增长，长期影响分析的运营挑战变得更加明显和重要。组织越朝着自主、智能体系统迈进，这些基础出错成本就越高。

来自《2026年dbt Labs分析工程现状报告》的调查结果强化了这一现实：

• 53%报告数据质量差是首要挑战。
• 41%将数据所有权模糊视为持续挑战。
• 71%担心幻觉或不正确的数据到达利益相关者。

这些发现强化了人工智能准备度取决于支持它的可信数据基础设施。随着组织扩展人工智能和智能体，该基础的质量日益决定人工智能能否在规模上提供可靠的业务成果。

为人工智能规模化构建基础

部署更多模型只是成功扩展人工智能的一部分。组织还需要可信的数据基础设施，使人工智能能够长期可靠地运行。

该基础不仅限于数据。它包括治理、所有权、业务上下文、互操作性以及帮助人工智能在规模上产生准确、可解释和一致结果所需的运营效率。这些能力共同使组织能够超越孤立的人工智能计划，并在整个业务中自信地扩展人工智能。

了解组织当前能力是识别运营差距和优先考虑影响最大的投资的第一步。加强该基础使组织能够更好地支持下一代人工智能系统和智能体，随着技术和用例的不断演进。

下一步是什么？

即将推出的企业人工智能数据成熟度模型提供了一个实用框架，用于评估组织的人工智能成熟度，识别能力差距，并了解下一步应重点关注什么。随附指南探讨了组织从可信数据迈向可信人工智能和智能体所需的能力。

请在9月2日或3日加入dbt Labs产品战略高级总监Russell Christopher和Infinite Lambda首席产品官Petyo Pahunchev，首次了解企业人工智能数据成熟度模型——一个五阶段框架，用于了解贵组织的现状以及升级所需的条件。注册网络研讨会。