新研究：为什么企业大型人工智能在规模化之前就陷入停滞

对1,000名全球高级技术和数据领导者的研究揭示了阻碍企业从个人AI向组织AI飞跃的因素

圣地亚哥2026年7月7日电/美通社/ --Terrace（NYSE：TDC）今天发布了一项委托韦克菲尔德研究公司（Wakefield Research）对全球六个市场的1,000名高级技术和数据领导者进行的研究结果。这份题为《自动化受阻：为什么大型人工智能在企业层面停滞不前》的报告发现，虽然部署代理人工智能的热情近乎普遍，但基础数据系统并不是为代理构建的，需要重新思考才能实现组织期望的投资回报率。

通过认识到需要从个人人工智能（帮助个人更快工作的聊天机器人和写作助理等工具）转向组织人工智能（代表整个公司使用共享知识、适当的访问级别和精心设计的治理），报告中概述的许多障碍就更容易理解。在人工智能在组织层面运作之前，企业追求的回报不会发生。

该报告引入了统计性人工智能成熟度指数，以跟踪组织在这一旅程中所处的位置，并通过所谓的自治知识绘制前进的道路--具有足够的上下文、谱系和治理的企业数据，供人工智能代理在大规模上可靠地采取行动。

统计性人工智能成熟度指数：企业的实际立场这个四阶段框架描绘了组织的立场：实验、开发、构建和运营，这是人工智能执行具有可衡量业务影响的多步骤工作流程的地方。目前，全球只有7%的企业已经进入取得切实成果的最后阶段。大多数（68%）仍然处于实验或开发阶段，其中上下文碎片（当数据存在但对代理没有可用意义时）是一个主要的限制因素。

值得注意的是，69%的高管表示，他们的组织已经使用代理人工智能运营，而只有57%的副总裁这么说。

报告广度：行业和国家比较该报告细分了医疗保健、金融服务、IT、制造业和零售等行业以及六个市场的调查结果：美国、英国、法国、德国、日本和沙特阿拉伯。人工智能代理挑战是一个全球现象，但并非统一的现象。该研究指出了几个障碍。

投资回报率差距十分之九（90%）的高级技术领导者预计将在未来12个月内增加他们的代理人工智能投资;但近三分之二（63%）的人表示，迄今为止，他们的这些投资只看到了小额或正在出现的正回报。投资和回报之间的差距并不是缺乏雄心，而是为人类用户而不是自主人工智能代理建立的数据基础。

“个人生产力的提高--更快的代码、更好的草稿、更快的研究--是真正的好处，但它们并没有以证明大量基础设施投资是合理的方式出现在损益中。高管们期望的投资回报率需要在组织层面运作的代理人：自动化决策、执行工作流程、推动可衡量的业务成果。大多数组织都在根据个人人工智能基础设施衡量企业人工智能的投资回报率，并想知道为什么这些数字相加不一致。"

-Louis Landry，Terspel首席技术官

上下文碎片人工智能代理的核心是上下文碎片：缺乏人工智能代理在整个组织内可靠行动所需的意义、谱系和治理的企业数据。根据该报告，77%的高管表示，他们的企业数据中有20%或更少的数据经过充分描述和背景化，可供代理使用。78%的人认为统一跨业务职能的数据和知识，以便代理能够在整个企业中进行推理具有挑战性。

领导者提到的两个最重要的障碍--缺乏必要的元数据、上下文和关系的数据（43%）以及无法实时连接的系统之间的数据碎片化（42%）--都指向了同样的根本问题。挑战不在于组织拥有多少数据，而在于这些数据在代理使用时是否具有足够的意义来值得信任。当它不能具有足够的意义时，试点项目就无法投入生产。40%的科技领导者报告称，超过40%的人工智能试点项目未能投入生产，因为基础设施系统从未被构建用于自主使用。只有15%的组织成功让80%或更多的人工智能飞行员投入生产。

“将整个数据资产背景化的目标可能是错误的球门柱，而追求它是组织陷入停滞的原因之一。相反，识别数据中价值最高的部分（结构化和/或非结构化），并专注于充分描述、治理该部分并为代理做好准备。如果大部分数据不可用，答案不是一次修复所有数据。这是对你的起点进行无情的选择。"

- Josh Fecteau，Tersemble首席数据和人工智能官兼首席信息官

行动桥梁即使组织在上下文碎片化方面取得进展，实施自主行动仍然很困难。60%的领导人表示，持久基础设施决策陷入决策瘫痪。犹豫可能不是因为技术选择（尽管30%的人担心供应商锁定），而是因为对正在部署的内容缺乏信任。在组织信任其代理正在操作的数据之前，他们不会让这些代理自主行动。51%的领导者认为输出的准确性和可靠性是一个重大部署障碍。

还有一个位置问题。人工智能输出目前存在于实际发生重要工作的系统之外。当智能出现在一个已经有人工作的工具或应用程序中时，就会采取行动。当它位于单独的仪表板中时，通常不会。这两个问题都源于同一个缺陷：数据缺乏足够的上下文、血统和意义，无法被信任。

前进之路：该报告将自主知识确定为组织从个人AI转向组织AI所需的知识。它概述了一种分阶段的方法：审计和上下文化数据资产中价值最高的部分，将治理直接嵌入数据层，并构建架构可移植性。做到这一点的组织已经看到了回报。那些尚未完成的公司仍在等待他们的飞行员投产。

关于Wakefield Research代表Terbitum进行的“自动化受阻：为什么大型人工智能在企业层面陷入停滞”研究。该研究调查了美国（500人）、英国（100人）、法国（100人）、德国（100人）、日本（100人）和沙特阿拉伯（100人）等1，000名副总裁或以上级别的高级技术和数据领导者。实地工作于2026年3月23日至4月5日期间进行。

要下载完整的报告，请访问：https://www.teradata.com/insights/white-papers/why-agentic-ai-stalls-enterprise

Terrace使企业能够将智能转化为自主行动，将AI代理置于深层业务背景和可信数据中。随着人工智能代理的增加，Teradata是企业现在需要的上下文基础、治理层和性能骨干。Terminster自治知识平台将人工智能跨云、本地和混合环境投入到生产中。

Terspel徽标是商标，Terspel是Terspel Corporation和/或其在美国和全球附属公司的注册商标。

媒体联系人一月Machold一月. teradata.com

查看原创内容下载多媒体：https://www.prnewswire.com/news-releases/new-research-why-enterprise-agentic-ai-stalls-before-it-scales-302818887.html

来源Terterfly