87%企业AI项目卡壳：问题不在模型，在数据|sap|上下文|卡壳|大模型|工作流|智能体

企业AI落地最痛的领悟是什么？不是算力不够，不是模型不聪明，而是喂进去的数据根本没法用。Reltio首席营收官Alyson Welch在Google Cloud Next上抛出一组观察：医疗、生命科学、金融行业的组织正"艰难地认识到"，当数据缺乏机器推理所需的上下文关联时，AI智能体（AI agents）产出的结果根本不可信。

这家云原生主数据管理公司即将被SAP收购，却坚持独立运营。这种"既当SAP成员又服务全平台"的立场，恰恰暴露了一个被低估的战场——企业数据碎片化已到临界点，而多数AI厂商还在回避这个问题。

正方：数据治理是AI落地的隐形门票

Welch的论证很直接：没有可信数据作地基，再精密的模型也只能产出企业不敢用的结果。她接触的客户中，那些真正想 reinvest in business（ reinvest in business）的老牌公司，正在以新方式挖掘历史数据存量，设计新的客户策略和市场进入方案。

Reltio的新版本瞄准了这个痛点。AgentFlow Unstructured 负责从PDF、文档等非结构化格式中提取并治理数据；Profiler智能体在数据入库前先做源头检查；Agent Builder则让团队在受控工作流中创建、测试和发布定制智能体。对同时面对风险和合规压力的首席数据官来说，卖点很明确：减少人工数据管理，把时间花在真正能推动业务的事情上。

「你无法在不确定数据解析结果准确可靠的情况下，就部署AI智能体层。」Welch强调，「如果你是金融机构，或者在医疗市场做药物发现……合规是硬门槛。」

这种"先治理、后智能"的路径，在监管严格的行业有天然说服力。数据质量直接决定模型输出质量，而模型输出质量又决定企业敢不敢把AI放进生产环境——这个因果链被Welch总结为一句：「没有好数据，就做不出好决策。」

反方：数据治理是旧瓶装新酒，拖慢AI创新节奏

但另一条逻辑同样成立：过度强调数据治理，会不会让企业陷入"准备瘫痪"？

现实是，多数企业的数据环境是历史遗留的烂摊子——多云平台、多应用系统、 decades of accumulated records（数十年积累的数据记录）。如果坚持"先清理干净再AI"，项目周期可能拉长到业务部门失去耐心。更激进的观点认为，现代大模型的上下文学习能力，本身就能在一定程度上绕过数据质量问题，企业应该"边跑边治"而非"先治后跑"。

此外，Reltio即将被SAP收购却保持独立运营，这种"骑墙"姿态也有争议。一方面，它承诺同时支持SAP和非SAP环境；另一方面，客户难免怀疑：被SAP收入囊中后，这种中立性能维持多久？多租户架构的技术承诺， versus（对比）商业整合的现实压力，本身就是一对张力。

Welch的回应是，这种"agnostic positioning"（不可知论定位）恰恰是核心价值——因为企业数据 landscape（格局）本身就是多云、多应用的。但批评者会指出，这更像是收购过渡期的话术，而非可验证的长期承诺。

判断：数据治理不是选择题，但执行路径需要重新设计

拆解双方论点后，我的判断是：Welch指出的问题真实存在，但解决方案需要更精细的分层。

首先，"数据质量决定AI可信度"这个命题，在监管敏感行业是铁律，不容讨价还价。金融风控、药物研发、医疗诊断——这些场景的容错率极低，AI幻觉的代价是法律风险和生命安全。Reltio把Profiler智能体前置到数据入库环节，本质是把"事后救火"变成"事前拦截"，这个设计符合高风险行业的刚需。

其次，"非结构化数据治理"是个被低估的增量市场。企业80%的数据沉睡在PDF、合同、邮件、扫描件里，传统主数据管理工具触及不到。AgentFlow Unstructured 的价值不在于技术多前沿，而在于填补了结构化与非结构化数据之间的治理真空——这个真空恰恰是多数AI项目的数据盲区。

但反方的警告也值得听取：数据治理不能成为AI创新的刹车片。Reltio的Agent Builder强调"在受控工作流中"创建智能体，这个"受控"二字是双刃剑——既保障合规，也可能窒息实验速度。企业的真实需求是"分层治理"：核心系统严守红线，边缘场景允许快速迭代。

最后，SAP收购后的独立性承诺，需要放在更长周期观察。Welch说Reltio会"继续作为独立业务运营"，但历史经验表明，被巨头收购的"独立运营"往往有保质期。对企业客户来说，关键评估标准是：Reltio的API接口、数据格式、集成协议是否保持开放，而非仅仅听其言。

给技术决策者的行动框架

如果你正在评估企业AI的数据基础设施，三个问题值得列入检查清单：

第一，你的AI智能体在调用数据时，能否追溯其来源、更新时间和置信度？没有血缘追踪的AI，本质是黑箱赌博。

第二，非结构化数据在你的数据战略中占多大比重？如果还停留在"先把数据库整理好"的阶段，可能错过了更大的数据金矿。