智能体的规模化部署必须扎根于坚实的数据土壤。想要将技术能力转化为实际业务价值，技术领导者需聚焦四项核心工作：推动高价值工作流“智能体化”、升级数据架构、提升数据质量，并重塑组织运营模式。

根基不牢，地动山摇。智能体亦是如此，越来越多的企业已深切体会到这一点。全球近三分之二的企业已试水智能体，但真正实现规模化部署并创造可观价值的不足一成¹。症结多半在于数据基础薄弱。八成企业将数据短板视为智能体规模化的障碍（见图1）。《麦肯锡讲全球企业数字化（第二版）》（Rewired）研究指出，补齐数据短板是打牢AI能力根基的关键一环，也是区分企业能否依靠AI创造成果的分水岭。

过去，企业尚能在一定程度上应对数据碎片化、孤岛化的问题，但进入规模化阶段，这些隐患便无处遁形。更麻烦的是，治理标准不统一，企业很难在保留数据语境的同时，严格落实权限管控、数据溯源与可审计性要求。

数据：智能体的根基

不少企业已将AI融入日常运营（见图2）。如今，它们正迈向下一程：引入智能体，推动复杂业务流程自动化。而智能体的稳定和规模化运行，离不开源源不断的高质量数据供给。

智能体的成功，仰赖于一套能够支撑更高自主性、协同能力与实时决策的数据架构。成熟架构往往采用模块化、可互通的设计框架，让智能体能够安全、可靠地获取所需数据（详见边栏“支撑规模化落地的七大数据架构原则”）。生成式AI已凸显出数据权限管控、溯源与全链路追踪的重要性，而智能体平台对这些基础能力提出了更高要求。由于智能体需要持续协调多个模型和数据源，且往往在无人干预下自主运行，治理机制必须更严密、更自动化，才能确保大规模运行时的可靠与可控。

目前主要有两类智能体形态：一是单智能体工作流，由单个智能体依次调用多种工具与数据源；二是多智能体工作流，由多个专业智能体通过共享知识图谱与细粒度数据权限开展协作。两类场景均依赖统一、可互通的数据底座，否则智能体就可能出现问题。单智能体可能因数据碎片化做出前后矛盾的决策，多智能体系统则可能丧失协同，并导致错误扩散。

为智能体准备好数据

要推动规模化转型，打造智能体型组织，企业首先要夯实底层数据能力。这既是技术焕新，也是组织变革。因为数据战略与运营模式，与底层数据质量与架构同等重要。企业需协同推进以下四个相互关联的步骤，打通战略、技术与人的维度：

• 第一步：筛选值得“智能体化”的高价值工作流。聚焦少数高价值的端到端工作流，通过提升自主性来释放价值。可借鉴数据产品方法论，依据价值潜力、可行性与战略契合度，优先推进若干智能体用例，再逐步扩大规模。
• 第二步：为智能体分层升级数据架构。无需全盘推倒重来，可在现有平台上进行现代化改造，实现跨系统的互操作与治理贯通。尽管有人可能寄望借AI弯道超车，绕过数据架构的最佳实践，但最优秀的组织往往会构建模块化、可演进的架构，让各组件能伴随新技术的出现灵活替换。
• 第三步：完善数据质量管控体系。从周期性的数据清理转向持续、实时的质量管理。并确保结构化与非结构化数据，以及智能体生成内容，均满足一致的准确性、可溯源性及治理标准。
• 第四步：搭建适配智能体的运营与治理体系。规模化部署智能体，意味着重新定义工作方式。人员角色随之转变，从具体执行，转向对智能体工作流的监督与统筹调度。在人机混合的工作环境中，必须建立清晰的治理规则，方能让智能体在规模化部署下安全透明地运行。

下文将逐一阐释这四个步骤。

筛选值得“智能体化”的高价值工作流

对大多数企业而言，通向智能体价值的合理路径不是“一次性重构一切”，而是在高价值领域有选择地对少数关键工作流进行“定向重构”（见图3）。领先者通常从知识管理、市场营销等关键领域入手，基于现有数据找准高价值场景，判断在哪些节点提升自主性，能对业务结果带来实质改善。路径上，先把端到端流程过一遍，再逐一圈定可由智能体增值的环节及所需的数据支撑。由此，便可按价值潜力与可行性为用例排定先后。

以明确指标为导向的针对性试点，可迅速验证早期成效。与此同时，团队需盘点可在不同任务、不同流程间复用的数据资产。复用思维，是走向规模化的关键。

为智能体分层升级数据架构

要让数据架构适配智能体，需要对数据技术栈逐层加固与调优。无需推倒重来，企业可在既有平台之上实施分层现代化改造，提升跨流程的数据可见性与治理贯通。

要直观理解现代化数据架构，可参考典型的全渠道零售旅程的例子。过去，商品数据与购买记录散落在各个孤岛系统中，客户一旦跨渠道，上下文便容易断裂，导致推荐与服务体验前后不一。面向智能体的架构要打通系统与数据链路，覆盖完整的消费旅程；并通过传统机器学习、生成式AI与智能体技术的协同，逐步实现全域数据互通。

在全渠道示例中，数据源层负责将客户浏览、心愿单、购买历史、客服互动等数据引入企业系统。非结构化数据在流入模型的过程中会被持续摄取、转换与重组，因此治理必须全程伴随。数据质量检查、安全管控和溯源追踪需自动化并直接嵌入数据管道，而非事后一次性审核。数据团队还要构建预处理流水线，完成数据清洗、信息增补与标注工作，补齐业务语境并嵌入质量校验，使智能体能够准确解读信息并稳定执行操作。

数据平台层负责贯通不同系统的数据，通过统一调度权限、状态同步与跨系统的实时交互，向各类应用与AI模型提供可用数据。在全渠道场景下，该层级确保当不同智能体跨渠道工作时，始终可以按需调用客户偏好、交互记录与交易状态等数据。

向量存储与嵌入服务是处理非结构化数据的基础能力，必须纳入数据平台体系。由此，我们可基于语义而非简单关键词，实现对文档、图像等非结构化内容的智能检索，并能随内容迭代及时更新语义表征。

在这一层叠加智能体专属的互通标准²，可实现集成与访问的自动化，支持结构化上下文共享、智能体间的直接协同以及安全的交易交互。例如，多智能体协作时，可在库存、履约、客户关系管理与支付等系统间实时检索并更新数据，在不丢失业务连续性的前提下完成协同操作。

在这一层级，智能体可维护专属的工作记忆或限定范围的上下文；而对共享数据与上下文的访问，则依据具体用例与权限实现动态治理。随着智能体自主性提升，身份与权限管理愈发关键，以保障数据质量、一致性与可审计性。

语义层则将数据转化为真正的知识。它介于原始数据与AI应用之间，把数据的业务含义编码成机器可读、人类可理解的形式。它不再将数据视为彼此割裂的表单或文件，而是定义其实际属性、关联关系与适用规范。

实际落地中，语义层大多以本体库与知识图谱为基础构建。本体库界定数据属性与数据关系如何共同映射业务现实；知识图谱则基于这套话语体系，打通各系统的真实业务数据，构建相互关联的实体网络。若缺乏统一的语义基础，智能体可能会对同一数据产生片面或矛盾的解读，随着规模扩大，错误率与运营风险都会走高。

数据产品把经过治理沉淀的数据，封装为可复用、标准化的业务资产。它们为数据明确界定所有权、质量门槛、语义定义与消费接口。秉持产品化思维，企业把数据当作可跨用例、跨领域复用的核心资产。可复用的数据产品，使智能体能够大规模汲取可信的预测式与生成式洞见；同时凭借可观测性记录智能体的数据使用轨迹，提供监管所需的可追溯性，并构建反馈闭环，持续优化上游数据与模型。

数据消费层位于整个技术栈的顶端，负责将数据与智能注入业务流程与应用中。它涵盖分析报表工具、数据API、检索接口，以及直接嵌入业务流程的模型输出。智能体编排与检索服务也部署在这一层。AI系统往往从非结构化数据中动态组织上下文，而非依赖预设查询。编排机制让AI自主决定检索什么、如何优化及何时迭代；检索服务则保障全过程的安全、高效与规模化治理。

现代架构还会分析模型输出，以反哺和强化数据本身。生成式AI应用可以生成标签、使用模式与上下文，用于提升数据质量并支撑后续模型迭代；这些输出与其他数据一样，也应被采集用于训练。

治理与权限管控是关键底座，用以规范智能体与数据、工具、模型的交互方式，确保在可控边界内运行。分层治理架构可将原始数据逐级打磨为适配智能体的形态，同时保留溯源链路与可审计性；其后通过API、查询与权限实施访问治理。鉴于模型会动态检索和使用非结构化数据，企业需部署AI网关统一管控访问与使用。该网关既要约束模型对非结构化数据的访问、强制执行使用策略，也要完整记录数据在指令输入与结果输出中的检索与使用情况。

筑牢数据质量体系

经过治理沉淀的高质量数据，已成为智能体时代企业的战略优势。部署基础大模型成本高昂，大规模推理、模型微调、基础设施建设和治理等环节均需投入高额费用。具备规整内部数据集的组织，可以依托自有数据对垂直领域的小模型进行微调，从而降低技术投入。这类模型不仅更省成本与算力，也更稳健、更易合规。

要盘活非结构化数据，需通过标签标注、分类整理、向量嵌入及图谱结构化处理等方式，系统提升数据质量，让智能体能够稳定理解实体、关系与上下文。非结构化数据应与结构化数据遵循同等严格的标准。

企业还需升级对结构化数据的管理方式，从过去的定期清理转向持续、实时的质量监控。这可借助AI驱动的自动校验、异常检测与数据增补流水线实现，有效阻断问题在工作流中的扩散。元数据管理则完整留存数据溯源链路与业务上下文，便于智能体追溯与解释其决策依据。

最后，随着智能体不断生成新数据，企业必须对其输出施以同样的质量、溯源和一致性标准。这包括智能体通过工具和API读取或写入的数据，这些操作都应通过受治理、可对账的标准化接口进行，不得绕过企业的质量管控体系。将统一且适配具体业务场景的定义标准嵌入到自动化质检流程中，可确保智能体在规模化运行时，始终基于可靠信息行事。

搭建面向智能体的运营与治理体系

随着智能体系统走向规模化，治理将成为首要的管控手段。企业需要制定清晰、具体的政策，界定智能体能做什么、能访问哪些数据、何时必须寻求人工审批，并依据每个智能体的角色与权限范围自动执行访问校验。尤为重要的是，智能体不应另起炉灶制定新的数据质量或治理规则，必须与企业既有标准完全对齐，并在自主性提升时自动、严格地加以执行。

成熟的智能体也能反哺治理：治理型智能体可在明确定义的控制框架内，持续监测其他智能体的行为，确保系统运行透明、合规。比如，创意合规智能体可审查图像与多媒体输出，识别品牌形象误用或政策违规，并及时触发纠偏措施。

IT与治理团队还需统一管理智能体全生命周期：发放身份凭证、追踪活动日志、监控运行表现，并通过自动化校验确保政策合规。依托内置遥测能力自动采集智能体活动数据，完整记录操作、数据访问与决策轨迹，实现全流程可追溯。

明确智能体行为的权责归属对于规模化部署至关重要，这涵盖业务结果、风险管理与政策合规等维度。实践中，各业务线负责智能体工作流的日常治理，包括领域模型与本体库的维护；中央数据与AI团队则负责共享平台、防护机制与全局监管。这种联邦式治理既保留了业务部门的自主性，又保障了企业层面的统一问责。

---

在智能体时代，底层数据能力正日益决定企业的竞争位置。尽管依托数据释放智能体价值的前景可期，许多企业仍难以搭建既便于智能体调用、又可合规治理的数据底座。如今，企业应把握这个推动数据变革的窗口期，为迈向智能体未来打好地基。
注释：

1 “Seizing the agentic AI advantage，”麦肯锡，2025年6月13日。

2 此类互通标准包括：模型上下文协议（MCP），用于规范智能体访问和共享上下文的方式；智能体间（A2A）通信框架，用于实现智能体之间的直接协同；以及智能体支付协议（AP2），用于支持可信的交易交互。

本文核心内容基于《麦肯锡讲全球企业数字化（第二版）》（Rewired: How Leading Companies Win with Technology and AI ，威立出版社，2026年4月14日，作者Eric Lamarre、Kate Smaje、Rob Levin、Alex Singla及Alexander Sukharevsky）中“没有数据架构，就没有AI优势”一章。

关于作者

Asin Tavakoli 是麦肯锡全球董事合伙人，常驻杜塞尔多夫分公司；Brian Goodman是麦肯锡全球董事合伙人，常驻纽约分公司；Kayvaun Rowshankish是麦肯锡全球资深董事合伙人，常驻纽约分公司；Akshat Kumar是麦肯锡全球副董事合伙人，常驻纽约分公司；Henning Soller是麦肯锡全球董事合伙人，常驻法兰克福分公司；Carlos Barreto是麦肯锡杰出数据工程师，常驻圣保罗分公司；Satyajit Parekh是麦肯锡资深知识专家，常驻波士顿分公司；Tancredi Bernard Litta Modignani是麦肯锡知识专家，常驻里斯本分公司。

作者感谢Artur Freitas Gonçalves、Francesco Scorca和徐雷对本文的贡献。