本文来自微信公众号： InfoQ ，作者：凌敏，原文标题：《大模型已经够聪明了，为什么 95% 的 AI 项目还是跑不出 ROI？》
2026年，AI落地的故事正在上演一个奇特的悖论：模型能力突飞猛进，企业AI投入成本与日俱增，但然后呢？越来越多的案例和数据显示，真正进入生产并产生持续ROI的项目仍然是少数。Gartner甚至预测，2026年60%的AI项目将被放弃。
背后的原因不是模型不够好，而是数据没有准备好被AI消费。
当AI进入真实业务流程后，现实的卡点是能不能拿到正确的数据、理解正确的业务语义，并基于可信的数据完成任务。在Agentic AI时代，这种矛盾被进一步放大。过去，数据的消费者是人，如今，越来越多Agent开始参与分析、开发、治理等数据工作，人和Agent需要基于同一套数据体系协同工作。如果企业还在沿用上个时代专为人而设计的数据平台，很难支撑Agent在生产环境中稳定、准确、可信地运行。
AI落地是一个数据问题
当行业关注点从模型能力转向AI落地，数据成了越来越绕不开的话题。因为在真实的业务流程中，不管AI是做经营分析、生成报表还是最终执行，都需要完整跑通从数据接入到数据分析、数据治理，再到最终的业务输出，这样一整条链路。这中间，任何一个环节的不确定，都会放大结果的不可靠。
然而，企业现有的数据平台，大多并不是为这条链路设计的。
回顾大数据平台的发展历程就会发现，过去20年，大数据平台经历过两次完整的代际演进：在大数据时代（2006-2014），重点关注的是离线数仓、ETL、报表决策，把分布式存算和开发任务工具化；在湖仓一体时代（2014-2023），重点关注的是湖仓存算、数据治理，以及资产化。
本质上，这两个时代解决的，都是人如何更高效地使用数据这个问题。业务方提一个数据需求，分析师先理解业务口径，再写SQL取数、对齐指标，最后做出一份报表。如果底层数仓不能满足，还需要数仓工程师对数仓分层做调整。这些需求从提出到交付，少则两三天，多则一两周。
这件事过去20年都没怎么变。整流程虽然效率不高，但基本能够运转。
但当Agent开始开始批量上岗后，数据平台终于迎来了新的使用者：Agent。Agent对数据的时效性、准确性和语义一致性提出了更高的要求，原本可以依靠人工经验弥补的断层，在Agent面前变成了硬伤。
AI时代带来了新的问题，同时，很多旧时代的问题，如数据孤岛、治理缺失等也被再次放大。新旧问题交织在一起，老办法已经不够用了。
交互范式：在AI时代，自然语言成为新的交互方式，真正的产物是AI生成的，UI是AI产物的投影；
研发范式：从人写代码转向Spec-Driven，从数据需求的Spec来驱动AI去理解主动生成产物，人来做评审；
运行时范式：Agent是一等运行时公民，与任务共生命周期；
治理范式：元数据将成为Agent可调用的语义API。
当交互、研发、运行时和治理四个范式同时发生改变时，最直观的变化，将从“人使用工具”，变成“Agent完成工作”。过去大家关注数据平台有多少功能，现在关注的，是一项数据工作能否真正交付。
对比过去和现在的数据团队工作模式，会发现一个非常典型的问题。
过去的数据工作从需求拆解到结果分析，几乎每一步都需要不同的角色在不同的系统中完成，响应慢、易出错、成本高。在人机协作的Agentic AI时代，能不能把一条数据需求，变成一次端到端的交付？
（案例1：0到1新数仓构建）
（案例2-1：数仓诊断与治理）
（案例2-2：数仓诊断与治理）
（案例3-1：游戏用户充值与行为分析）
（案例3-2：游戏用户充值与行为分析）
但当Agent开始分析数据、调用工具甚至参与业务决策时，企业最担心的往往不再是能力，而是边界。
根据Gartner调研，75%的企业已经在组织内部试点、部署或使用某种形式的AI Agent，但只有15%正在考虑或部署真正具备自主能力的Agent。
相比模型能力本身，企业更关心的是另一个问题：Agent能否在可控范围内运行？
为什么多数Data Agent项目
都止步于幻觉？
2026年，幻觉仍是AI最大的顽疾。
正如前文所说，数据平台的消费者已经从人变成了Agent。数据平台承担的也不再只是传统的元数据管理，而是直接决定Agent会不会产生幻觉。
腾讯云认为，统一语义正在成为AI时代新的数据护城河。
没有统一语义，NL2SQL会反复掉进三个陷阱：指标歧义，系统里一个“收入”有八种口径，Agent随机选一个；JOIN错乱，关联键靠猜，SQL跑得通但数据全错；查询条件随意匹配，比如过滤条件是“上季度”或者“华东区”，大模型很难理解“华东区”到底指什么。这也是多数Data Agent项目止步于幻觉的根因。
把这套架构放到真实的业务场景中，价值体现得会更加清晰。
以新零售行业为例，这个行业的瓶颈从来不是数据太少，而是数据太散、报表太慢。线上线下、ERP、CRM的数据分散在不同系统中，BI的时效性跟不上大促节奏。此外，AI模型上线慢，推荐系统和用户分群模型从开发到投产动辄需要1-2个月。非结构化数据也用不起来，商品图、客服对话、用户评价沉淀在对象存储，或者其他系统里面，无法跟大数据系统打通，缺少数据准备的链路，没法喂给RAG。
如果把这次升级放在更长的时间轴上看，它代表的，或许是一次人机分工的重新划线。过去，数据平台是为人设计的操作台；现在，Agent正在成为合法的“一等用户”。而这场变化，才刚刚开始。