商傳媒｜責任編輯／綜合外電報導
企業在導入人工智慧（AI）軟體代理（Agents）時，常面臨「AI幻象」的挑戰。這項挑戰並非來自人工智慧模型本身的缺陷，而是源於企業內部數據的嚴重碎片化，導致人工智慧難以發揮其應有的潛力。
據《Streamline》報導，企業在採購新軟體時，銷售過程往往掩蓋了數據品質的問題。廠商進行產品示範時，多半使用經過理想化、完全整合的數據集，讓企業決策者產生人工智慧即將帶來高效能的錯覺。然而，現實情況是，企業的營運數據經常分散在六個或更多不相容的系統中，這些系統彼此之間並未設計為能順暢溝通。
專家指出，僅透過淺層的應用程式介面（Application Programming Interfaces, API）連接這些碎片化系統，並無法真正整合數據。它只讓不連貫的數據變得可存取，迫使人工智慧必須執行其不擅長的複雜數據合併操作。這樣的結果是，許多人工智慧部署在購買後的約六個月內便停滯不前，產生不準確的輸出。這往往讓高階主管誤以為是人工智慧模型本身有問題，但真正的癥結其實是底層數據架構的缺陷。
人工智慧的運作方式是複雜的模式識別器，它需要豐富、結構化且清晰關聯的數據才能進行卓越的分析。若將缺乏上下文的碎片化數據餵給人工智慧，它將淪為一個「猜測引擎」。因此，企業首席資訊長（CIO）在投資自主代理或生成式人工智慧（generative AI）之前，首要任務是審核其數據供應鏈。
《Streamline》進一步提到，在肯亞，許多中型企業混合使用傳統本地部署軟體、行動支付USSD記錄和現代雲端應用程式（軟體即服務，SaaS）。這些非洲企業在試圖整合全球人工智慧工具以最佳化營運時，也會遇到相同的數據準備挑戰。這顯示數據準備不足是跨地域的普遍現象。
繞過數據倉儲、標準化和主數據管理等關鍵步驟，將導致即使是昂貴的SaaS人工智慧授權也變得毫無效益。未來的技術競爭優勢，將屬於那些已妥善準備好數據基礎設施的公司，而非僅僅是採購了最先進人工智慧技術的企業。因為人工智慧始終無法克服不良的數據架構，人工智慧軟體代理要最佳運行，必須先從修正數據基礎做起。
