许多企业在数据基础仍然零散、缺乏治理且不适合生成式AI或智能体AI（Agentic AI）的情况下便部署了AI。
安永（EY）指出，只有少数组织拥有足够的“数据成熟度”（data maturity）来有效扩大AI应用规模。
第一个迹象是数据战略仅用于合规和静态报告，而不是支持机器学习、自动化和实时决策。许多企业数据系统存在孤岛、缺乏元数据（metadata）、所有权模糊且难以追溯。
第二个迹象是数据管理薄弱，企业不知道数据存放在哪里或包含什么内容。第一资本（Capital One）表示，他们必须现代化整个云数据生态系统以服务AI。
第三个迹象是治理（governance）未能有效运作，导致各部门不得不手动核对数据。田纳西大学诺克斯维尔分校（University of Tennessee, Knoxville）警告称，AI会放大不一致性，而不是解决它。
下一个迹象是商业智能（BI）系统正在失去用户，因为员工开始自行创建电子表格、影子模型（shadow model）或独立的分析。根据ISG的说法，当用户不再信任核心BI时，企业数据的“语义层”（semantic layer）就已经开始瓦解。
另一个危险的迹象是数据与AI需要影响的业务成果（business outcome）之间缺乏明确关联。Concentrix认为，当知识库陈旧、缺乏结构或治理松散时，AI往往会输出错误的结果。许多数据系统是写给人类阅读的，而不是为了让机器自动处理。
文章还强调，“数据债务”（data debt）是一个大问题，企业积累了多年缺乏标准、缺乏价值且充满技术捷径的数据。
纽约城市大学（City University of New York）认为，大多数公司缺乏真正的财务动力去修正数据质量。
最后一个迹象是企业甚至在基础报告和数据分析上都面临困难。如果获取简单的洞察仍需多团队协同和手动操作，AI只会让问题变得更复杂。
专家认为，AI无法拯救一个薄弱的数据基础，相反，它会暴露企业数据架构中的所有空白。
文章总结道，AI虽然引人入胜，但数据治理才是让AI创造实际价值最艰难且最关键的工作。
📌 结论： 当前大多数AI的失败不在于模型本身，而在于背后的企业数据。诸如数据孤岛、薄弱的治理、不统一的语义以及多年积累的“数据债务”等问题，正导致生成式AI和智能体AI难以在大规模应用中创造实际价值。当连基础的商业智能都缺乏信任度时，AI只会放大错误而不是解决问题。这反映了市场的新趋势：AI竞赛正在从聊天机器人和模型转向企业数据架构、元数据和内部治理的硬实力博弈。
