一份由 Neo4j 贊助嘅報告，就企業 AI 代理（agentic AI，即能自主推理、做決定並執行動作嘅 AI）部署，調查咗 300 名數據、AI 同其他科技領域嘅高層。核心發現：平均只有約三分一（34%）嘅 AI 代理項目真正由試點（pilot）推進到生產環境，連科技公司自己都唔例外。
卡喺「知識」，唔係數據唔夠
報告指，企業 AI 代理常見嘅短板，唔係數據唔夠，而係缺乏「知識」——即對數據喺個別企業情境入面代表乜嘢嘅理解。報告話，代理需要呢層理解，先可以就情況推理、做決定、執行動作；欠缺呢層，就容易做出有缺陷、唔可靠嘅判斷。呢種「知識」匱乏，被報告視為 AI 代理應用長期停喺試點、開唔到生產嘅一個主要原因。
點樣先算「強」
報告將「代理知識能力」拆成三個維度：語義知識（semantic knowledge）、情景記憶（episodic memory）同程序知識（procedural knowledge）。調查發現，一小群「生產領先者」——即平均有約 61% 嘅 AI 代理項目成功推進過試點嘅企業——喺語義知識方面明顯較強，呢個優勢同佢哋較高嘅生產率緊密相關。
最大嘅絆腳石方面，數據碎片化（data fragmentation，數據喺唔同系統之間分享不足）係最多人點名嘅首要挑戰，有 55% 受訪者提及。而「生產領先者」反而較多人將安全同私隱視為重大顧慮（該組 72%）。
金主話點樣解
喺點樣提高代理決策質量上，高層普遍認為最大影響來自加強數據同 AI 代理之間嘅結構性基礎，受訪專家將「知識層」（knowledge layer）視為主要途徑。具體投資優先次序包括：檢索技術（如 ingestion pipeline、AI-ready API、檢索增強生成 RAG）、AI 評估代理，以及知識圖譜（knowledge graph）。
先講邊個寫嘅
要講明：呢份報告標明為「Sponsored」，由 Neo4j 贊助，經某媒體機構旗下嘅 Insights 自訂內容部門（非其編輯部）產出。廠商出資嘅調查，結論同建議要同獨立第三方查證分開睇。
阿調搞兩下
金主出錢做調查，結論話你嘅代理開唔到工，係因為佢「唔識」你公司嘅嘢。呢啲數字（34%、55%、61%）全出自廠商贊助嘅調查，並非本站實測，亦未見獨立第三方核實。真問題係：你公司嘅代理，有冇讀過自己嘅「員工手冊」，定係淨係成日喺度瞎估？
阿調｜深度調教
