瓴羊王赛：卡住Agent的不是模型，是你的数据丨数据猿专访

瓴羊王赛 Agent

月满西楼 | 2026-09-24 00:00

【数据猿导读】 “水面之上是Agent，水面之下是十年数据债。

“水面之上是Agent，水面之下是十年数据债。

2026年，企业级AI的讨论正在经历一次明显的重心转移。演示环境里，Agent已能撰写方案、分析数据、模拟销售对练。然而回到真实业务中，让Agent修改一条CRM记录需要层层审批，触发业务流程更是慎之又慎。大量“AI员工”停留在演示阶段，进不了生产环境。

这并非主观主观感受。Gartner 2025年6月发布预测，到2027年底，超过40%的Agentic AI项目将被取消，主因是成本攀升、商业价值不清晰以及风险控制不足。数据供给是另一个瓶颈，IDC报告显示，2025年全球将产生约213.6ZB数据，非结构化占比高达92%，而59%的企业坦言，数据增长已超出了自身的管理能力。

模型能力持续提升，企业为什么依然不敢用？带着这个问题，数据猿近日专访了阿里云智能集团瓴羊副总裁王赛，访谈中，王赛谈到了两方面的问题：一方面，过去面向人建设的数据，需要让Agent能够访问、理解和使用；另一方面，AI 项目如何提出需求、由谁推进、以什么结果衡量，也影响着它能否真正落地。

这也是瓴羊从Data for AI谈到AI for Business的出发点：先解决企业的数据与知识如何供AI使用，再把这些能力放进具体业务中。

企业的数据

离AI真正用好还有多远？

首先让我们来了解一个基本事实。企业中80%以上的数据是非结构化的，合同、录音、文档散落在共享盘、邮件和各类系统中，这些数据长期缺乏治理。国家数据局《全国数据资源调查报告（2025年）》显示，全国数据存储总量中结构化数据仅占约22%，其余近八成难以直接计算和使用。Agent要使用这些数据，需连续跨越四道坎。

第一道坎，标不准。

非结构化内容要转化为Agent可计算的对象，第一步是打标、抽取和切分，复杂程度远超想象。瓴羊分享了一个案例，一家头部消费品企业数据治理已相当完善，接入Agent生成消费者洞察后，输出结果仍然失准。

例如，当消费者写下“挺好吃的，就是太贵了”，转折后的关键意见被整体归为好评，反讽被标成正面。当这些数据越来越多，误差持续累积并放大。更棘手的是，数据加工环环相扣，假如单环节准确率九成，那五个环节串联后准确率就只剩不到六成。

第二道坎，连不上。

即使数据的加工达标，很多时候Agent仍被限制在单一数据源内。举个例子，当客户投诉“响应慢”，假如系统无法将其关联到合同的SLA条款、历史工单与续约风险，其实际价值就要大打折扣。很多情况下，业务结论需要跨系统串联实体关系才能推导出更有价值的信息。如果这一步跨不过去，Agent就只能当个更快的检索器，做不了业务归因。

第三道坎，信不过。

业务部门拿到AI的结论，往往会先追问依据。结论从何而来，哪个环节可能出错，敏感数据由谁可见。这些问题没有答案，就没有人敢将其用于决策。信任问题已从体感变成统计，Gartner 2026年5月发布新预测，到2027年，40%的企业将因数据治理失败降级或弃用自主AI Agent。

第四道坎，用不深。

前三道是技术层面的坎，此第四道藏在组织之中，这道坎反而更深。王赛在采访中提到，不少企业提出的AI需求，仍然停留在数据分析层面：过去用BI做报表，如今用Agent更灵活地生成报告、输出洞察。工具变了，但数据的使用方式没有随之深入。

这背后涉及谁来提出需求、谁对结果负责的问题。在王赛看来，如果项目主要由IT部门推进，就容易沿用工具采购的思路，围绕功能与技术能力展开比较。而销售跟进如何改善、客户服务如何调整，需要业务方提出具体目标，并检验实际结果。

“我觉得一定是要业务方来推进，而且要把AI的预算给到业务方，而不是给到 IT。”王赛表示。

他强调业务方参与，指向的是AI项目评价标准的变化：从是否上线了一套工具，进一步转向是否改善了业务。历史上曾有类似的参照，互联网技术进入企业初期的时候同样由IT主导，直到淘宝这样的应用能够直接交付"卖货"的结果，业务方才开始真正为技术付费。AI在企业中的推进，大概率也将沿这条路径演进。

瓴羊_王赛_Agent-1

押注Data for AI

应该怎么做？

跨过这四道坎，需要同时推进数据建设与业务应用：让数据能够被准确加工、有效关联和可信使用，也让业务方参与需求定义与结果检验。

瓴羊押注Data for AI，正是从数据与知识建设入手，再通过具体场景推动AI进入业务流程。

这一选择延续了瓴羊已有的积累。从阿里巴巴的OneData体系，到对外的数据中台产品，再到企业客户的数据智能实践，其长期投入的方向正是企业数据的建设与使用。面向Agent，这些工作进一步延伸到如何将数据组织成可理解、可调用的业务知识。

在工程化思路上，瓴羊有一个与行业主流不一致的观点，他们很少讲“数据治理”，因为治理隐含事后的意味。瓴羊倡导“设计即研发”，在建设阶段就建立良好的工程架构与规范体系，让数据在建成的时刻就是好的。好工程才有好数据，有了好数据才会有好知识，这一理念自阿里数据中台时代延续至今天的AI时代。

因此在瓴羊看来，给Agent使用的好数据到好知识，都需按新标准重新建设。以下五条，就是王赛提出的面向企业级Agent的好数据、好知识标准。

一是可访问。个人场景中，Agent面对的是一台电脑中的数据，企业场景中，它面对的是“企业的那台大电脑”，即数据湖仓。现实是，许多企业的这台“大电脑”尚未建成，Agent连物理访问都无法实现。

二是可理解、可操作。瓴羊在指标规范之上构建企业本体，把业务对象、指标口径、数据关系描述成机器可理解的形式以消除二义性，让AI自动检索和理解泛化的数据。而且，本体同时是语义护栏。

三是可协作。Agent完成复杂任务，还需要“人脑中的数据”，即不同岗位的经验与隐性知识。人做方案靠会议汇聚各方视角，换成Agent，同样要把这些知识以协作方式汇聚进来，这是此前数据平台都不具备的能力。

四是可行动。Agent不能只输出报告，需要进入企业环境，与CRM、供应链交互，执行业务流程中的具体动作。

五是安全合规。个人最小授权，与Agent所需的广泛数据权限天然冲突。瓴羊的解法是“可用不可见”，Agent决策时可访问，输出按授权范围呈现，再以运行沙箱保障执行受控。

从好数据到好知识，瓴羊总结出四层链路，即准备知识、生产知识、治理知识、用好知识。结构化数据、非结构化数据、知识图谱三类资产，经加工、关联与治理，最终封装为Agent可调用的知识服务。

判断知识质量，瓴羊给出一个公式，可信乘以可用。可信，指每条知识都能追溯至原始数据，经过质检，权限受控。可用，指Agent能用自然语言映射到标准语义，通过标准接口按需获取。任何一项归零，整体价值即归零。

瓴羊_王赛_Agent-2

在实际应用中，瓴羊的落地主张同样独树一帜。他们不从搭建大平台起步，而是选择一个八到十二周能见效的场景切入，把链路完整跑通。在瓴羊看来，衡量建设成效，不看汇集了多少知识，而看能被稳定调用多少、业务节省了多少。

据王赛介绍，目前这套理念在产品层面体现为Dataphin与AgentOne的组合。前者覆盖数据建设、治理、运营、消费的全链路，今年补齐多模态数据处理与企业知识图谱能力。后者生长出四个AI员工，覆盖销售、营销、客服、运营，个个对准离收入最近的场景。如果把企业级Agent比作一座冰山，水面之上是“能干、能信、能打”的AI员工，水面之下则是支撑这些能力的数据与知识。

瓴羊_王赛_Agent-3

AI for Business

在实践中跑出增长价值

冰山之上最终要交付什么，是瓴羊提出的另一个概念，让水面之下的数据与知识，支撑水面之上的业务增长。在王赛的划分中，AI for Business对标的是更主流的AI for个人提效叙事。王赛把他们的区别讲得很清楚，大量办公类Agent产品其实属于Work层服务个人效率，瓴羊选择垂直业务场景属于Business层，以企业关键业务环节的KPI改善为衡量标准。

"个人提效"与"业务结果"的差别，决定了AI需要怎样的数据与知识，以及他们服务于Agent的最终目的，当然核心关联的还有这个项目能否通过企业预算评审。在Gartner那份AI项目取消率预测中，商业价值不清晰正是排在第二位的取消原因。

瓴羊_王赛_Agent-4

那么如何让数据和知识真正进入业务创造增长的价值？

王赛认为代码生产的效率已很高，真正的瓶颈在人与人的协作、需求的确认、结果的审核。只有当交付物标准化、定义清晰的领先与滞后指标，人机协作的流水线才可能运转。

瓴羊的几个已跑通的实践案例，恰好为这一思想提供了注脚。

第一个实践案例，是在医药销售领域。销售最依赖经验、最难标准化，瓴羊分两步走，先建知识底座，将产品知识、销售SOP、成熟区域的经验打法、客户数据统一知识化，装入每一位医药代表的手机，AI在每个执行环节充当教练与助手。再让知识进入业务流，过去的CRM是记录系统，现在建的是执行系统，AI直接参与拜访准备、话术应对、客户跟进。用王赛的话说，要把个别区域、个别人身上验证过的成功经验，泛化给所有销售。

第二个实践在汽车门店领域。瓴羊调研发现，不同品牌4S店销售执行五花八门，看完车无人回访的情况并不少见，而一条有效线索的获取成本极高。试驾结束后，系统从录音中自动提炼需求、异议与购买信号，结合历史沟通与竞品资料，转化为结构化的客户知识。试驾报告自动推送至销售企微，直接驱动下一步动作。王赛表示，这套做法大幅缩短了新人销售的胜任周期。

瓴羊_王赛_Agent-5

第三个实践在联合利华的调味品餐厅销售业务。同一家餐厅，厨师长关心出品，老板关心成本，采购在意价格与供应。销售拜访前，需要判断这家餐厅的经营情况、菜品使用场景、竞品状况，以及眼前这位关键人的真实诉求，过去这些判断全靠销售个人经验。瓴羊的前沿部署工程师（FDE）将拜访录音、品类资料、竞品信息与联合利华业务知识结合，构建食物知识图谱，依托AgentOne落地AI销售员工应用，为每家餐厅生成个性化拜访攻略。AI生成的拜访攻略里，每项关键信息和推理结论都可追溯来源，金牌销售审核修正后，确认过的经验沉淀进知识体系，销售拜访前进行AI销售陪练优化话术打法，优秀销售的个人能力就此变成团队可复用的组织能力。

这些实践的共同点，是从销售执行这类具体环节切入，让知识先在场景中产生价值，再向更大范围复制。

当技术产品发生重大改变的时候，商业模式也在演进。国内AI产品目前普遍按调用量收费，往前一步是按效果付费。

瓴羊方面介绍，他们在AI客服等场景已开始按实际业务效果结算，售前按转化量，售后按服务量与满意度，部分企业为此支付的成本降至原来的50%至 60%，体验与转化率反而更高。

与此同时，数据智能服务的交付形态也在变化。

从定制走向标准化，是王赛眼中技术迭代的一般规律。Anthropic与OpenAI都在招聘FDE（前沿部署工程师）深入客户现场，中国市场的特殊性在于，SaaS的标准化周期尚未走完，AI的周期就已到来，行业直接进入重交付阶段。

但他同时判断，随着通用能力在垂直场景沉淀，标准化会逐步发生。他认为，一个需要思考的更长期的问题是，当AI工程门槛持续下降，最终完成交付的是外部厂商，还是企业自己的团队。

可以预见，随着AI应用的普及，Data for AI和AI for Business的市场空间将同步打开。IDC 2025年4月发布的《全球大数据支出指南》预计，2028年中国大数据IT支出达621.7亿美元，五年复合增长率24.9%，增速位居全球第一。

放眼全球，大家都在向同一个方向努力前进。王赛提到，Databricks、Snowflake、Palantir都在向语义层、本体、数据智能演进。谈到中外差距，王赛相当坦率，他认为，海外头部厂商在工程化实践、SDK开放能力、安全可控方面优于国内厂商。但中长期看，随着国内模型可用性与性价比提升，差距会缩小，“这是一个客观规律”。

这场竞争的胜负手，不在概念声量，而在谁能在真实企业场景中把数据到知识的链路跑通、跑稳。