“即便使用同一套AI模型，最终产出也可能截然不同。拉开差距的，不是模型本身，而是数据准备是否到位。”

在9月29日于首尔COEX举行的“Digital Insight 2026”会议上，AI与数据专业公司Encoar团队负责人Kim Gi-dong用这句话概括了企业在引入AI Agent后效果分化的根本原因。

他表示，AI Agent要真正用好企业数据，前提是能够理解数据本身的含义，以及数据之间如何关联。

Kim Gi-dong指出，许多企业已经引入顶级AI模型和平台，在概念验证（PoC）或演示阶段也能呈现不错的效果，但一旦进入真实业务场景，AI Agent的表现往往与预期存在落差。

问题主要出在生产环境中既有数据与AI衔接的环节。由于大量存量数据并非按照AI Agent的使用方式设计，演示阶段可用的AI Agent，到了实际部署时往往难以稳定运行。

例如，企业出于安全或运维考虑，常会使用难以直观识别的表名；字段说明缺失，或语义定义并不清晰；内部缩写又大量存在。还有一些企业担心补充关联信息会影响系统性能，因此表与表之间的连接关系并未明确标注便直接上线。

在系统彼此割裂的环境下，关联信息甚至可能完全缺失。以制造执行系统（MES）中的投料数据与企业资源计划（ERP）中的出货数据为例，两者如何衔接，很多时候只掌握在负责人经验中，或散落在设计文档里。

Kim Gi-dong表示，企业并非不知道需要补充数据说明、定义数据关系，而是受制于遗留数据结构，这些工作往往难以推进。“缺失的信息，AI模型不可能凭空补出来。要让AI真正可用，必须把它需要的信息提前准备好。”

围绕这一问题，Encoar重新界定了“AI就绪数据”。Kim Gi-dong说，业内往往把AI就绪数据简单理解为“干净、质量高”的数据，但这只是前提之一。真正的AI就绪数据，应该是AI能够理解、能够信任、也能够安全使用的数据。

他将AI就绪数据归纳为三项核心条件。

第一是可识别性，即Agent在检索数据前，必须先知道“这是什么数据”；第二是关系可探索性，即数据之间如何连接必须清晰可查；第三是上下文管控，即Agent只能访问被授权范围内的数据。他强调，只有把“谁可以看到什么数据”管理清楚，Agent才能安全运行。

他同时指出，AI就绪数据与传统意义上的元数据并不相同。传统元数据主要服务数据库管理，重点记录结构性信息，例如表和字段是否存在、是否符合标准、变更会影响哪些范围等，但这些内容仍不足以满足Agent的使用需求。

“传统元数据回答的是‘有什么’，而Agent更关心‘是什么意思、该怎么用’。”Kim Gi-dong表示，在Agent出现之前，这类信息通常由负责人凭经验掌握，或通过文档沉淀即可；但在AI应用场景下，仅靠这些已经不够。“AI就绪数据不是要替代现有元数据，而是在其基础上补充数据语义和关联信息。”

基于这一思路，Encoar提出了“上下文地图”方案。公司介绍称，上下文地图统一管理五类信息，分别是数据说明、业务命名（标签）、使用目的、关系信息和访问权限。借助向量检索，Agent可以找到与业务术语语义接近的数据；再结合图谱检索，沿着数据关系持续追踪。也就是说，Agent不再依赖对表名的猜测，而是基于预先定义好的语义和关系生成答案。

Kim Gi-dong举例称，如果“客户偏好品类”这项数据后来被调整为敏感信息，若按传统方式为每个Agent分别修改规则，10个Agent就需要逐一调整；而采用上下文地图后，只需在一个地方修改定义，无需逐个改动Agent本身。

不过，他也提到，能找到所需数据，并不意味着可以直接生成答案。比如面对“某种物料问题会影响哪些品类”这样的提问，上下文地图可以定位到4张相关数据表，但无法进一步判断应按什么顺序、基于什么条件将这4张表组合起来。

为解决这一问题，Kim Gi-dong提出引入语义模型。语义模型用于统一“客户”“订单”等业务术语的定义，并建立其与实际数据之间的映射关系。一方面，可以在元数据层为数据含义补充标注，形成元数据图谱，也就是上下文地图；另一方面，则可按照业务流程把真实数据连接起来，构建实例图谱。

他表示，在数据检索阶段使用元数据图谱，在答案生成阶段使用实例图谱，而两者都建立在同一套语义模型之上。“AI模型和相关技术会持续进步，但Agent究竟能使用什么、又该如何判断，最终取决于我们提前准备了多少。”