Salesforce 专家：企业 AI 规模化需跨越数据鸿沟

企业 AI 规模化需要克服那些常在试点阶段就阻碍项目进入生产的架构性疏忽，这一挑战远不止于模型选择。虽然生成式 AI 原型很容易搭建，但将其转化为可靠的业务资产，则需要解决数据工程和治理的难题。

在 2026 年伦敦全球 AI 与大数据博览会前夕，Salesforce 的 EMEA 区 AI 架构负责人 Franny Hsiao 探讨了为何许多 AI 项目会碰壁，以及企业如何构建能在真实世界中存活的系统。

企业 AI 规模化的“纯净孤岛”问题

大多数失败源于 AI 构建的环境。试点项目通常在受控环境中启动，这营造了一种虚假的安全感，一旦面临企业级规模就会崩溃。

“阻碍 AI 试点项目规模化的最常见架构疏忽，是未能从一开始就构建一个具有内置端到端治理的生产级数据基础设施，”Hsiao 解释道。

“可以理解，试点项目通常始于‘纯净孤岛’——使用少量精选数据集和简化的工作流。但这忽略了企业数据的混乱现实：处理真实世界数据量和多样性所需的复杂集成、规范化和转换。”

当公司试图在不解决底层数据混乱的情况下扩展这些基于孤岛的试点时，系统就会崩溃。Hsiao 警告说，“由此产生的数据缺口和推理延迟等性能问题，会使 AI 系统变得不可用，更重要的是，变得不可信。”

Hsiao 认为，成功弥合这一差距的公司是那些“将端到端可观测性和护栏融入整个生命周期”的企业。这种方法提供了“对 AI 系统有效性以及用户如何采用新技术的可见性和控制力”。

为感知响应性而设计

随着企业部署大型推理模型——如‘Atlas 推理引擎’——它们面临着模型“思考”深度与用户耐心之间的权衡。大量计算会产生延迟。

据 Hsiao 介绍，Salesforce 通过专注于“通过 Agentforce 流式传输实现感知响应性”来解决这个问题。

“这使我们能够逐步交付 AI 生成的响应，即使推理引擎在后台执行繁重计算。这是一种极其有效的方法，可以减少感知延迟，而延迟常常会阻碍生产级 AI。”

透明度在管理用户期望方面也发挥着功能性作用。Hsiao 详细阐述了将设计作为信任机制：“通过展示显示推理步骤或所用工具的进度指示器，以及像旋转器和进度条这样的图像来描绘加载状态，我们不仅能保持用户参与度；还能提高感知响应性并建立信任。

“这种可见性，结合战略性的模型选择——例如选择计算量更少、响应时间更快的较小模型——以及明确的长度限制，确保系统感觉是经过深思熟虑且响应迅速的。”

边缘离线智能

对于公用事业或物流等具有现场操作的行业，依赖持续的云连接是不可行的。“对于我们许多企业客户来说，最大的实际驱动力是离线功能，”Hsiao 表示。

Hsiao 强调了向设备端智能的转变，特别是在现场服务中，无论信号强度如何，工作流都必须继续。

“技术人员可以在离线状态下拍摄故障部件、错误代码或序列号的照片。然后，设备端的大语言模型可以识别资产或错误，并从缓存的知识库中即时提供指导性的故障排除步骤，”Hsiao 解释道。

一旦连接恢复，数据同步会自动进行。“一旦连接恢复，系统会处理将数据同步回云的‘繁重工作’，以维护单一事实来源。这确保了即使在最断连的环境中，工作也能完成。”

Hsiao 预计边缘 AI 将持续创新，因为它具有“超低延迟、增强的隐私和数据安全性、能源效率和成本节约”等优势。

高风险网关

自主 AI 智能体不是设置好就忘记的工具。在扩展企业 AI 部署时，治理需要明确定义何时必须由人类验证某个操作。Hsiao 将其描述为“为问责制和持续学习而设计”，而非依赖。

Salesforce 在 Hsiao 称为“高风险网关”的特定领域强制要求“人在回路”：

“这包括特定的操作类别，包括任何‘CUD’（创建、上传或删除）操作，以及已验证的联系人和客户联系操作，”Hsiao 说。“对于关键决策或任何可能通过提示操纵被利用的操作，我们也默认需要人工确认。”

这种结构创建了一个反馈循环，其中“智能体从人类专业知识中学习”，形成一个“协作智能”系统，而非不受约束的自动化。

信任一个智能体需要看到它的工作。Salesforce 构建了一个“会话追踪数据模型（STDM）”来提供这种可见性。它捕获“逐轮日志”，提供对智能体逻辑的细粒度洞察。

“这为我们提供了细粒度的逐步可见性，捕获每一次交互，包括用户问题、规划步骤、工具调用、输入/输出、检索到的数据块、响应、时间和错误，”Hsiao 说。

这些数据使组织能够运行‘智能体分析’以获取采用指标、‘智能体优化’以深入分析性能，以及‘健康监控’以跟踪正常运行时间和延迟。

“Agentforce 可观测性是您所有 Agentforce 智能体的单一任务控制中心，用于统一可见性、监控和优化，”Hsiao 总结道。

标准化智能体通信

随着企业部署来自不同供应商的智能体，这些系统需要一个共享协议来协作。“要使多智能体编排工作，智能体不能存在于真空中；它们需要共同语言，”Hsiao 认为。

Hsiao 概述了两个标准化层面：编排和语义。对于编排，Salesforce 正在采用开源标准，如 MCP（模型上下文协议）和 A2A（智能体到智能体协议）。

“我们认为开源标准是不可协商的；它们防止供应商锁定，实现互操作性，并加速创新。”

然而，如果智能体对数据的解释不同，通信就毫无用处。为了解决数据碎片化问题，Salesforce 联合创立了OSI（开放语义交换），以统一语义，使一个系统中的智能体“真正理解另一个系统中智能体的意图”。

未来企业 AI 规模化瓶颈：AI 智能体就绪的数据

展望未来，挑战将从模型能力转向数据可访问性。许多组织仍在与遗留的、碎片化的基础设施作斗争，其中“可搜索性和可重用性”仍然困难。

Hsiao 预测下一个主要障碍——也是解决方案——将是让企业数据通过可搜索、上下文感知的架构变得“AI 智能体就绪”，以取代传统的、僵化的 ETL 管道。这种转变对于实现“超个性化和变革的用户体验是必要的，因为智能体总能访问正确的上下文。”

“最终，明年不是关于追求更大、更新模型的竞赛；而是关于构建编排和数据基础设施，使生产级智能体系统能够蓬勃发展，”Hsiao 总结道。