企業人工智能（AI）高度依賴高準確度輸出，這需要更優質的數據脈絡、統一架構，以及嚴格的衡量框架。Databricks 資深副總裁 Bavesh Patel 和 Infosys 單位技術官 Rajan Padmanabhan 指出，雖然消費者級 AI 工具以速度和便利性驚艷用戶，但企業在規模化部署 AI 時，面臨的最大障礙往往是數據基礎設施的不足。許多企業數據仍散佈於舊有系統、孤島式應用和不兼容格式中，導致 AI 難以產生可靠且具脈絡的輸出。
Patel 表示：「AI 的品質和效能，實質上取決於企業內部的資訊。」企業數據若未整合至開放格式、精準治理並跨部門可及，便難以發揮價值，否則只會產生他所稱的「糟糕 AI」。企業需超越孤立的 SaaS 平臺和斷層儀表板，轉向統一開放數據架構，能融合結構化和非結構化數據、保留即時脈絡，並實施嚴格存取控制。只有奠定此基礎，企業方能實現可衡量的成果，如提升效率、自動化複雜工作流程，甚至開拓全新業務線。
AI 就緒數據的關鍵要素
Padmanabhan 強調，領先企業將 AI 部署直接連結業務指標，利用治理框架評估成效並快速淘汰無效項目。他們觀察到，業務用戶對 AI 素養需求殷切，急於理解 AI 的核心組成，包括技術、培訓和啟用層面。Databricks 和 Infosys 合作開發框架，涵蓋價值管理、數據準備和代理工具如 Agent Bricks，協助客戶如大型食品公司解鎖 8 至 9 個代理 AI 應用，涵蓋人力資源、採購和營銷領域。
Databricks 近期推出 Lakebase，這是專為 AI 代理和應用設計的 OLTP 資料庫，與 Lakehouse（用於歷史分析數據）互補，形成單一系統處理即時與分析數據。Lakebase 分離運算與儲存，支持伺服器無狀態分支，適合代理快速啟動與追蹤工作流程。Patel 指出，這解決了代理擴散（agent sprawl）問題，讓企業避免數據複製與權限混亂。
治理成為部署成功的先決條件。Unity Catalog 提供數據發現、存取控制和語意定義，確保數據可信、新鮮且合規。Patel 引述 MIT 報告，95% AI 項目因治理不足而失敗。企業數據乃競爭優勢，需整合自家與第三方數據，避免專有鎖定，支持多模型如 Gemini 或 Claude。 Padmanabhan 比喻代理 AI 如自動駕駛車，須遵守約束、工具存取、資訊分享和持續學習。
企業應擴展 Unity Catalog 治理代理行為，從數據統一核心出發，建構領域服務網格與代理網格（agentic grid），實現勞動轉移、業務重塑和經濟轉變，如代理間商務與內容貨幣化。成功客戶已見程序從數週縮至數小時，並開創全新產品線。
