現代數據結構（data fabric）可將企業既有知識轉化為 AI 可靠基礎。人工智慧在企業應用正迅速從實驗階段轉向日常運作。機構正於財務、供應鏈、人力資源及客戶營運等範疇部署 copilots、agents 及預測系統。根據近期調查，到 2025 年底，半數企業將在至少三個業務功能使用 AI。但隨著 AI 融入核心工作流程，業務領袖發現最大障礙並非模型效能或運算能力，而是系統依賴的數據品質及背景脈絡。
AI 引入新需求：系統不僅需存取數據，還須理解背後業務脈絡。欠缺脈絡，AI 雖能快速產生答案，卻可能作出錯誤決定。SAP Data & Analytics 總裁兼首席產品官 Irfan Khan 表示：「AI 極擅長產生結果，它速度快，但無脈絡便無法行使良好判斷，而良好判斷正是業務投資回報關鍵。僅有速度無判斷不僅無益，反可造成損害。」
數據結構如何賦予 AI 業務脈絡
在自主系統及智能應用時代，此脈絡層至為關鍵。企業需設計完善數據結構，不僅整合數據，更能安全擴展 AI、協調系統及 agents 決策，並確保自動化反映真實業務優先事項，而非孤立決策。許多機構正重新檢視數據架構，而非單純將數據移至單一儲存庫，而是連接應用程式、雲端及營運系統，保留描述業務運作的語意。此轉變推動數據結構成為 AI 基礎設施焦點。傳統數據策略注重聚合，過去二十年企業大量投資從營運系統提取資訊至中央倉庫、數據湖及儀表板。
此法便利報告、監控及洞察生成，但過程中數據附帶的意義——如與政策、流程及決策關係——往往遺失。以兩家使用 AI 管理供應鏈中斷企業為例，一家僅用庫存水平、交貨期及供應分數等原始信號，另一家則加入業務流程、政策及元數據脈絡。兩系統均快速分析，卻得出不同結論。後者知悉策略客戶、短缺權衡及延伸供應鏈狀態，能作策略決策，前者則欠缺脈絡。Khan 指：「兩系統皆速迅，但僅一者方向正確。
這即脈絡優勢，源於數據基礎設計保留跨流程、政策及數據脈絡。」 過去，企業靠人力專家彌補脈絡缺失，但 AI 時代出現短缺，帶來嚴重限制。AI 不僅呈現資訊，還據之行動。若系統未解釋數據重要性，模型或優化錯誤結果。庫存數字、付款紀錄或需求信號雖準確，卻未揭示優先客戶、合約義務或策略產品。結果，系統答案技術正確，卻營運失當。此認知改變企業 AI 準備思維。大多承認欠缺成熟數據流程及基礎設施，僅五分一機構視數據方法高度成熟，9% 感數據整合準備充分。
新興方案為數據結構：橫跨基礎設施、架構及邏輯組織的抽象層。對 agentic AI，此結構成首要介面，讓 agents 以業務知識而非原始儲存互動。知識圖譜居中，助 agents 用自然語言及業務邏輯查詢企業數據。其價值依三要素：智能運算提供速度、知識池提供業務理解及脈絡、agents 提供基於理解的自主行動。此協同令 agent 間通訊及協調成真。Khan 指，此架構需聯動技術、流程及文化，方成成功。
技術上，建構數據結構需多項能力：透過聯邦而非強制整合存取多環境數據；語意或知識層調和系統意義，常由知識圖譜及目錄元數據支持；治理及政策執行跨結構運作，確保 AI 安全一致存取數據。此基礎讓 AI 與業務知識互動，而非原始儲存，為企業自動化關鍵一步。在 agentic AI 時代，監控、分析及決策責任轉移至軟件。AI agents 可實時監測事件、觸發工作流及決策，常無人力干預。
此速度開新機遇，亦增風險。多 agents 跨財務、供應鏈、採購或客戶營運運作，須共享業務優先理解。無共通知識層連結異質數據，協調速崩。一系統優化邊際，另一優化流動性，第三優化合規，各依數據片段。大多企業已有所需知識——營運數據、主數據、工作流及政策邏輯僅需激活。部署數據結構企業獲更高數據信任，逾三分二見數據存取、能見度及控制改善。Khan 續指：「機會非從零發明脈絡，而是激活連接既有業務脈絡，數據結構確保數據語意、業務流程及政策跨雲端統一。
」
