大模型已经够聪明了，为什么 95% 的 AI 项目还是跑不出 ROI？

2026 年，AI 落地的故事正在上演一个奇特的悖论：模型能力突飞猛进，企业 AI 投入成本与日俱增，但然后呢？越来越多的案例和数据显示，真正进入生产并产生持续 ROI 的项目仍然是少数。Gartner 甚至预测，2026 年 60% 的 AI 项目将被放弃。 背后的原因不是模型不够好，而是数据没有准备好被 AI 消费。 当 AI 进入真实业务流程后，现实的卡点是能不能拿到正确的数据、理解正确的业务语义，并基于可信的数据完成任务。在 Agentic AI 时代，这种矛盾被进一步放大。过去，数据的消费者是人，如今，越来越多 Agent 开始参与分析、开发、治理等数据工作，人和 Agent 需要基于同一套数据体系协同工作。如果企业还在沿用上个时代专为人而设计的数据平台，很难支撑 Agent 在生产环境中稳定、准确、可信地运行。 在 6 月 5 日举行的腾讯云 AI 产业应用大会上，腾讯云宣布面向 Agent 升级全栈数据平台能力，试图解开的正是这个结。通过生产级数据智能体 DataBuddy、数据智能平台 WeData 和 AI 原生大数据底座三层架构，构建人和 Agent 协同工作的智能入口、统一控制面和数据底座。 这三层架构中，带给笔者最大惊喜的，是 Buddy 家族的新成员——DataBuddy。因为它瞄准的，是数据工作流本身。从数据工程、数据治理到数据分析，数据团队最难啃的脏活累活，它都按照 Agentic AI 时代的新范式，重构了一遍。 AI 落地是一个数据问题 当行业关注点从模型能力转向 AI 落地，数据成了越来越绕不开的话题。因为在真实的业务流程中，不管 AI 是做经营分析、生成报表还是最终执行，都需要完整跑通从数据接入到数据分析、数据治理，再到最终的业务输出，这样一整条链路。这中间，任何一个环节的不确定，都会放大结果的不可靠。 然而，企业现有的数据平台，大多并不是为这条链路设计的。 回顾大数据平台的发展历程就会发现，过去 20 年，大数据平台经历过两次完整的代际演进：在大数据时代（2006-2014），重点关注的是离线数仓、ETL、报表决策，把分布式存算和开发任务工具化；在湖仓一体时代（2014-2023），重点关注的是湖仓存算、数据治理，以及资产化。 本质上，这两个时代解决的，都是 人如何更高效地使用数据 这个问题。业务方提一个数据需求，分析师先理解业务口径，再写 SQL 取数、对齐指标，最后做出一份报表。如果底层数仓不能满足，还需要数仓工程师对数仓分层做调整。这些需求从提出到交付，少则两三天，多则一两周。 这件事过去 20 年都没怎么变。整流程虽然效率不高，但基本能够运转。 但当 Agent 开始开始批量上岗后，数据平台终于迎来了新的使用者：Agent。Agent 对数据的时效性、准确性和语义一致性提出了更高的要求，原本可以依靠人工经验弥补的断层，在 Agent 面前变成了硬伤。 AI 时代带来了新的问题，同时，很多旧时代的问题，如数据孤岛、治理缺失等也被再次放大。新旧问题交织在一起，老办法已经不够用了。 “平台效率与数据质量的短板，正成为企业 AI 落地的最大瓶颈”，腾讯云大数据总经理周清认为，真正的 AI-Native 数据平台，不等于 AI+ 数据平台。在 GUI 旁边加一个 Copilot 侧边栏，也不会让一个平台真正进入 AI 时代。真正能带来改变的，是将交互、研发、运行时、治理这四个范式同时重构： 交互范式：在 AI 时代，自然语言成为新的交互方式，真正的产物是 AI 生成的，UI 是 AI 产物的投影；研发范式：从人写代码转向 Spec-Driven，从数据需求的 Spec 来驱动 AI 去理解主动生成产物，人来做评审；运行时范式：Agent 是一等运行时公民，与任务共生命周期；治理范式：元数据将成为 Agent 可调用的语义 API。 当交互、研发、运行时和治理四个范式同时发生改变时，最直观的变化，将从“人使用工具”，变成“Agent 完成工作”。过去大家关注数据平台有多少功能，现在关注的，是一项数据工作能否真正交付。 DataBuddy 瞄准的，是全流程和交付 对比过去和现在的数据团队工作模式，会发现一个非常典型的问题。 过去的数据工作从需求拆解到结果分析，几乎每一步都需要不同的角色在不同的系统中完成，响应慢、易出错、成本高。在人机协作的 Agentic AI 时代，能不能把一条数据需求，变成一次端到端的交付？ DataBuddy 瞄准的正是这件事。 DataBuddy 是腾讯云于今年 5 月发布的生产级数据智能体，也是 Buddy 家族的第三位成员。如果说 CodeBuddy 面向的是开发者，WorkBuddy 面向的是职场人士，那么 DataBuddy 面向的，就是企业数据基础设施建设中最重要的角色：数据分析师、数据治理人员、数仓工程师。 它基于腾讯 WorkBuddy 同源 Agent 底层能力打造，继承了 WorkBuddy 的 Harness。 第三方数据显示，WorkBuddy 已经成为当前国内日活跃用户数（DAU）第一的效率型 Agent，这也从侧面印证了整套 Agent 底层架构的稳定性。DataBuddy 相当于站在 WorkBuddy 的肩膀上，复用了这套经过海量用户验证的成熟 Agent 底层架构。同时，DataBuddy 还 通过 Skill 引入腾讯云大数据服务内外部十几年大规模经验，以及与数据智能平台 WeData 原生深度联动，最终实现数据垂直领域的 Agent 化。 据介绍，DataBuddy 一共内置了三个数据专家，能够针对数据工程、数据治理、数据分析三大数据场景实现对话即交付。用户只需要通过自然语言对话，就能端到端完成大数据全链路任务。 在数据工程场景中，过去完全依靠人工搭建，现在 DataBuddy 能自动完成数仓方案设计、代码生成和工作流编排，将重复开发工作量降低 80%，整体研发效率提升 5-10 倍。重点不是快了，而是人不再需要关心中间每一步怎么做，新手就能直接起步。 比如在这个案例中，只需要几句话，就能让 DataBuddy 基于数据源内的原始表，从 0 到 1 设计数仓建设方案。甚至还能生成项目规范，并根据项目规范更新技术方案。 此外，DataBuddy 还提供完整的 AIOps 能力，能自动解析日志、代码、资源、上游依赖分析失败原因，输出根因判断，再基于内置的运维知识库及 Skills，推荐可信的修复方案，一键执行修复。 在数据治理场景中，过去是人工治理：敏感数据靠人工标记，质量规则凭经验拍脑袋，问题诊断止于“表象”，人工巡检覆盖率低。DataBuddy 的打法是，以 AI 实现智能守护。可以在没有预设规则的条件下，自主分析数仓中存在的问题，输出完整的质量报告。比如，它会分析哪些是敏感字段需要脱敏，哪些字段在业务层面不合逻辑，等等。 在上面这个案例中，DataBuddy 能根据信息输出当前数仓数据治理情况的分析报告，如果遇到元数据不完整或数据质量没有监控到的，能够自动推荐处理策略，用户确认后即可自动执行。 最终生成数仓数据治理分析报告非常详实，覆盖元数据完整性、血缘健康度、语义模型一致性、数据质量、数据