你的 AI 代理的效能取决于你的文件系统

2025年12月30日，丹麦邮政递送了其401年历史上的最后一封信。当年，剩余的1500个邮筒被撤下。与此同时，2026年7月，德国联邦内阁批准了GeDIG——《医疗数据与数字创新法》，该法将在2029年秋季之前逐步淘汰医生办公室的传真，并强制使用电子转诊。

那么，为什么有的国家能够实施此类变革，而另一些国家在本世纪仍在逐步淘汰对传真机的依赖？考虑到各国在商业中使用 AI 的情况，2025 年有 42% 的丹麦企业使用了至少一种 AI 技术，居欧洲之首。德国为 26%，虽高于欧盟平均水平，却比丹麦低了十六个百分点。

在我看来，这一对比促使我们重新审视对 AI 采纳的认知。尤其是把模型选择视为 AI 采纳起点、忽视模型周边系统状况的观念。两国都能使用相同的模型和云服务商，但关键在于其商业和公共流程是否已经生成可靠的数字记录。由于 AI 代理并非直接作用于现实，而是作用于系统中呈现的现实版本，这自然会带来一些限制。

第一约束：信息从未数字化

代理无法检索从未进入系统的文档。组织的信息流形态决定了代理能够感知到的任务范围。

在国家层面，Eurostat 数据显示，企业 AI 采纳与行政流程的数字化程度相关。但关键机制在于，那些公民已经以数字方式收到官方文件的国家，企业需要调和的系统外交互更少，从而降低在安全使用 AI 进行运营前所需的解释工作量。

在企业层面，一项针对 1,907 家丹麦公司的2026 年 IZA 研究发现，数字化水平每提升一个标准差，核心 AI 系统的采纳概率会提升 8 到 10 个百分点。这表明 AI 采纳取决于企业内部运营是否已以数字化、机器可读的方式组织。若流程碎片化，AI 系统或代理可利用的稳定信息将极少。

这也有助于解释为何政策驱动的数字化并不必然转化为 AI 就绪度。意大利的强制性 B2B 电子发票建立了完整的数字渠道，但整体 AI 采纳仍低于欧盟平均水平。仅数字化单一环节并不能消除其周边的模拟系统。

第二约束：信息仅存于某人的脑海中

人类负责运营，这意味着大多数情况下他们掌握 AI 所不知的细节。财务管理员知道某租户以现金付款，但该付款从未录入会计系统，导致银行记录与系统不匹配。管理员明白原因，而 AI 只能看到不一致的数据。物业经理记得某房东要求两周内不联系。团队了解某栋楼或客户的应急方案，但没有人将其记录下来。

ClarEval 对缺失目标、缺失前提以及术语模糊的任务进行测试。经澄清后模型表现约为 89%，而在模糊未解决时跌至约 9%。与此同时，Ambig‑SWE发现，让模型向拥有缺失信息的用户提问，可恢复高达 74% 的性能损失。这表明工程师应从一开始就构建能够主动请求澄清的系统。

第三约束：信息虽已存在却无法传递

某些数据虽已在公司内部存在，却因隐私法规、安全控制、合同或内部政策而无法传递给模型。

基于七年云数据的研究发现，GDPR——欧盟核心数据隐私法，使欧盟企业的数据存储量下降 26%，处理量下降 15%，相较于可比的美国企业。换言之，隐私监管通过限制企业可保留和处理用于分析与 AI 的信息量，使其数据密集度降低。生成式 AI 的采纳率几乎持平，欧盟企业为 37%，美国企业为 36%。但 AI 采纳深度的差距却很大，81% 的美国企业在至少两个内部流程中使用 AI，而欧盟仅为 55%。一个可能的原因是，欧洲组织内部已有的信息往往更难用于 AI。比如客服对话常包含为解决客户问题而收集的个人数据。依据 GDPR 的目的限制原则(第 5 条第 1 项(b)款)，在没有合法依据的情况下，这些数据不能直接用于 AI 训练。美国企业在重新使用此类数据时通常面临的联邦限制较少。

如何构建正确的系统

检索仅在系统中存在答案时才有效。信息缺失时，代理应主动询问，绝不猜测，并将通话或非正式决策转化为结构化记录。企业还应消除并行的纸质工作流，因为任务若能在系统外完成，部分上下文将始终不可见。

每家公司必须正视自身的缺口。衡量执行正确操作所需的事实是否已在系统中。对比包含和排除隐私审查字段的工作流进行测试。最后，对于仍需纸质完成的工作流，应将相应的代理放在最后构建。

代理可以提升人类的产出，但它们无法弥补缺失的部分。