Martin Fowler站点近期发布的两篇文章，分别从数据基础与工程能力两个角度，剖析了企业落地智能体AI（Agentic AI）时面临的现实障碍。Pramod Sadalage与Prem Chandrasekaran在8月27日的文章中指出，许多组织对AI精简流程、节省成本、提升利润的前景感到兴奋，但AI能力建立在它所访问的数据之上，而对不少组织而言，这一基础“不过是沙子”。8月19日的另一篇文章则聚焦一个正在扩大的认知鸿沟：非技术人员用AI在周末搭建应用，与企业级软件交付之间，存在对“软件工程究竟是什么”的理解差异。

数据基础：AI能力脚下的“沙子”

据Martin Fowler站点文章介绍，AI的能力根基在于其访问的数据。Sadalage与Chandrasekaran的文章旨在讨论如何构建一个可靠、准确且值得信任的数据基础。文章摘要直言，许多组织的数据基础“不过是沙子”，这意味着在智能体AI落地之前，数据可信度问题需要被优先解决。

该文并未在摘要中展开具体方法论，但明确将“准确和可信”作为数据基础的建设目标。对于希望借助AI实现流程自动化的企业而言，这一判断指向一个基本事实：AI能做什么，取决于它能访问到什么质量的数据。

认知鸿沟：周末应用不等于企业级软件

另一篇文章的作者观察到，过去六个月里出现了一种有趣的鸿沟，它不是技术上的鸿沟，而是不同人对软件工程认知的鸿沟。文章描述了一个常见场景：一位非技术人员，可能是高管，兴奋地讲述自己周末搭建的东西——有时是聊天机器人，有时是内部工作流，有时是一个出奇精致、解决了真实业务问题的应用。

随后的问题往往是：“如果AI现在能做到这个，为什么我们的工程团队不能快十倍交付？”文章作者认为，这是一个完全合理的问题，毕竟大家都看过演示。作者的第一反应是“你不知道构建企业级软件需要什么”，但随后意识到，这种解释容易显得居高临下。

“我们多年来一直在强调如何写出好软件，以至于所有人都以为写软件就等于软件工程。”

文章强调，周末搭建的应用是真实的软件，它很可能解决了一个真实问题或验证了一个想法，有时确实令人印象深刻。作者并不想贬低这一点，而是试图厘清“写软件”与“软件工程”之间的区别。文章标题概括了其主张的分工框架：“公民构建，智能体执行，专家治理”（Citizens Build, Agents Execute, Experts Govern）。

后续关注点

两篇文章共同指向企业AI落地的两个前置条件：可信的数据基础，以及对企业级交付所需工程规范与专家治理的清醒认识。据线索推测，随着智能体AI从演示走向生产环境，数据质量与工程治理能力将成为区分“周末应用”与“企业级系统”的关键。相关方法论的完整内容，可参见Martin Fowler站点的两篇原文。