Martin Fowler站點近期發佈的兩篇文章，分別從數據基礎與工程能力兩個角度，剖析了企業落地智能體AI（Agentic AI）時面臨的現實障礙。Pramod Sadalage與Prem Chandrasekaran在8月27日的文章中指出，許多組織對AI精簡流程、節省成本、提升利潤的前景感到興奮，但AI能力建立在它所訪問的數據之上，而對不少組織而言，這一基礎“不過是沙子”。8月19日的另一篇文章則聚焦一個正在擴大的認知鴻溝：非技術人員用AI在週末搭建應用，與企業級軟件交付之間，存在對“軟件工程究竟是甚麼”的理解差異。
數據基礎：AI能力腳下的“沙子”
據Martin Fowler站點文章介紹，AI的能力根基在於其訪問的數據。Sadalage與Chandrasekaran的文章旨在討論如何構建一個可靠、準確且值得信任的數據基礎。文章摘要直言，許多組織的數據基礎“不過是沙子”，這意味著在智能體AI落地之前，數據可信度問題需要被優先解決。
該文並未在摘要中展開具體方法論，但明確將“準確和可信”作為數據基礎的建設目標。對於希望借助AI實現流程自動化的企業而言，這一判斷指向一個基本事實：AI能做甚麼，取決於它能訪問到甚麼質量的數據。
認知鴻溝：週末應用不等於企業級軟件
另一篇文章的作者觀察到，過去六個月里出現了一種有趣的鴻溝，它不是技術上的鴻溝，而是不同人對軟件工程認知的鴻溝。文章描述了一個常見場景：一位非技術人員，可能是高管，興奮地講述自己週末搭建的東西——有時是聊天機器人，有時是內部工作流，有時是一個出奇精緻、解決了真實業務問題的應用。
隨後的問題往往是：“如果AI現在能做到這個，為甚麼我們的工程團隊不能快十倍交付？”文章作者認為，這是一個完全合理的問題，畢竟大家都看過演示。作者的第一反應是“你不知道構建企業級軟件需要甚麼”，但隨後意識到，這種解釋容易顯得居高臨下。
“我們多年來一直在強調如何寫出好軟件，以至於所有人都以為寫軟件就等於軟件工程。”
文章強調，週末搭建的應用是真實的軟件，它很可能解決了一個真實問題或驗證了一個想法，有時確實令人印象深刻。作者並不想貶低這一點，而是試圖釐清“寫軟件”與“軟件工程”之間的區別。文章標題概括了其主張的分工框架：“公民構建，智能體執行，專家治理”（Citizens Build, Agents Execute, Experts Govern）。
後續關注點
兩篇文章共同指向企業AI落地的兩個前置條件：可信的數據基礎，以及對企業級交付所需工程規範與專家治理的清醒認識。據線索推測，隨著智能體AI從演示走向生產環境，數據質量與工程治理能力將成為區分“週末應用”與“企業級系統”的關鍵。相關方法論的完整內容，可參見Martin Fowler站點的兩篇原文。