Confluent 近日发布的报告显示，78% 的新加坡 IT 负责人认为，缺少实时数据基础设施正在拖慢 AI 规模化。作为参照，75% 的新加坡受访者已经在部署或试点 AI 智能体，说明新加坡企业并不缺少 AI 尝试。

随着试点项目增多，企业内部数据系统的压力开始显现。新加坡受访者最常提到的障碍，是实时数据处理能力不足，比例为 78%。紧随其后的是数据归属分散和管理 AI 所需技能不足，比例均为 73%。这些问题共同指向数据从产生、归属到调用的链条尚未完全理顺。

这类短板在 AI 智能体项目中更容易被放大。95% 的新加坡受访者已经或预计会在数据基础设施和数据质量方面遇到困难，另有 95% 提到旧系统整合问题，93% 关注大语言模型可靠性。超过 73% 的受访者表示，相关项目已经停滞，其中一半已经完全放弃。

对企业而言，AI 智能体要承担客服、欺诈检测和运营自动化等任务，需要持续获取最新业务数据，并判断数据来源、时间、质量和权限。若数据分散在客户系统、交易系统、风控系统和运营工具中，又缺少统一的数据流和治理规则，模型能力再强，也难以稳定转化为业务动作。

由此，数据治理在企业 IT 投入中的权重也在上升。86% 的新加坡 IT 负责人把持续掌握最新业务状态列为优先事项，86% 认为有效管理数据主权很重要，82% 重视数据来源和追踪能力。对于金融、医疗、公共服务等行业，数据能否被追溯、解释和合规使用，会直接影响 AI 系统可承担的业务范围。

预算安排也反映了这种变化。90% 的新加坡受访者将数据管理和治理列为投资重点，86% 把数据流处理列为优先方向，85% 关注 AI 和机器学习解决方案。在已经投入相关能力的企业中，65% 表示数据流处理帮助改善客户体验，61% 提到内部流程自动化水平提升。

从这些数据看，新加坡企业 AI 落地的关键问题，正在从试点数量转向数据基础能力。实时数据、数据治理和旧系统整合跟不上，AI 智能体很容易停留在测试项目。相反，能够把分散数据整理为实时、可信、可追踪数据流的企业，才更有机会把 AI 投入转化为客户体验、运营效率和风控能力上的实际改善。