HubSpot 在 2025 年秋季 Spotlight 大会上进一步强调了数据基础的重要性。随着 AI Agent 从单一功能扩展到 Prospecting Agent、Customer Agent、Deal Progression 等多个 Agent，它们需要共享的不再是零散的数据，而是统一、可靠的客户数据。

但在实际应用中，很多企业的数据仍然分散在不同系统中，不同部门对字段的定义也可能存在差异。

因此，AI Agent 能否稳定运行，很大程度上取决于企业现有的数据质量和数据结构。

一、为什么仅有 AI 工具还不够

很多企业在引入 AI 时，会优先关注模型、工具和功能，但数据基础往往容易被忽略。

例如：

• 客户数据分散在多个系统；
• 同一个字段在不同部门有不同定义；
• CRM 中存在重复、过期的数据；
• 部分关键客户信息缺失；
• 不同系统之间缺少统一的数据标准。

这些问题并不是 AI 本身造成的。

如果底层数据存在问题，AI Agent 获取到的上下文也可能不完整，最终影响判断和执行结果。

因此，AI 应用的准备工作不仅是选择工具，还包括数据整理、统一和治理。

二、数据质量会如何影响 AI Agent？

AI Agent 通常需要读取 CRM、客户资料、交易记录等数据，再根据这些信息执行任务。

如果数据存在重复、过期或错误，就可能影响 Agent 的判断。

例如：

• Prospecting Agent：可能使用过期的联系人信息进行触达；
• Data Agent：可能基于重复数据进行字段处理；
• Deal Progression：可能根据错误的交易阶段给出建议；
• Customer Agent：可能读取过期的客户资料或知识内容。

因此，Agent 并不会自动解决底层数据问题。

数据质量越高，Agent 获取的上下文越准确；数据质量存在问题，则可能进一步影响自动化任务的结果。

三、数据治理为什么越来越重要？

在传统系统中，数据治理更多属于后台的数据管理工作。

但随着 AI Agent 开始参与销售、客服和运营流程，数据质量会直接影响 AI 的实际使用。

一个 Agent 可能需要同时访问：

CRM → 客户数据 → 产品信息 → 销售记录 → 服务记录

如果这些数据之间无法连接，或者字段格式和权限规则不统一，Agent 就很难完成跨系统任务。

因此，AI Agent 的应用通常需要同时考虑：

• 数据是否完整；
• 数据是否准确；
• 不同系统的数据能否关联；
• 字段和数据格式是否统一；
• Agent 是否拥有必要的数据访问权限。

从这个角度来看，数据治理已经成为 AI Agent 应用的一部分。

四、企业可以从哪里开始？

企业不需要在一开始就把所有数据整理到完美状态。

更实际的方式，是先确定一个具体的 AI 应用场景，再根据这个场景梳理所需要的数据。

例如：

第一步：明确 AI 用例

例如客服咨询、销售线索处理或客户信息整理。

第二步：确定所需数据

明确 Agent 需要哪些数据，例如客户档案、沟通记录、产品信息等。

第三步：检查数据质量

检查重复联系人、缺失字段、过期信息以及数据格式等问题。

第四步：运行并持续优化

在实际使用过程中发现新的数据问题，再进行调整。

这种方式可以避免一次性进行大规模数据整理，也能够让数据治理与实际业务需求保持一致。

五、回到数据基础

AI Agent 的应用并不是单纯增加一个 AI 工具。

当多个 Agent 开始参与销售、客服和运营流程时，它们需要访问相同的客户数据和业务信息。

因此，企业需要关注的并不只是：

“我们有没有 AI Agent？”

还包括：

“AI Agent 能不能获取准确、完整、统一的数据？”

如果数据分散、重复或缺失，即使拥有更多 AI 工具，也很难充分发挥自动化能力。

反过来，当数据结构逐渐完善后，AI Agent 才有更稳定的基础去参与实际业务流程。

因此，AI Agent 的落地可以从一个具体业务场景开始，同时推动数据质量和数据结构持续完善。