2026 年，智能体将在企业级应用中取得哪些实质性突破？点击下载《2026 年 AI 与数据发展预测》白皮书，获悉专家一手前瞻，抢先拥抱新的工作方式！
采用 AI 并展现实际价值的压力真实存在。而 AI 愿景与能够产生实际影响的成果之间，也确实存在差距。
在 Snowflake Summit 大会上，我们向公共部门领导者提出了一个问题：如何从市场推动 AI 应用的压力出发，最终实现与机构使命相匹配的规模化成效？两场公共部门专题会议给出了共同的答案：要让 AI 在生产环境中真正创造价值，关键工作早在模型部署之前就已经开始。
这意味着，必须优先建立支撑 AI 生产级应用的数据基础、治理架构，并实现组织层面的目标协同。
下文将深入探讨公共部门领导者分享的三条经验，了解如何弥合 AI 价值差距。
经验一：首先构建坚实的数据基础
AI 无法修复存在缺陷的数据基础设施，反而会暴露其中的问题。
佛罗里达大学（University of Florida）开始探索 AI 应用时发现，其数据中仅有 10%–15% 完成了语义定义，导致基于这些数据生成的洞察并不完整，因而缺乏可靠性。¹ 为了解决这一问题，团队利用 NaviGator AI 和 Snowflake 的相关组件，开发了一套能够大规模生成自然语言定义的流程。据团队估算，如果完全依靠人工完成这项工作，需要耗费 83 周。²（数据来源：佛罗里达大学内部分析，截至 2026 年 6 月。）
佛罗里达大学数据工程经理 James Martinez 表示：“现在，我们已经构建了基础语义层，并在此基础上开发了一款名为 Navigator Insights 的产品。这是一款运行在 Snowflake 上的对话式分析产品，通过 MCP 服务器开放 Cortex Analyst 和搜索能力。”借助这一产品，团队如今可以使用自然语言提出问题，发现直接影响学校学生的数据趋势。
要做好 AI 应用准备，必须具备坚实的数据基础。数据治理、安全性和互操作性并非组织可以留待日后再解决的问题，而是组织在期待 AI 创新创造价值之前，就必须具备的基础要素。
经验二：从孤立的试点项目迈向企业级智能
大多数组织并不缺少 AI 试点项目，真正缺少的是能够规模化应用的 AI。
Alan Sim 拥有德雷塞尔大学（Drexel University）流行病学博士学位，现任国防与政府服务公司 Leidos 首席数据与分析官。该公司的 AI 应用已覆盖网络安全、退伍军人福利和物流等领域。他表示：“我们正在经历的转变，是从高度聚焦、相互孤立的一次性项目，转向思考什么才是真正的企业级应用。”
Leidos 多年来一直在使用 AI 和机器学习技术。对他们而言，挑战并不在于构建技术能力，而在于如何获得整个组织的支持，并将 AI 能力与高层管理者的整体优先事项相结合。
为了更好地管理不断涌入的 AI 试点项目和新工具需求，Sim 不再询问 Leidos 的各个团队想要什么工具，而是开始询问他们究竟想解决什么问题。
他表示：“有时候，问题其实很简单，只需要问一句：‘你确定需要一个智能体吗？也许你只需要自动化，也许这实际上是一项业务流程再造工作。’”他发现，严格遵循为具体问题匹配适当解决方案的原则，正是区分 AI 试点项目与真正能够创造价值的 AI 生产级应用的关键。
OpenAI 政府业务副总裁 Joe Larson 从模型的角度进一步强调了这一观点。他表示：“让政府能够将前沿模型与自身的数据基础设施相结合，构建出更加全面、架构更加完善的系统，这更具吸引力，而且我认为也将创造高得多的价值。”
提供模型能力只是起点。真正的目标是将模型与企业数据、工作流程和治理体系相集成，使其能够在实际业务中运行，从而产生更大的影响。
经验三：让 AI 与机构使命成果保持一致，而非只关注技术指标
许多 AI 项目之所以失败，主要原因在于它们没有与切实可衡量的组织成果建立联系。在公共部门，成功的衡量标准并非收入，而是实际产生的影响，因此这一挑战可能更加严峻。
Snowflake 公共部门现场首席技术官 Stephen Moon 表示：“在公共部门，一切都围绕使命展开。这些 AI 项目是否真正推动了机构使命目标的实现？”
通用动力任务系统公司（General Dynamics Mission Systems）的团队此前需要通过销售报价处理系统，处理数千份来自供应商的 PDF 文件。这些文件在格式、布局和术语方面各不相同。为了解决这些不一致的问题，团队曾尝试采用基于训练的方法，但最终未能成功。
随后，团队转而采用 Snowflake Cortex AI 的零样本提示（Zero-shot Prompting）技术，并在近期正式投入生产时，将准确率从 50% 提升至 85%。³（数据来源：通用动力任务系统公司内部分析，截至 2026 年 6 月。）
这一成果的衡量重点并非模型性能本身，而是直接影响任务交付的业务流程在处理速度、准确性和成本节约方面取得的改善。
从蓝图走向行动
纵观 Snowflake Summit 大会上分享实践的各家机构，包括通用动力、Leidos、OpenAI 政府业务部门以及佛罗里达大学，可以发现一条共同的主线：真正通过 AI 取得实际成果的组织，都会首先建立正确的基础，再有计划地推进应用。
他们会投入必要的时间，确保以下工作落实到位：
在部署模型之前，先建立统一且受到有效治理的数据基础；
在扩大 AI 试点规模之前，先明确符合企业级要求的应用场景；
在衡量投资回报率（ROI）之前，先确保 AI 项目与机构使命目标保持一致。
AI 技术已经准备就绪。对于大多数公共部门机构而言，真正的问题在于：它们的数据基础、治理架构和组织协同是否也已经做好了准备。
探索 Snowflake 的公共部门资源，评估您的 AI 就绪程度，逐步实现支撑机构使命的规模化成果。
原文地址：https://www.snowflake.com/en/blog/scaling-mission-ai-lessons-public-sector/
点击链接立即报名注册：https://www.snowflake.com/events/snowflake-ascent-china/更多 Snowflake 精彩活动请关注专区
