AI落地新困境：清理企业“数据屎山”正成新万亿风口？

从“买Agent”到“用Agent”的断崖式落差

在2026年的企业科技市场，一个略显讽刺的现实正在浮现：购买AI Agent变得前所未有的容易，但让Agent真正进入工作流却难如登天。

OpenAI、Anthropic、Google和微软等巨头都在争夺企业客户，Salesforce、ServiceNow等SaaS巨头则忙着将Agent嵌入其庞大的产品矩阵中。表面上看，企业只需在页面上点击几个按钮，就能获得一个能写代码、调用API的智能助手。然而，当这种理想化的场景撞上现实中的企业IT架构时，巨大的落差感扑面而来。

美国抵押贷款巨头CMG Financial的经历极具代表性。其首席战略官Paul Akinmade曾高调承诺，公司计划部署100个Agent以优化业务流程。前期，团队利用Claude Code辅助软件开发，进展顺利。但当他们试图将这些Agent引入Salesforce核心业务系统时，项目突然陷入停滞。

问题的核心并非技术能力不足，而是Agent无法理解企业多年积累的数据复杂性。在CMG的案例中，Agent面对的不是整洁的代码库，而是一个由不同部门、不同历史时期遗留下来的数据碎片组成的迷宫。销售部门定义的“活跃客户”与财务部门的定义截然不同，客服系统标记的“终止关系”在合规系统中仍需保留档案。

这些在传统软件时代依靠老员工经验勉强维持的“默契”，在逻辑严谨但缺乏常识的Agent面前，瞬间变成了必须解决的结构性障碍。错误的状态判断可能导致合规风险，错误的权限调用可能触发法律纠纷。对于Agent而言，这便是一座庞大、混乱且充满陷阱的“屎山代码”。

这一现象并非孤例。随着AI从“尝鲜”阶段进入“规模化部署”阶段，企业面临的真正瓶颈，已从模型能力转向数据治理与流程改造。

“前线部署工程师”的稀缺与爆发

为了跨越这道鸿沟，一个新的关键角色正在迅速崛起：前线部署工程师（Forward Deployed Engineer，简称FDE）。

与传统软件工程师不同，FDE不仅仅是开发者，他们更像是深入客户现场的“数字外科医生”。他们的工作不是编写通用的代码，而是理解特定的业务流程，将AI系统与复杂的现有企业环境进行适配。

这一角色最早由Palantir发扬光大，如今已成为AI落地的刚需。然而，人才供给极度匮乏。猎头公司Christian & Timbers的研究显示，美国目前真正具备将AI系统成功部署进企业并产生可量化回报能力的FDE仅有约2000人。

这种稀缺性直接推高了人才价值。2026年初，仅有5%至10%的企业计划招聘FDE，而到了第二季度，这一比例飙升至70%。大型咨询公司和云服务提供商纷纷扩编，部分资深FDE的年薪甚至突破20万美元，OpenAI等头部公司给出的上限更是高达34.5万美元。

FDE的价值不仅在于技术实施，更在于其带来的商业壁垒。Palantir的成功证明，部署团队能够深入客户内部，发现真实需求，修正产品方向，并建立极高的客户黏性。然而，这种模式存在天然缺陷：高度依赖人力，难以规模化复制。每增加一个客户，就需要增加一批高薪工程师，且不同企业的历史包袱各不相同，经验复用率极低。

如果AI落地始终依赖这种“人海战术”，其商业化前景将受到严重制约。这也催生了将“部署工作产品化”的新兴需求。

June的崛起：用软件代替人力清理“屎山”

正是在这种背景下，创业公司June获得了市场的迅速认可。

June由前Salesforce AI团队成员Efrat Rapoport等人创立。他们的核心洞察是：创建Agent模板并不难，难的是处理Agent下方的混乱数据环境。June提供的方法论是，先为企业系统制作一份详细的“病历”，扫描现有软件和数据库，识别业务流程断点、数据冲突和权限漏洞，然后生成一条清晰的实施路线图。

通过这种方式，June帮助CMG Financial厘清了Agent部署的优先级，甚至在实际启动会议前就协助部署了部分能力。2026年8月，June完成了2000万美元的Pre-seed轮融资，由Salesforce创始人Marc Benioff旗下的Time Ventures领投，Michael Dell、Aaron Levie等科技界大佬参投。值得注意的是，这笔融资甚至没有准备传统的商业计划书，市场对其模式的认可度极高。

June试图解决的核心痛点是：如何将FDE的工作拆解为可标准化的软件流程？通过自动化诊断和路线规划，减少对人力的依赖。如果这种能力能够跨企业复用，June就能将原本按人天收费的咨询服务，转化为可大规模销售的产品。

这比再造一个Agent更具商业吸引力。因为模型能力正在趋同，调用成本持续下降，企业可以在不同大模型之间自由切换。但企业的数据结构和业务逻辑却是独特的、沉重的、难以迁移的。谁掌握了清理这些“数据屎山”的工具，谁就占据了Agent与企业旧系统之间的关键控制层。

三方博弈：谁将吃掉“擦屁股”的生意？

“给旧系统擦屁股”从一项维护成本转变为高增长的生意，但这笔预算最终会流向何方？市场正在呈现三种可能的终局。

第一种可能是以June为代表的创业公司成功实现产品化。这类公司不拥有最强的底层模型，也不掌握企业的原始核心数据，但凭借中立的技术视角和自动化的诊断能力，它们能够高效连接不同模型与SaaS产品。如果June等产品能显著减少驻场工程师的需求，它们将直接冲击传统咨询公司如埃森哲、麦肯锡的市场份额，重塑IT服务的价值分配。

第二种可能是Salesforce、ServiceNow等传统SaaS巨头自我进化并拿走大部分利润。Agent越强，对高质量、结构化数据的需求就越迫切。Salesforce等系统长期积累的客户数据、权限体系和合规记录，构成了Agent无法绕过的“事实来源”。Agent越智能，这些旧系统的价值反而越大，因为它们提供了Agent运行所需的稳定底座。June模式被验证后，SaaS巨头完全可以通过内置功能或收购直接切入这一市场，从而延长其传统软件的寿命，甚至加速“SaaS末日论”的破产。

第三种可能性则最为残酷：企业技术债无法被彻底产品化。

修改数据字段表面上是技术问题，实质上是重新划分部门权力。取消一道审批流程，意味着利益格局的重构；统一两套数据标准，意味着某个部门必须承认其历史工作的低效。这些涉及组织协调、责任界定和合规风险的问题，无法仅靠扫描数据库解决。

如果企业改造的核心始终是“人”而非“代码”，那么最终赢家可能是拥有庞大交付队伍的咨询公司。他们提供的不仅是技术解决方案，更是变革管理。在这种情况下，AI承诺的减少白领劳动，反而创造了一支更昂贵、更专业的技术顾问大军。

结论：黑箱中的价值

June能否跳出“人力依赖”的怪圈，取决于几个关键问题：不同企业间的诊断结果能否复用？收费模式是订阅制还是效果制？更重要的是，能否公开一批不依赖创始团队亲自陪跑的成功案例？

CMG的案例目前仅证明June比传统顾问更快找到了问题入口，但尚未证明其能力可以脱离具体的人工介入而大规模复制。

对于像CMG这样的企业而言，缺少的不是Agent，也不是预算，而是一张能够清晰说明旧系统如何运转、哪里可以拆除、出了问题谁负责的“地图”。

在AI真正走向标准化的过程中，那些能够打开企业黑箱、理清混乱数据、重构业务流程的人或工具，其价值可能远高于黑箱里的Agent本身。清理“数据屎山”不仅是一门赚钱的生意，更是企业实现真正智能化转型的必经之路。这场从“卖模型”到“卖清理服务”的变革，才刚刚开始。