缩小 AI 差距：下一代知识访问如何为政府解锁任务成果
作者：来自 Elastic Oksana Abramovych
一份基于对 685 名公共部门受访者调查的最新 IDC Spotlight 报告发现，72% 的受访者认为，将 AI 从试点扩展到生产环境 “非常困难” 或 “有些困难”。¹ 选择合适的模型只是挑战的一部分。政府机构还需要为 AI 做好数据准备。
成功应用 AI 的政府机构正在构建一个受治理的检索层，通常称为下一代联邦知识访问，它能够将权威知识连接到 AI agents，同时保持数据主权、可审计性以及公众信任。
全球公共部门组织正处于这一充满挑战的交汇点：预算不断缩减、监管义务持续增加、公民期望不断提高，同时 AI 正在重塑各种可能性。政府关注的重点已不再只是是否采用 AI，而是如何在保持治理和控制的同时，以负责任的方式实现 AI 的规模化应用。
本报告深入解析了 IDC 研究揭示的 AI 大规模应用的运营现实，以及为什么下一代联邦知识访问正成为超越试点阶段的重要基础。
什么是下一代知识访问？
下一代知识访问代表了一种查找、理解和使用信息的先进方法，它突破了传统搜索方式和静态知识库的局限。
在公共部门，这意味着 AI 系统和操作人员能够在正确的时间、结合正确的上下文访问正确的知识，无需再手动跨多个彼此孤立的数据源进行搜索。
为什么政府面临着扩大 AI 应用规模的压力
财政压力正在许多地区不断加剧。在接受评估的 193 个联合国成员国中，对韧性基础设施和先进技术的投资仍在持续增长。² 各级领导者被要求用更少的资源取得更好的成果，因此他们正借助 AI 来缩小这一差距。
对于公共部门领导者而言，其战略意义十分明确。AI 已不再是一项可有可无的创新计划，而是越来越成为政策制定和公共服务交付的优先事项。那些无法将 AI 实现运营化的政府机构，将面临来自监督机构、民选官员以及其所服务公众日益增长的压力。
实现 AI 运营化，本质上是一个数据准备就绪的问题
72% 这一数字值得深入分析。 IDC 的研究指出，阻碍 AI 规模化应用的主要障碍包括：技能缺口、安全与合规风险，以及数据准备就绪程度。¹
传统数据仓库是为经过整理的结构化数据进行周期性分析而构建的。而 Agentic AI 则依赖于快速、受治理地访问更广泛的知识面，其中可能包括：
政策和流程
案件记录和往来通信
通话记录、表单和运营日志
实时网络安全威胁信号
这些内容大多数都是非结构化数据，并存放在彼此孤立的系统中，因此难以进行关联分析。并且，在当前状态下，这些数据可能无法被 AI agents 发现或使用。
这一挑战通常出现在检索层。如果无法以受治理的方式访问权威知识，AI 应用可能会产生可靠性较低的输出，从而使政府机构更难建立和维持公众信任。
传统数据平台与下一代知识访问
| 能力 | 传统数据仓库 | 下一代知识访问 |
|---|---|---|
| 主要用途 | 周期性报告与分析 | 实时 AI 基础支撑和 agent 检索 |
| 数据类型 | 结构化、经过整理的数据 | 结构化、非结构化、半结构化数据 |
| 检索方式 | SQL 查询 | 混合搜索（词法搜索和语义搜索） |
| 数据主权控制 | 有限 | 内置数据驻留、审计和权限过滤 |
| 最适用场景 | 历史数据仪表板 | 检索增强生成（ RAG ）、Agentic AI、对话式助手 |
查看完整研究：下载关于缩小政府 AI 差距的 IDC Spotlight 报告，深入了解调查数据、全球政策格局以及架构指导。
为什么 Agentic AI 对检索质量提出了更高要求
公共部门环境正朝着多 agent、多模型架构发展。正如报告所指出，65% 的受访者计划针对不同用例采用不同模型，35% 的受访者计划编排多种模型来完成复杂任务。¹ 这使架构目标从 “一个能够提供通用答案的助手” 转变为 “多个需要持续访问可信上下文的 agents 和应用”。
AI agents 的性能取决于它们所检索信息的质量。当 AI agents 支持案件管理、许可证审批、资助管理或集成网络安全威胁检测等关键流程时，较差的检索结果可能影响后续操作，在整个工作流中放大错误，并带来合规风险。
IDC 的数据反映了政府机构对此的应对方式。为了满足 Agentic AI 的行业定制化需求：
47% 将 AI agents 嵌入现有应用中
39% 利用领域专家反馈增强模型
35% 投资于垂直领域数据集成和知识库¹
上述每一种方法都依赖于一个受治理的检索基础。没有这一基础，定制化工作就无法实现规模化。
数据主权和治理如今已成为架构决策
相关法规正开始明确 AI 投入生产环境的要求。《欧盟 AI 法案》（ EU AI Act ）和《欧洲互操作法案》（ Interoperable Europe Act ）体现了全球范围内的一项更广泛趋势，即为可信、可互操作的数字公共服务制定正式标准。与此同时，数字主权和 AI 主权正日益影响采购决策和运营要求。
根据 IDC 的研究，正在规模化部署生成式 AI 和 Agentic AI 的公共部门组织优先关注：
数据驻留保障（46%）
安全防护措施，包括基于检索的基础支撑（ grounding ）和策略过滤（43%）
Prompt 和操作的可审计性（40%）
人工参与审批（ Human-in-the-loop ）（39%）
模型来源（ provenance ）和软件物料清单（ Software Bill of Materials， SBOM ）（38%）¹
这些要求需要从一开始就纳入考虑，而不是在部署完成后再补充。它们会影响整体架构、工具选型以及系统设计。正如 IDC 在与高级官员交流时指出的那样，政策制定者希望拥有能够在“危机时期仍然可控”的 AI 基础设施，这反映出关注重点正从单纯的数据存放位置要求，转向对 AI 发展路线图的战略自主权。¹
对于决策者而言，这意味着应在技术选型的早期阶段就评估治理和主权要求。只有当相关技术能够满足政府机构的合规要求时，模型性能才真正具有意义。
下一代知识访问的实际形态
三大融合趋势正在推动这一演进：
- 混合检索成为标准模式：混合搜索结合关键词（词法）搜索和语义搜索，以支持 RAG 和 Agentic 工作流，在精确匹配与上下文理解之间实现平衡。
- 开放集成协议：诸如 Model Context Protocol（ MCP ）等标准 —— 一种用于将大型语言模型（ LLM ）应用连接到外部数据源和工具的开放规范 —— 加快了集成速度，同时也提高了对连接对象及其日志记录方式的治理要求。
- 作为安全机制的安全与风险控制：权限过滤、敏感信息脱敏（ redaction ）、审计日志和来源追踪（ provenance tracking ）使检索架构能够符合诸如美国国家标准与技术研究院（ NIST ） AI 风险管理框架（ AI Risk Management Framework ）等框架的要求。³
这些能力共同将搜索转变为一项面向 AI 的检索服务，使数据能够保留在符合合规要求的位置，同时支持跨分布式系统进行受控、低延迟的数据访问。
政府机构可以期待实现的任务成果
当检索受到治理且保持一致时，其带来的收益将覆盖整个组织。对于 IT 团队和开发人员而言，标准化连接器、索引方法和检索 API 能够减少一次性的集成工作，加快各类项目的交付速度。对于安全和治理团队而言，这些能力可以减少不必要的数据复制，并使信息访问更容易审计。¹
政府机构可以期待获得：
统一的运营视图，打破数据孤岛，提高可见性，并为团队提供所需的上下文，以便更快、更准确地作出决策。
通过整合分散的搜索和检索工具，实现效率提升。
借助内置的权限过滤、敏感信息脱敏和审计日志，降低合规风险。
加快 AI 用例投入生产环境的速度，涵盖政府网络安全、案件管理和公众服务等领域。
对 AI 发展路线图拥有战略自主权，并能够根据政策要求部署到主权环境或本地部署环境中。
这些成果之所以重要，是因为监督机构和民选官员最终关注的是治理能力、可审计性以及任务成果的实际证据。如果一项 AI 投资无法证明能够实现这些成果，它就可能面临风险。
公共部门领导者下一步应优先关注什么
研究指出了一个明确的战略方向。扩大 AI 应用规模，主要不是模型选型的问题，而是架构问题，而检索层在其中发挥着关键作用。
根据 IDC 的研究结果，公共部门领导者应重点关注以下三个方面：
将数据准备就绪视为前提条件，而不是一项并行开展的工作。在扩大 AI 试点规模之前，应投资建设受治理的检索基础，以支撑未来的大规模应用。
从一开始就围绕主权进行架构设计。数据驻留、可审计性和人工监督并非只是合规检查项，而是决定平台选型的架构要求。
选择基于开放标准构建的平台。互操作性能够避免供应商锁定，并随着政策和地缘政治环境的变化，持续保障战略自主权。
现在就围绕这些重点采取行动的政府机构，将能够在未来两到三年内利用 AI 实现可量化的任务成果。
迈出下一步
由 Elastic 和 AWS 联合赞助的完整 IDC Spotlight 报告，提供了本文引用的完整调查数据、全球政策分析以及架构指导。下载 IDC Spotlight 报告：《缩小政府 AI 差距》。
- 探索 Elastic 面向公共部门的 AI 用例。
- 了解公共部门组织如何使用 Elasticsearch。
- 阅读《公共部门中的生成式 AI 和语义搜索》一文。
来源
- IDC，《北美政府与教育行业采购者洞察调查》，2026 年。
- 联合国，《电子政务调查》，2024 年。
- 美国国家标准与技术研究院（ NIST ），《 AI 风险管理框架》。
本文中描述的任何功能或特性的发布及发布时间均由 Elastic 自行决定。任何当前尚未提供的功能或特性，可能无法按时发布，甚至可能不会发布。
在本文中，我们可能使用或提及了第三方生成式 AI 工具，这些工具归各自所有者所有并由其运营。 Elastic 不控制任何第三方工具，也不对其内容、运行或使用承担任何责任，对于因你使用这些工具而导致的任何损失或损害， Elastic 亦不承担任何责任。在使用 AI 工具处理个人信息、敏感信息或机密信息时，请务必谨慎。你提交的任何数据都可能被用于 AI 训练或其他用途。我们无法保证你提供的信息会得到安全或保密处理。在使用任何生成式 AI 工具之前，你应先了解其隐私政策和使用条款。
Elastic、Elasticsearch 及相关标识是 elasticsearch B.V. 在美国及其他国家的商标、标识或注册商标。所有其他公司名称和产品名称均为其各自所有者的商标、标识或注册商标。
原文：Closing the AI gap in government: Next-gen knowledge access | Elastic | Elastic Blog