Closing the AI gap: How next-generation knowledge access unlocks mission outcomes for government

缩小政府AI差距：下一代知识访问 | Elastic | Elastic Blog

缩小AI差距：下一代知识访问如何助力政府实现任务目标

作者：

Oksana Abramovych

2026年7月31日

• 在Twitter上分享 [在Twitter上分享]
• 在LinkedIn上分享 [在LinkedIn上分享]
• 在Facebook上分享 [在Facebook上分享]
• 邮件分享 [通过电子邮件分享]
• 打印本页 [打印]

IDC近期发布的《焦点报告》基于对685名公共部门受访者调查发现，72%的受访者表示将AI从试点阶段扩展到生产环境"非常困难"或"有一定困难"。¹ 选择合适的模型只是挑战的一部分。机构还需要做好数据准备以支持AI应用。

成功应用AI的机构正在构建受控检索层，通常称为下一代联邦知识访问系统，该系统在保持主权、可审计性和公众信任的同时，将权威知识连接到AI代理。

全球公共部门组织正面临这一复杂局面：预算缩减、监管义务增加、公民期望提升，同时AI正在重塑可能性边界。政府的关注重点已不再仅仅是是否采用AI，而是如何负责任地扩大应用规模并保持治理控制。

本报告将解析IDC研究揭示的规模化AI运营现实，并解释为什么下一代联邦知识访问正在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更先进的信息查找、理解和使用方法，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、正确的上下文中获取所需知识，无需手动搜索分散的来源。

为什么政府面临扩大AI应用的压力

财政压力正在许多地区加剧。在被评估的193个联合国成员国中，对弹性基础设施和先进技术的投资持续增长。² 领导者被要求用更少的资源实现更好的成果，他们正借助AI来弥补这一差距。

对公共部门领导者的战略启示显而易见。AI不再是可选的创新计划，而是日益成为政策和服务交付的重点。无法实现AI运营化的机构将面临来自监督机构、当选官员和所服务公众的持续压力。

AI运营化本质上是数据准备问题

72%这一数据值得深入分析。IDC研究指出扩大AI应用的主要障碍：技能缺口、安全合规风险和数据准备不足。¹

传统数据仓库主要用于定期分析经过整理的结构化数据。而基于代理的AI依赖于快速、受控访问更广泛的知识表面，这可能包括：

• 政策和程序
• 案件记录和通信
• 通话记录、表格和运营日志
• 实时网络安全威胁信号

这些内容大多是非结构化的，存储在孤立系统中，难以关联分析。而且目前状态可能无法被AI代理发现或使用。

挑战通常出现在检索层。如果没有对权威知识的受控访问，AI应用可能会生成可靠性较低的输出，使机构更难建立和维护公众信任。

传统数据平台 vs. 新一代知识访问

| 能力 | 传统数据仓库 | 新一代知识访问 | |------|--------------|----------------| | 主要目的 | 定期报告和分析 | 实时AI基础和智能体检索 | | 数据类型 | 结构化、人工整理 | 结构化、非结构化、半结构化 | | 检索方法 | SQL查询 | 混合搜索（词法和语义） | | 主权控制 | 有限 | 内置驻留、审计、权限过滤 | | 最佳适用场景 | 历史仪表板 | 检索增强生成（RAG）、智能体AI、对话助手 |

查看完整研究：下载IDC Spotlight报告《政府领域弥合AI鸿沟》，深入探索调查数据、全球政策格局和架构指导。

为何智能体AI提高了检索质量的要求

公共部门环境正按设计成为多智能体和多模型的架构。如报告所述，65%的受访者计划为不同用例使用不同模型，35%计划通过协调多种模型类型完成复杂任务¹。这使得架构目标从“一个提供通用答案的助手”转变为需要持续访问可信上下文的多个智能体和应用。

AI智能体的性能取决于其检索信息的质量。当AI智能体支持关键流程（如案件管理、许可审批、拨款管理或集成网络安全威胁检测）时，低质量的检索可能会影响后续操作，在工作流中累积错误，并产生合规风险。

IDC数据显示了机构如何应对这一挑战。为满足智能体AI的行业定制需求：

• 47%将AI智能体嵌入现有应用
• 39%通过领域专家反馈增强模型
• 35%投资垂直数据集成和知识库¹

所有这些方法都依赖于受控检索基础。没有这个基础，定制化努力将无法扩展。

主权和治理现在已成为架构决策

法规开始定义生产环境中部署AI的要求。欧盟AI法案和互操作欧洲法案反映了全球范围内对可信、互操作数字公共服务的正式标准趋势。同时，数字和AI主权正日益影响采购决策和运营需求。

根据IDC研究，正在扩展生成式和智能体AI的公共部门组织优先考虑：

• 数据驻留保证（46%）
• 安全防护措施（包括基于检索的根基和策略过滤）（43%）
• 提示和操作的可审计性（40%）
• 人工介入审批（39%）
• 模型来源和软件物料清单（38%）¹

这些要求必须从一开始就考虑，而不是在部署后添加。它们塑造架构、工具选择和系统设计。如IDC与高级官员的对话所示，政策制定者希望拥有在危机时刻能够“控制”的AI基础设施，这反映了从数据位置要求向AI路线图战略自主权的更广泛转变。1

对于决策者而言，这意味着在选择过程中尽早评估治理和主权要求。只有在技术能够满足机构合规要求的前提下，模型性能才有意义。

下一代知识访问的实际表现

三种融合趋势正在塑造这一演变：

• 混合检索成为标准模式：混合搜索结合关键词（词汇）和语义搜索，支持RAG和代理工作流，在精确匹配与上下文理解之间取得平衡。

• 开放集成协议：标准如模型上下文协议（MCP）——一种连接大型语言模型（LLM）应用与外部数据源和工具的开放规范——加速了集成进程，同时提高了对连接内容和日志方式的治理要求。

• 安全机制中的安全与风险控制：权限过滤、脱敏、审计日志和来源追踪使检索架构与框架（如美国国家标准与技术研究院（NIST）人工智能风险管理框架）保持一致。

这些能力共同将搜索转变为AI就绪的检索服务，能够在合规位置保留数据的同时，实现分布式系统中受控、低延迟的访问。

机构可预期的使命成果

当检索过程受到治理并保持一致性时，好处将贯穿整个组织。对于IT团队和开发人员而言，标准化的连接器、索引方法和检索API减少了零散的集成工作，加快了项目交付速度。对于安全和治理团队而言，他们可以限制不必要的数据复制，并使信息访问更容易审计。

机构可预期：

• 一个打破数据孤岛、提升可见性并为团队提供必要上下文的统一运营视图，帮助团队更快做出更明智的决策

• 通过整合碎片化的搜索和检索工具实现效率提升

• 通过内置的权限过滤、脱敏和审计日志降低合规风险

• 在政府网络安全、案件管理和公民服务等AI用例中实现更快的投产时间

• 对AI路线图的战略自主权，可根据政策要求在主权或本地环境中部署

这些成果至关重要，因为监督机构和当选官员最终将寻找治理、可审计性和任务影响的证据。无法证明这些成果的人工智能投资可能面临风险。

公共部门领导者下一步应优先考虑的事项

研究指出了明确的战略方向。扩展AI并非主要是模型选择问题，而是架构问题，而检索层在其中发挥关键作用。

根据IDC的研究结果，公共部门领导者应优先考虑以下三点：

• 将数据准备视为前提条件，而非并行工作流。在扩展AI试点项目之前，应投资建设能够支持规模化部署的受控检索基础架构。

• 从一开始就设计主权保障。数据驻留地、可审计性和人工监督不仅是合规性检查项，更是塑造平台选择的架构要求。

• 选择基于开放标准的平台。互操作性可以防止锁定，并在政策和地缘政治条件演变时保持战略自主权。

现在优先处理这些重点的机构将在未来两到三年内通过AI实现可衡量的任务成果。

下一步行动

由Elastic和AWS联合赞助的完整IDC Spotlight报告提供了本文多次引用的完整调查数据、全球政策分析和架构指导。下载IDC Spotlight报告：弥合政府领域的人工智能鸿沟

• 了解Elastic在公共部门的AI应用案例。
• 了解公共部门组织如何使用Elasticsearch。
• 阅读关于生成式AI（GenAI）和公共部门语义搜索的文章。

资料来源：

• IDC，《北美政府与教育采购者情报调查》，2026年。
• 联合国，《电子政务调查》2024年。
• NIST，《人工智能风险管理框架》。

本文中描述的任何功能或功能的发布时间和时机均由Elastic单方面决定。任何当前不可用的功能可能无法按时或根本不会交付。

在本文中，我们可能使用或引用了第三方生成式AI工具，这些工具由其各自所有者拥有和运营。Elastic对第三方工具没有任何控制权，也不对这些工具的内容、操作或使用承担任何责任或义务，也不对因使用这些工具而可能产生的任何损失或损害负责。在使用包含个人、敏感或机密信息的AI工具时请格外谨慎。您提交的任何数据可能用于AI训练或其他目的。无法保证您提供的信息将被安全或保密地保存。在使用任何生成式AI工具之前，请熟悉其隐私政策和使用条款。

Elastic、Elasticsearch及相关标识是elasticsearch B.V.在美国和其他国家的商标、徽标或注册商标。所有其他公司和产品名称都是其各自所有者的商标、徽标或注册商标。

分享