大多数 Agent 项目，最后死在数据地基上

结论

多数 Agent 项目不是死于模型能力不够，是死于数据地基不稳——Agent 需要的不只是"能查到数据"，是能理解数据的业务含义、知道自己有没有权限动它、并且在出错时能追溯到源头。这四层地基缺一层，Agent 项目就会在从试点到规模化的路上停下来。

发生了什么

麦肯锡 2026 年 4 月 2 日发布《Building the Foundations for Agentic AI at Scale》，给出了一组直接的数字：全球近三分之二的企业已经试验过 Agent，但把 Agent 真正规模化、创造可见价值的不到十分之一。十分之八的企业把数据方面的局限列为规模化的主要障碍。文章的核心论点是，Agentic AI 的规模化建立在数据之上，企业要抓住价值需要做四件事：把高价值工作流 Agent 化、升级数据架构、强制执行数据质量标准、演进运营模式。

文章具体描述了数据架构应有的样子：一种分层递进的数据处理架构（medallion architecture），把原始数据逐层清洗、丰富，加工成 Agent 可以直接使用的形态，同时全程保留血缘记录和可审计性；在此基础上，数据访问通过 API、查询接口和权限设置统一管控。文章还指出，因为 Agentic AI 需要持续协调多个模型和多个数据源、经常在无人工干预的情况下运行，它对治理的要求比传统系统更紧、更自动化，才能保证大规模运行时的可靠性和可控性。

2026 年 2 月 5 日，OpenAI 发布企业级 Agent 平台 Frontier。这个平台把原本分散的数据仓库、CRM 系统、工单系统和内部应用连接起来，让 AI Agent 获得共享的业务上下文——理解信息如何流动、决策发生在哪里、什么结果才算数，而不是只能看到孤立的一次查询结果。平台同时提供身份权限、共享上下文与治理机制，并支持 OpenAI、Google、微软、Anthropic 以及企业自研的 Agent 接入，不锁定单一模型供应商。首批采用的世界五百强企业包括惠普、Intuit、甲骨文、State Farm、赛默飞世尔和 Uber，BBVA、思科和 T-Mobile 处于试点阶段。这个产品设计本身就是麦肯锡那篇文章论点的一个实例：企业需要的不是更强的模型，是能把模型接进真实业务上下文、并且管得住权限的一层基础设施。

为什么这对企业重要

"近三分之二试验、不到十分之一规模化"这组数字说明，Agent 项目的失败大多不发生在概念验证阶段——那个阶段只需要一个整洁的演示数据集就能跑通。失败发生在从演示走向生产的那一步：真实数据是脏的、分散在十几个系统里、字段含义没有统一定义、谁能看什么谁能改什么从来没有被系统性地写下来。这时候 Agent 面对的不是"能不能生成正确答案"的问题，是"有没有资格拿到正确答案所需要的数据"的问题。企业如果把预算都花在模型和 Agent 编排框架上，却没有先把数据地基打好，规模化那道坎大概率跨不过去。

汉兴的判断

DataOS 的四层地基——接入、语义、权限、血缘——是 Agent 项目能否从试点走向规模化的前提，不是加分项。 这四层分别对应四种最常见的 Agent 项目失败模式：接入层缺失导致 Agent 拿不到数据；语义层缺失导致 Agent 拿到数据但理解错了业务含义；权限层缺失导致 Agent 越权访问或者因为过度保守而拿不到该拿的数据；血缘层缺失导致 Agent 出错后没人能追溯到问题出在哪一步。

四层地基不需要一次性建齐。我们的建议顺序是：先在一个业务单元里打通接入层和语义层，让 Agent 至少能"看懂"数据；再补权限层，控制住风险敞口；血缘层可以和前三层并行推进，但必须在第一个 Agent 项目进入生产环境之前完成，因为出问题之后再补血缘记录，等于没有记录。

一个中国企业的情境（示例推演）

以下情境用于说明框架用法，不对应任何真实客户，数据为示例推演。

一家华北零售企业启动智能补货 Agent 项目，试点阶段用一份人工整理好的样本数据，准确率表现良好，管理层批准全面推广。上线后三周内出现多次错误补货：同一个"库存"字段在采购系统里含税、在门店系统里不含税，Agent 沿用了试点时的口径，实际多算了 13% 的库存量；另有一次，某个促销活动的临时折扣规则没有被纳入语义定义，Agent 按原价计算了动销率，导致某品类补货量偏低，门店缺货。

项目组暂停推广，用六周时间做了三件事：把"库存""动销率""促销价"这几个核心字段在全公司范围内统一定义并写入语义层；给 Agent 设置了明确的数据访问权限边界，涉及跨区域调拨的操作必须经区域负责人确认；给每一次补货决策记录了完整的数据来源链路，出错后可以在十分钟内定位到是哪个字段、哪条规则出的问题。重新上线后，补货准确率保持稳定，且团队第一次能够在出错时快速定位原因，而不是重新排查整条链路。

反方观点与适用边界

这个判断在两种情况下需要修正。

第一，不是所有 Agent 项目都需要一步建齐四层地基。 单点、低风险、影响范围小的场景——比如内部文档问答——可以在接入层和轻量语义层就绪后先上线，用真实使用反馈倒推权限和血缘层的建设优先级，不必等到四层全部完备才启动第一个项目。四层地基是规模化的前提，不是启动的前提。

第二，麦肯锡这篇文章和 OpenAI Frontier 的发布都还比较新（分别为 2026 年 4 月和 2 月），大规模、跨行业的长期效果数据尚未公开积累。 我们采信其论点方向，但企业在落地时应把这套框架当作起点而非终点，按自己的实际数据成熟度调整节奏。

企业现在应该做什么

给 CEO：在批准下一个 Agent 项目预算前，先问一个问题——这条业务流程涉及的核心数据字段，有没有统一的定义和血缘记录。 没有，先把这个问题解决，再谈模型和 Agent 编排的预算。

给 CAIO：给正在推进或计划推进的 Agent 项目，逐一标注接入、语义、权限、血缘四层的完成度。 用红黄绿三色标记，红色项目暂缓推广，先补地基。这份清单本身就是接下来一个季度数据团队的工作计划。

给 FDE：交付前要求业务方提供核心字段的语义定义文档，而不是只要一份样本数据。 试点阶段表现好不能作为规模化的证据——真正的考验是数据地基能不能撑住生产环境里字段口径不一致、权限边界模糊、异常需要追溯这几种真实情况。

证据、来源与公开边界

• 麦肯锡（McKinsey & Company），《Building the Foundations for Agentic AI at Scale》，2026 年 4 月 2 日。https://www.mckinsey.com/capabilities/mckinsey-technology/our-insights/building-the-foundations-for-agentic-ai-at-scale
• OpenAI，《Introducing OpenAI Frontier》，2026 年 2 月 5 日。https://openai.com/index/introducing-openai-frontier/

文中华北零售企业情境为示例推演，不对应任何真实客户。四层地基框架为汉兴原创，未经第三方验证。

元信息

栏目 Enterprise AI　作者 汉兴 AGI 实验室　版本 v1.0　成稿 2026 年 8 月 12 日