一个销售代表向 AI 代理询问客户定价，代理从受限的定价系统、内部通讯记录和归档报价中拼出答案；第二个代理接过这份数据，直接起草提案——全程没有人类核查任何一次交接。
发生了什么
MIT Tech Review 用上述场景引出「代理型企业」（agentic enterprise）的核心风险：当 AI 代理不再只是回答问题，而是自主取数、加工、再把结果交给下一个代理执行时，数据在企业内部的流转路径变得又长又隐蔽。片段中的关键细节是：输出「对代理来说看起来是准确的」，于是第二个代理毫无保留地采信。问题不在于某个代理算错了，而在于没有任何机制能回答「这个数字从哪来、经过了谁、是否该被这个代理看到」。文章给出的方向是数据血缘（data lineage）——追踪数据从源头到消费端的完整链路，把它作为约束代理行为的基础设施。
为什么重要
过去的数据治理是为人类分析师设计的：出错时有人回头查表、问同事、对账。代理型工作流把这条回路切断了。一个代理的输出成为下一个代理的输入，错误不会停在原地，而是被继承、被包装、被写进对客户的正式提案。更麻烦的是权限问题：代理为了「把事办成」，可能把受限定价系统的数据带进不该出现的上下文里，而下游代理无法判断这份数据是否越界。
数据血缘之所以被摆到台面上，是因为它同时解决两件事：可追溯性（每个结论能回溯到源系统和原始记录）和权限传播（数据被代理搬运时，其访问约束应随之传递，而不是在交接中丢失）。这与业界近一年反复讨论的代理可观测性、工具调用审计是同一根链条上的问题，只是视角从「代理做了什么」转向「数据经历了什么」。
影响与看点
对企业而言，代理落地的瓶颈正在从模型能力转向治理能力。采购和定价这类高敏感场景，很可能成为数据血缘的第一批强制要求场景——不是因为技术成熟，而是因为出错代价最高。对开发者来说，这意味着代理编排层需要内建来源标注与权限继承，而不是事后补日志；「每个代理输出都带出处」可能像今天的结构化日志一样成为默认实践。
值得关注的三个点：一是血缘粒度，追到表级还是字段级，直接决定可用性与成本；二是跨代理的权限继承如何标准化，目前更多是各家平台自定规则；三是人类核查点该放在哪里——全自动流程里保留少数关键闸门，可能比追求端到端无人更现实。
一个独立判断：数据血缘不会让代理更聪明，但它决定了企业敢把多大的权限交给代理。在治理工具跟上之前，代理型企业的扩张速度大概率由审计能力而非模型能力决定。
