文章总结： 本文指出2026年79%企业已部署AI代理，但60%项目因数据质量问题失败。AI代理会放大企业底层数据缺陷，数据团队需从执行者转型为数据治理者，通过划定AI数据边界、搭建可信数据专区、建立审核机制来保障AI可靠运行。 综合评分： 85 文章分类： 数据安全,AI安全,安全建设,安全运营

79% 企业上线 AI，60% 项目翻车，数据人终于清醒了！

原创

石秀峰 石秀峰

谈数据

2026年5月25日 07:30 河北

在小说阅读器读本章

去阅读

来源：谈数据

全文共2816个字，建议阅读 8分钟

2026 年，Gartner 调研显示，全球 79% 的企业已在生产环境正式落地 AI Agent。与此同时，IDC 相关报告指出，超 60% 的企业因数据质量短板受阻，直接造成各类 AI 项目延期停滞甚至彻底失败。

两组数据放在一起，行业真相一目了然。企业管理者盯着 79% 的部署率，认定自己紧跟潮流拥抱 AI 新趋势；而一线数据人直面 60% 的失败率，无奈陷入无休止的数据兜底与问题善后。

01 别被概念迷惑，读懂真正的 AI Agent

想要看清行业变局，首先要厘清 AI Agent 的核心逻辑，否则所有思考都流于表面。传统大模型仅局限于一问一答式文本交互，只负责被动应答，不参与实际执行，更不会校验结果真伪。而 AI Agent 拥有自主执行与自主决策能力，如同具备了独立的手脚与判断思维。接到业务任务后，它能够自主拆解流程、调用各类工具、自主抓取业务数据、完成数据分析研判，最终自动输出成果甚至落地执行，全程无需人工介入干预。

这也正是隐患的根源。以往数据团队出具报表、提供数据时，会凭借多年业务经验规避各类数据隐患：区分特殊业务口径、甄别异常数据表、梳理字段隐藏规则，凭借行业经验绕开数据库里各类隐形漏洞。但 AI Agent 不具备人工业务经验，只会机械按照字段字面含义读取数据。见到字段名称便默认统一释义，无视业务场景差异，无视历史口径变更，无视数据特殊处理规则。企业数据库里潜藏多少数据漏洞，AI Agent 就会精准踩中多少漏洞，更棘手的是，它不会主动报错预警，只会输出一份看似严谨无误的错误数据。

02 Agent 频频出错，最终背锅的始终是数据团队

其中的底层逻辑早已注定，却依旧有很多从业者未能醒悟。AI Agent 调取的数据，来源于数据团队统筹管理的业务数据库；它依托分析的核心指标，遵循数据团队制定的统一统计口径；它自动生成的各类分析报告，依托数据团队日常维护的元数据与数据字典。

数据链路层层关联，任何一环出现偏差，最终输出结果必然失真。一旦数据结论出错，业务端只会归咎于底层数据源问题，企业管理者也会明确界定：智能工具是外部引入，企业内部数据体系由数据团队全权负责。AI Agent 无岗位职责、无绩效考核、无需承担业务后果，无法主动辩解澄清。到头来，复盘追责、整改优化、承担业务压力的，永远是身处一线的数据从业者。

这早已不是行业预判，而是正在发生的职场现状。多家落地 AI Agent 的金融、实体企业反馈，数据团队参与 AI 数据异常复盘会议的频次，相较以往翻了数倍。以往业务与数据双向沟通核对，如今 AI 直接直达业务终端，所有数据问题全部溯源至数据端。

03 褪去人工缓冲，所有数据顽疾彻底公开化

这是 AI 时代数据行业最直观的变化，也是多数企业忽略的核心痛点。在传统数据工作模式下，大量数据质量问题能够被人工经验掩盖过滤。经过数据人员筛选修正后再交付业务使用，诸多隐性数据瑕疵长期隐藏在后台，难以被发现。

而 AI Agent 跳过所有人工审核缓冲层，直连底层数据库抓取原始数据，企业潜藏已久的各类数据乱象被彻底摆上台面，直观暴露在全业务视野中。字段命名含义混乱、同名称数据统计口径不一、空值数据处理标准不统一、跨时区数据统计偏差、历史指标口径变更未留存记录…… 诸多陈年数据问题集中爆发。

更被动的职场现状是，业务群体普遍更信服智能工具输出的结论。即便数据人员指出结果漏洞，也极易被质疑否定，人工经验在 AI 权威标签面前，渐渐失去话语权。

04 重速度轻根基，成为企业落地 AI 最大误区

当下行业普遍存在一个致命误区：绝大多数企业上线 AI Agent，一味追求落地速度，奉行先上线运行、后整改数据的粗放模式。这套发展思路，和早年盲目搭建数据仓库、批量制作业务报表如出一辙，最终结局也高度相似：遗留的数据问题永远得不到彻底根治。

数据质量隐患具备极强的叠加放大效应。劣质底层数据搭配传统人工报表，人工尚可及时察觉异常、修正偏差；而劣质底层数据搭配全自动 AI Agent，错误数据会以极高效率、极高频次批量输出，凭借智能工具的权威性，不断扩散错误业务结论，给企业经营决策埋下巨大隐患。

AI Agent 本质就是一面数据放大镜，会将企业所有底层数据缺陷成倍放大，以自动化形式持续向外输出。人工尚可修正的低分数据，经由 AI 直接输出后，错误范围、错误频次都会急剧扩增，这也是大批企业上线 AI 后，各类业务数据乱象集中爆发的核心原因。如今众多率先布局 AI Agent 的企业，数据团队早已无暇享受数字化红利，只能陷入被动救火、紧急修补数据漏洞的疲惫状态。

05 危机并存，找准定位才能跳出被替代困局

对于数据从业者与数据团队而言，AI Agent 既是职场危机，更是转型逆袭的绝佳机遇，未来走向完全取决于自身职业定位。

站在危机层面：如果依旧固守传统工作模式，局限于被动承接取数需求、编写 SQL 脚本、制作基础报表等重复性工作，那么 AI Agent 必然会逐步替代这类基础岗位。以往需要数日排期完成的数据统计工作，如今 AI 短短几分钟即可全自动完成，基础数据执行者的职场价值持续缩减。

站在机遇层面：AI 能够替代机械取数、自动制表，却永远无法替代数据治理核心工作，无法自主梳理统一业务口径，无法自主修复底层数据漏洞，无法搭建规范可信的数据体系。

而这正是数据人全新的核心职场价值：不再是单纯取数供数的执行者，而是把控数据标准、规范数据体系，让 AI 精准取数、正确用数的顶层搭建者。过去数据治理工作推进艰难，核心原因是无法直观体现业务价值，管理层重视程度不足。如今 AI 频频出现数据偏差，足以让企业看清优质底层数据的核心作用，数据治理迎来前所未有的推进契机。顺势牵头搭建标准化数据体系，筑牢 AI 运行数据根基，便是数据团队立足 AI 时代不可替代的核心底气。

06 趁早布局三件事，主动掌控行业主动权

切勿等到 AI 大规模爆发数据事故后，再仓促着手整改，提前布局方能掌握主动权，当下优先落地三项核心工作即可。

第一，划定 AI 数据使用边界全面梳理企业内部 AI Agent 日常调用的数据表、核心字段、常用业务指标，精准锁定数据使用范围。摒弃全域治理的繁重思路，优先聚焦 AI 高频使用数据，精准发力实现最高工作价值。

第二，搭建专属 AI 可信数据专区无需一次性完成全量数据治理，优先梳理整合 AI 高频调用的核心业务数据。完善字段业务释义、固化核心指标统一口径、完善动态更新的数据字典、标注已知数据异常隐患，搭建规范统一、清晰透明的可信数据圈层，为 AI 稳定运行提供可靠数据源。

第三，建立 AI 数据结果审核校验机制在企业核心经营、业务决策等关键场景，严禁 AI 数据结果直接落地使用。建立完善的人工二次校验审核流程，立足企业现有数据基础，稳步优化迭代，循序渐进放开使用权限，杜绝错误数据影响企业核心决策。

写在最后

AI Agent 全面普及已成定局，数据行业正式迎来全新格局重塑。固守传统基础执行工作，终将被智能工具逐步淘汰；跳出低端执行圈层，深耕数据治理、规范数据标准、筑牢数字化底层根基，赋能 AI 高效合规落地运行，方能在行业变革中站稳脚跟，牢牢守住自身不可替代的职场核心价值。

据统计，99%的数据大咖都关注了这个公众号

👇

免责声明：

本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。

任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。

本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。

本文转载自：谈数据 石秀峰 石秀峰《79% 企业上线 AI，60% 项目翻车，数据人终于清醒了！》