让 AI 查“本月收入”，它可能顺利写出 SQL——数据库查询语言，也确实跑出了数字；但公司若同时存在几套“收入”定义，它可能随手选错。dbt 的 Daniel Poppy 认为，许多 AI Agent（能自主查数或执行任务的程序）卡在试点阶段，缺的不是更强模型，而是可信、可治理的业务上下文：也就是指标口径、业务规则和数据含义。
文章最值得注意的判断是：危险往往不是代码报错，而是查询能运行、答案却在业务上错误。dbt 建议把治理变成机器可读的约束，包括用数据契约拦下不合规格的数据、用测试持续检查数据质量，并以语义层统一“收入”等指标定义；再配合数据血缘追踪答案依据、以最小权限限制 Agent 可访问和操作的范围。文章引用的调查数字称，仅 16% 的公司已在企业规模部署 agentic AI，近 80% 的公司受数据访问问题限制，另有 70% 的受访者认为还无法充分信任和治理 Agent；不过原文未交代前两项数据的完整调查方法，且本文来自 dbt 官方博客，其方案判断带有产品立场。