前言
当一家律所兴奋地部署 Agentic AI 后，发现 Agent 调取的文件权限混乱、敏感交易数据未经脱敏就流向了协作工具——这不是 AI 的问题，而是这家律所过去十年信息治理失败的总爆发。Womble Bond Dickinson 律师事务所的实践揭示了一个被严重低估的事实：Agentic AI 的真正瓶颈，不是模型能力，而是数据质量。
从工具到伙伴：Agentic AI 的本质跃迁
理解为什么信息治理突然变得关键，先要理解 Generative AI 和 Agentic AI 的根本差异。
Generative AI 是一个你主动使用的工具——你提问，它回答，你控制边界。Agentic AI 则不同，它更像是一个可以自主行动的同事——你设定目标，它决定路径，它执行。
用 Womble Bond Dickinson 团队的话说：
「如果 Generative AI 像一个你咨询的顾问，Agentic AI 更像一个你可以委托的Associate。你设定目标，它来想办法实现。」
这意味着，当一个 Agent 被委托进行「跨部门合同审查」时，它可能自主读取：客户资料库、案例库、邮件系统、合规文档、合作伙伴数据。任何一处权限漏洞，都可能成为数据泄露的通道。
两个真实场景的解剖
场景一：监管动态监控
一家在多个司法管辖区运营的客户，需要实时追踪各地区的法规变化。传统方式是律所 paralegal 手动扫描立法更新，成本高、响应慢、容易遗漏。
Agentic 方案则是：Agent 持续监控各地区立法动态，过滤出与客户业务相关的条目，识别受影响子公司，调取排放数据（来自事务所安全知识库），生成 privileged memorandum 供合伙人审查——全程自主触发，无需人工逐一调度。
问题来了： paralegal 去做这件事时，权限边界是清晰的；Agent 自主行动时，谁来定义它能访问什么、不能访问什么？
场景二：复杂诉讼策略执行
律师给 Agent 的目标是：识别证人证词与并购估值内部通讯之间的不一致。Agent 自主构建时间线、交叉核对数字、标注逻辑漏洞、起草带有超链据的交叉质询脚本。
在这个过程中，Agent 可能访问：案件文件、电子邮件、合同草案、保密备忘录、第三方披露材料。任何一份文档的分类标签错误，都可能导致不该共享的信息被纳入分析。
信息治理为什么突然成为瓶颈
Womble Bond Dickinson 在实践中得出的结论是：在 Agent 操作系统性文件之前，必须有人能回答这五个问题：
- 该数据的分类是什么？
- 谁有权查看？
- 保留策略是什么？
- 适用于哪些信息隔离墙（Ethical Walls）？
- 哪些数据可以给 Agent 读取？
大多数律所没有在「粒度级别」上回答过这些问题。他们有信息治理团队，有文档管理政策，但这些政策的颗粒度是为人类设计的——人类可以理解上下文、感知风险、做出判断。Agent 没有这种能力，给什么就读什么。
真正的成本：不是 AI，是脏数据
Vendor 演示从来不会告诉你这些。AI 厂商展示的是完美的 demo 环境——干净的数据、清晰的权限、理想化的使用场景。真实的部署面对的是：
- 十年未整理的案件文件夹
- 散落在不同系统中的同一份合同不同版本
- 没有标签的敏感材料
- 未更新的文档保留规则
- 人员变动后无人清理的共享权限
Womble Bond Dickinson 的做法是将信息治理团队纳入 Agent 设计流程，而非仅依赖创新团队。这意味着在 Agent 上线前，信息治理团队需要对数据进行系统性盘点和分类——这不是几个月能完成的工作。
对 AI Agent 开发者的启示
这篇来自一线实践的文章，对 AI Agent 领域有几点关键启示：
第一，数据治理工具将成为 Agent 的标配基础设施。 随着 Agent 进入企业核心工作流，数据分类、权限管理、审计追踪等能力不再是可选组件，而是 Agent 可信赖的前提条件。
第二，Agent 的可靠性瓶颈在数据侧，而非模型侧。 业界习惯于将 AI 失误归咎于模型幻觉，但实际上，当 Agent 访问的是错误数据时，再强的模型也无法给出正确结论。
第三，「AI Ready」的本质是「数据 Ready」。 企业部署 Agentic AI 前，评估数据治理成熟度可能比评估模型能力更重要。
我们的判断
这篇文章的核心读者应该是正在或计划在企业环境中部署 AI Agent 的技术负责人。如果你所在的机构数据治理基础薄弱，不要被 Agent 的 demo 迷惑——部署 Agentic AI 之前，先问自己一个问题：我的数据准备好了吗？