AI代理把机密写进提案，没人能画出数据路径

销售代表向 AI 代理要客户报价。代理从受限定价系统、内部沟通记录和归档报价里拉数据。输出看起来没问题，第二个代理接着用它起草提案。两个交接都没有人检查。直到提案里出现未批准、机密、敏感信息，团队才发现没人能说清问题数据从哪进入工作流，又怎么穿过系统、文件和代理。

这个场景来自 MIT Technology Review Insights 与 Cyberhaven 的定制报告。它要说明的事不复杂：企业把 agentic AI 放进日常流程后，治理对象变了。静态文件之外，还有持续被读取、复制、摘要、改写、复用、再分发的数据。数据在动，而且碎。

传统安全习惯围着应用、系统、网络和端点布防。面对多个 AI 代理接力，这套视角不够用。代理 A 的输出是代理 B 的输入，中间还可能经过文件、聊天记录、向量库或工单。权限检查能挡住一次访问，挡不住数据在合法访问之后被改写、拼接、再传播。到最后，提案看起来语法正确，事实也可能正确，合规上却已经越线。

所以数据血缘（data lineage）被摆到台前。它要回答的问题很具体：这条数据从哪来，经过了谁，在哪一步被摘要或改写，最后进了哪个输出。对人类、AI 代理和混合工作流，追踪都要成立。没有这层可见性，治理、问责和信任很难落地。报告提到 NIST 的 AI 风险管理框架，思路类似：风险要能被识别、记录和管理。

报告由 MIT Technology Review 的定制内容团队 Insights 制作，属于定制内容，与编辑部报道分开。它由人类研究和撰写，AI 工具只限生产流程且有监督。这个披露值得保留。企业采购 agentic AI 时，容易被演示里的自动化吸引，真正麻烦的是出事后能不能还原路径。一个代理把机密写进提案，另一个代理把提案发出去，责任不会因为链路里多了 AI 就自动消失。

如果团队现在还用“模型很安全”来回答 agentic AI 治理问题，审计时大概会卡住。先画出数据怎么流动，再谈权限和策略，顺序更稳。

下载报告

参考链接：NIST AI Risk Management Framework