AI 智能体的瓶颈不是模型性能——而是权限问题（3分钟阅读）

# AI 代理的瓶颈不是模型性能——而是权限 来源：https://venturebeat.com/orchestration/the-ai-agent-bottleneck-isnt-model-performance-its-permissions 企业级 AI 代理正在停滞不前——不是因为模型性能，而是因为权限问题。每一个代理工作流最终都会撞上同一堵墙：这个代理被允许触碰哪些数据、代表谁行动，以及系统如何知道这些？ Workday 的答案是将其现有的记录系统变成代理的治理层。该公司产品与技术总裁 Gerrit Kazmaier 在接受 VentureBeat 采访时表示，客户在拼凑代理解决方案时常常遇到困难。 “Sana 确保审批和安全性模型的完整性始终得到遵守，”Kazmaier 说。“坦白说，这正是我们看到客户在尝试通过直接访问原始数据来构建 DIY AI 时所面临的困境——安全性模型的丰富性丢失了，结果变得过于宽泛。” Workday 于 3 月推出了 Sana（https://newsroom.workday.com/2026-03-17-Introducing-Sana-from-Workday-Superintelligence-for-Work-That-Finds-Answers,-Takes-Action,-and-Automates-Workflows），并扩大了与 Google 的合作，将其 Sana 代理记录系统引入 Gemini Enterprise（https://venturebeat.com/orchestration/google-and-aws-split-the-ai-agent-stack-between-control-and-execution）——因此基于 Sana 构建的代理在那里也可被发现。 ## 构建精确性 Kazmaier 表示，他们面临的最大障碍是确保代理的准确性，尤其是对于人力资源和财务用户。 “几乎正确是不可接受的，”Kazmaier 说。“想想看，正确支付薪酬、完成账目结算或可靠地管理工作排班。” 这里评估准确性的难度比大多数 AI 场景都要高。策略配置、基于角色的安全机制和组织层级结构深度相互关联——一个小错误会被放大。而且与大多数生成式 AI 输出不同，人力资源和财务查询往往缺乏纠正循环。等到工资单处理错误或面试安排出错时，损害已经造成。 Workday 通过将 Gemini 作为基础推理层，并在其上添加其上下文引擎和业务流程逻辑来解决这个问题。Workday 还增加了验证和分类模型，在执行前对输出进行“审查”。 准确性和身份实际上是同一个问题：系统是否足够了解代理、授权人以及记录的当前状态，从而正确行动？ Workday 的优势在于，它能够从客户提供的数据中推断出其组织结构。第三方身份提供商（如 Okta）已经通过检查 Workday 来验证其信息，因此 Workday 的上下文成为许多企业的记录系统。Kazmaier 表示，Sana 自助服务代理使用 Gemini 作为对话界面来触发工作流。然后，用户通过 Workday 的身份和安全模型进行身份验证和授权。Sana 代理只会代表该用户行动，并只能在其当前权限范围内操作。 审计追踪遵循相同的逻辑：Gemini 仅保留交互日志，而主要审计日志保留在 Workday 及其客户内部。 对于人力资源和财务领域的许多从业者而言，代理记录系统中的权限和治理层在受监管领域中至关重要。 “它必须存在于记录系统中，这不是偏好问题，而是唯一可行的方式，”Würk 产品总监 Dan Obendorfer 在一封发给 VentureBeat 的电子邮件中表示。“如果你的权限定义在数据实际存储位置之外的某个地方，那你就已经输了。” Compance.AI 的首席技术官兼联合创始人 Kadan Stadelmann 也独立提出了同样的观点。“如果没有代理的所有权、性能、成本或操作，混乱就会产生。”