评估企业智能体的数据底座，很多团队的起点是问"能接多少数据源、支持多少种模型"。这个顺序容易把项目带偏。智能体进入生产环境后暴露的问题，往往不是拿不到数据，而是拿到的数据说不清口径、担不了责任、跟不上变化。选型时真正需要核验的，是这四件事。
治理能力先于接入广度
客户、订单、合同、库存这类对象，常常分散在CRM、ERP、供应链系统和业务数据库中，同一概念在不同系统里的定义并不一致。智能体无法自行判断两份数据能否合并使用。所以评估时该问的不是"支持哪些数据源类型"，而是"能否把同一业务对象的定义统一收口"。数据目录、元数据管理、标准化和质量管理这几项能力，决定了智能体看到的世界是否自洽。
权限管理已不只是数据库管理员的事
企业数据的访问边界通常由部门、岗位、区域和业务流程多重叠加。智能体一旦具备查询或调用能力，权限就直接转化为业务风险。需要核实的是：平台能否继承或映射既有权限体系，是否支持访问审计、敏感数据识别，以及输出结果能否追溯到具体数据来源。这几项缺失，智能体就只能停在演示环境。
供给方式要按智能体类型分开看
知识问答类智能体的关注点是文档采集、内容切分、版本管理、检索与引用依据；流程执行类则要额外考虑结构化数据查询、系统接口调用、任务状态同步和异常处理。两者都叫AI应用接入，但数据供给路径完全不同。用一个"是否支持大模型"的问题去评价平台，基本得不到有效答案。此外，组织架构、产品目录、制度文件持续变动，平台是否支持持续维护，直接决定智能体会不会依据过期信息作判断。
效果评估要延伸到数据与业务链路
把评估框在回答质量上，很容易高估项目价值。更完整的做法是分四层看：数据质量，包括覆盖范围、准确性、时效性和口径一致性；应用效果，包括任务完成率、人工介入率、错误类型和处理时长；治理与安全，包括权限执行、敏感数据控制、日志审计和可追溯性；投入产出，包括数据整理成本、系统改造成本和运维工作量。一个回答流畅但引不出依据、识别不了用户权限的问答系统，企业使用价值其实有限；反过来，某些流程型智能体的价值不在生成内容，而在减少重复查询、缩短处理时间。
对尚未完成数据基础建设的企业，从大规模智能体项目切入，通常只会放大既有的数据质量和权限问题。更稳的路径是先选一个业务边界清晰、数据来源相对明确、结果易于衡量的场景，验证数据接入、治理、调用和审计能否连成闭环，再向其他部门扩展。数据底座的评估结论，最终要落到这条闭环上，而不是落在功能清单的长度上。