指标算对了,AI 仍可能不该回答:Workday 与 Honeydew 的下一道门
语义层解决“怎么算”,权限解决“谁能看”。真正的企业 AI 测试,要把身份、时点、缓存与行动边界放进同一道查询。

一个经理问:“本部门本季度的人均奖金是多少?”系统可能使用正确公式、读到最新记录,甚至给出完全可复算的结果,却仍然不该回答。因为经理刚刚调岗,或者筛选后的群体只剩一个人。数字正确与披露获准,是两件不同的事。
这正是 Workday 拟收购 Honeydew 值得拆开的部分。11 月 18 日公告仍是收购意向,预计在截至 2027 年 1 月 31 日的财季完成,且有交割条件。它不是已经完成整合的证明。本文关心的不是再添一家 AI 公司,而是业务含义与查询权限能否同时被机器执行。
一把尺,不是一张通行证
语义层可理解为一份可执行的指标合同:分子和分母是什么、按什么时间归属、哪些记录可以关联、采用哪个业务版本。比如“人均奖金”可以按期末人数,也可以按季度平均全职当量计算。二者服务不同目的,不应由模型在回答时随意替换。
统一含义不等于强迫所有场景只有一个数字。更好的做法是给不同口径明确名字、负责人和适用条件。当“本季度”跨越公司财年和自然年,系统应该澄清,而不是用稳定的 SQL 悄悄固定一个错误理解。确定性只能保证同样输入产生同样计算,不能保证输入代表正确业务意图。
权限则回答另一组问题:谁在问、代理代表谁、允许哪些行和字段、用途是什么、现在是否仍有权。把公式交给编译器,并不会自动回答这些问题。若所有人最终都借用一个权限很大的服务账户,前端显示不同姓名也不代表数据库识别出了不同权限。
三个反例,比一次漂亮演示更有用
以下是架构测试情景,不是对 Workday 或其他产品已发生问题的指控。
第一,经理在上午获得访问权,下午调到另一个部门,聊天助手仍返回上午缓存的奖金结果。公式和原始查询都可能正确,问题在缓存能否随权限变化失效。缓存键至少需要考虑访问范围与策略版本;仅以问题文本命中结果,会把一次获准查询变成可重复分发的数据副本。
第二,用户能看部门总额,也能看“排除某一员工”的总额。两次合法聚合相减,可能推导个人奖金。行级过滤与字段遮罩并不自动阻止这种组合推断。敏感场景还需要最小群体、查询组合约束或人工审批;拒绝回答有时比返回一个“合规字段”更符合真实规则。
第三,实时查询返回了今天的组织结构,却被用来解释上季度的人均成本。新鲜不等于适用:历史分析需要当时有效的归属、指标版本和数据截止点。对月结报告而言,可复现的已批准快照,反而可能优于不断变化的实时数字。
这三种失败分别发生在授权有效期、结果组合和业务时间。换一个更会写 SQL 的模型,并不会直接修好它们。
不只有一条产品路线
Workday 提出的原生整合路径,是把语义与自身业务权限更紧密结合;其未发布能力仍应按计划而非现有保证理解。另一条路径是在已有数据平台内执行策略。Snowflake 文档说明,行访问策略在查询运行时决定返回哪些行。这表明查询时治理并非只有一种实现,也不能把“进入仓库”直接等同于“失去治理”。
还有把共享指标与明确凭据映射组合的路线。dbt 文档将服务令牌关联到底层数据平台凭据。这提醒采购者:应该追问最终用了谁的访问范围,而不是只问有没有语义层。不同团队凭据或用户级身份各有运维成本,不能靠一个统一入口掩盖这些选择。
对少量高风险任务,预先批准的查询模板也可能更合适。它牺牲问题自由度,却缩小可执行空间,便于审计。对跨系统经营分析,仓库仍可能是实用选择,但要承认刷新延迟、权限同步和历史版本维护的成本。原生实时路线则需要证明跨系统身份与业务口径如何衔接,而非只展示单一系统内的一次成功。
验收对象应是一条证据链
采购测试不该止于“答案和仪表盘相同”。同一问题应在不同身份、调岗前后、不同截止日期与缓存命中条件下重跑。需要记录选中的指标版本、授权主体、数据范围、策略判断和结果时间;答案被拒绝时,也应有能审计而不泄露敏感细节的原因。
最后还要单独测试行动。看到奖金预算不意味着可以更改奖金,读懂应付账款也不意味着可以付款。查询权限、写入权限与审批责任必须分开验证。语义合同可以让代理理解数值,却不能自行授予代理处理数值所代表资源的权力。
因此,值得观察的商业价值不是提示词少了多少,而是减少重复口径维护之后,是否仍能在权限变更、历史复算和跨工具调用中守住边界。Workday 的公告提供了方向,真正的交付证据应是:系统不仅知道怎么算,还能证明为什么这个人此刻可以得到这个答案。
内容仅供参考,不构成投资、法律、税务或财务建议。