药企谈数据质量，最容易把注意力放在缺失值、格式、数据库和dashboard上。但真正昂贵的后果发生在决策层：一个靶点要不要做，一个适应症值不值得进入，一个candidate能不能推进临床，一个安全信号是真风险还是噪音，一个项目还要不要继续投入5000万美元。只要支撑这些判断的数据不可信，损失就不再是“数据问题”，而是研发效率和资本配置问题。

Target selection尤其典型。Human genetics、omics、literature、RWE可能分别支持不同结论，但如果gene annotation版本不同、phenotype定义不一致、sample metadata缺失、分析pipeline无法复现，团队讨论的表面上是biology，实际上大量时间是在判断“哪个数字是真的”。更危险的是，证据最多的target未必最可靠：20条高度相关、来源重复的证据，可能还不如3条相互独立、具有清晰provenance的人体因果证据。

数据不可信最大的成本，也许并不是Decision error，而是Decision latency。一个原本两周可以完成的Go/No-Go，因为不同团队结果对不上，经历data reconciliation、re-analysis、meeting、challenge、additional analysis，再开一次meeting，最后拖成两个月。与此同时，高水平scientist开始承担一种隐形的Decision tax：不是创造新知识，而是反复找文件、核版本、查来源、解释为什么两个团队得到不同答案。

AI Agent会进一步放大这个问题。过去一份错误的metadata可能只影响一个分析师；未来Agent自动读取内部数据库、文献、临床数据并生成target ranking、safety assessment和portfolio recommendation后，一个ontology mismatch或错误annotation可能被复制到几十甚至几百个决策中。AI提高的不只是正确决策的速度，也可能提高错误传播的速度。没有可信数据底座，Agent越强，潜在风险反而越大。