背景：为什么受监管行业需要单独的基准
多数智能体采用率报告是跨行业的，把他们平均之后会丢失一个关键变量：出错的代价。在消费品行业，一个智能体把推荐文案写错了，损失是一次转化；在基金会计或理赔审核里，同样的错误可能触发监管报告义务。代价不同，治理的密度就不同，而治理密度决定了智能体真正能放权到什么程度。
SS&C 的这份调研把样本限定在金融与医疗两个行业，正是补上了这个变量。SS&C 自身的业务也集中在这两个领域：基金行政、转让代理、投资组合会计、资产与财富管理软件，以及保险与医疗行政管理。用官方材料里的说法，公司为超过 23000 家金融与医疗组织提供服务。
需要一开始就说明的利益关联：这份调研由一家销售智能体编排平台的公司发起，在其自有客户大会上采集，其结论天然与该公司的产品叙事方向一致。本文在引用时会逐条标注哪些是可独立核验的调研读数、哪些是厂商自身运营数据、哪些是产品主张。
其一是调研读数（148 位行业人士的回答，有样本定义与调研窗口，可作为行业参考但样本偏小）；其二是 SS&C 自己的运营数据（3571 个在用智能体、超 2 亿美元节省、每月约 70 亿 token，属于厂商自报，无第三方审计）；第三层是产品主张（WorkHQ、AI Gateway 的能力描述）。三层的可信度依次递减，混在一起读会得出偏乐观的结论。
样本与口径：148 人能说明什么
调研方法在新闻稿中有明确说明：SS&C 于 2026 年 9 月 15 日至 21 日对 SS&C Deliver 2026 的参会者与注册者中的 148 位行业领袖进行了调查，百分比四舍五入到整数。
这个样本定义带来三个必须承认的限制。其一，样本量 148 在统计上属于小规模，子群体切分后的置信区间会很宽。其二，受访者来自同一场供应商大会，对智能体的态度大概率高于行业平均，存在选择偏差。其三，参会者多为已有 AI 预算与规划的机构，初创期与观望期机构的声音缺席。
但它也有不可替代的价值：受访者高度集中于两个受监管行业，且多为能影响采购的决策者。跨行业大样本报告在切到「金融+医疗」这个子集时，样本量往往也只有一两百人，且缺少一致的提问时点。因此这份调研适合作为方向性基准，不适合作为精确比例引用。
目标排序：生产力在前，成本与风险在后
| AI 落地的预期成果 | 占比 | 在清单中的位置 |
|---|---|---|
| 员工生产力 | 87% | 首要目标，领先第二名 34 个百分点 |
| 更好的客户体验 | 53% | 次席 |
| 降低运营成本 | 44% | 第三 |
| 降低运营风险 | 43% | 第四 |
这个排序透露了两件事。其一，受监管行业谈 AI 时，主叙事仍然是人效而不是替代——87% 对 44% 的差距说明「降成本」在这两个行业并不是主要驱动力。其二，降低运营风险只排到 43%，与降低运营成本几乎持平，这一点与直觉相悖：在合规压力最大的行业里，风险目标理应更靠前。
一种合理的解释是，风险在这些行业被当作前置条件而非收益——它属于「必须做到」的基线，因此不被列为 AI 投资的预期成果。但另一种可能是，机构尚未把风险控制纳入 AI 项目的价值论证，而这恰恰会在规模化阶段变成障碍。调研本身没有区分这两种情况，本文在此只作提示。
渗透预期：48% 与其中的 18%
调研给出的渗透预期是：48% 的受访者预计三年内智能体将参与超过四分之一的运营工作流，其中 18% 预计参与超过一半。
把这两个数字拆开读更有信息量。说「超过四分之一」的 48% 里，有 30 个百分点落在四分之一到一半之间，是相对温和的预期；而说「超过一半」的 18% 是一批明确的激进者。值得注意的是，激进者与治理优先级之间存在关联：在预计智能体覆盖超过一半工作流的机构中，四成把全企业治理列为规模化成功的关键优先事项。这个相关性在方向上合理——打算放权更多的人，更清楚护栏的必要性。
同时也要看到，「预计」不是「已实现」。这是对未来三年的判断，而过去三年的类似预期在多个行业都被下调过。把它当作预算与架构规划的输入是合适的，当作市场规模预测则过早。
治理落差：43% 的一致性与四成人的优先级
| 治理相关读数 | 数值 | 含义 |
|---|---|---|
| 认为 AI 治理在全企业一致应用 | 43% | 不到半数，意味着多数机构是分片治理 |
| 把 AI 治理与遗留系统集成列为未来三年扩展的首要任务 | 约三分之二 | 治理与集成并列为扩展瓶颈 |
| 认为工作流编排关键 | 超过 50% | 编排被视作与治理同级的能力 |
| 认为衡量 AI 绩效与 ROI 对成功关键 | 约五分之一 | 只有两成把度量放在关键位置 |
| 激进者中把全企业治理列为关键优先 | 四成 | 放权越多，治理优先级越高 |
43% 这个数字是整份调研里最值得记住的。它的反面是：超过一半的机构，AI 治理在不同部门之间的执行并不一致。对受监管行业，这个状态有一个具体的后果——当监管问「这个决策是怎么做出的」，机构无法给出一个跨部门统一的答案。
而「只有约五分之一认为衡量 AI 绩效与 ROI 关键」与「87% 以生产力为目标」放在一起，暴露出一个结构性问题：多数机构定了人效目标，却没把度量当成关键任务。这直接导致 AI 项目在年度复盘时缺少可辩护的账。
工厂级数据：3571 个智能体与每月 70 亿 token
SS&C 把自己定位为自身产品的首要客户，称每个智能体在对外发布前都会先在 SS&C 内部运营中开发、测试并部署。这套做法给出了一组可以对照的工厂级数字。
| 指标 | 数值 | 来源口径 |
|---|---|---|
| 在用智能体 | 3571 个 | 厂商对外材料，未经第三方审计 |
| 累计节省 | 超过 2 亿美元 | 厂商自报，未披露计算周期与方法 |
| 月度 token 消耗 | 约 70 亿 | 厂商对外材料 |
| 数字员工 | 3500 多个 | 新闻稿口径 |
| AI 智能体（新闻稿口径） | 50 多个 | 与 3571 个口径差异显著，见下文辨析 |
| 服务客户数 | 23000 多家 | 公司服务规模 |
| WorkHQ 对关键开发流程的改善 | 生产与排障时间降低超过 90% | 厂商自报，仅限定于关键开发流程 |
这里有一处明显的口径冲突必须指出：新闻稿称 SS&C 以「3500 多个数字员工和 50 多个 AI 智能体」支持其全球客户，而对外材料又称有 3571 个在用智能体、超 2 亿美元节省。两个口径相差近 70 倍。合理的解释是，前者统计的是某一类正式发布的智能体产品，后者包含了所有内部自动化单元与模板化智能体，两者不是同一定义。但在缺少明确定义的情况下，这几个数字不应被直接用于推算单个智能体的平均成本或收益。
同样的谨慎适用于「节省超 2 亿美元」。它没有披露计算周期、基线定义与是否扣除平台成本，也无法区分来自传统自动化还是智能体。把它读作「这家公司在自动化上累计省下了一笔可观的美元」是合适的，读作 ROI 证据则不足。
AI Gateway：把治理从文档搬进运行时
SS&C 智能自动化与分析业务负责人 Rob Stone、首席技术官 Anthony Caiafa 在大会期间接受采访时，把治理的具体形态讲得比新闻稿更清楚。Caiafa 的表述是：治理始于真正理解底层系统与业务需求的员工——领域知识决定智能体能在哪里贡献、需要哪些连接；在此之后，组织必须给出可接受的替代方案，否则员工会自己找 workaround。
AI Gateway 是 SS&C 对此的产品化回应。按其描述，该网关承担请求路由、数据脱敏、幻觉检测、提示监控与 token 上限，并覆盖生成式 AI 网关、审计轨迹、护栏、业务规则、基于角色的访问控制、实时风险通知与私有大模型对话等能力。Caiafa 的说法是，这让公司能够严格控制使用哪些模型以及数据流向何处。
其中对成本治理最实用的一项是实时 token 成本报告：客户可以先用低成本模型测试，在结果需要时再升级到更强的模型。这对应了 Caiafa 提到的另一个现实问题——AI 成本正在成为一个需要被管理的对象，而不只是账单。
Stone 则把治理延伸到权限粒度：WorkHQ 按智能体的职能限制其访问范围，而不是给智能体授予宽泛的组织信息访问权。他的判断是，这让高管更愿意批准部署。这一条与行业内「最小权限」的通行原则一致，但对受监管行业尤其关键——权限范围本身就是可被审计的对象。
Marsh 的用法：编排层而不是个人工具
WorkHQ 较早的客户之一是专业服务公司 Marsh。在 Deliver 大会上，Marsh 全球转型与变革负责人 Amanda Roberts 与 Stone 同台，介绍的用法是：把 WorkHQ 当作覆盖整个组织的编排层，而不仅是个人效率工具。Roberts 的说法是，该平台「帮助我们确保智能体在员工之间以恰当且一致的方式被使用」。
这句话正好对应了调研里那 43% 的治理一致性问题。把智能体当作个人工具发放，每个人的用法不同、权限不同、留痕不同，治理一致性就无从谈起；把它放在一个统一的编排层之上，「一致性」才有了落点。
Stone 与 Caiafa 都强调，AI 驱动的自动化离开强治理就无法有效运行。考虑其业务属性——托管客户资产与医疗数据——这个立场既是经验之谈，也与其产品定位一致，读者在参考时应同时看到这两面。
影子智能体：为什么被认为几乎无法杜绝
访谈中有一段坦率的判断值得单独摘出。Caiafa 认为，要把未经授权的影子 AI 完全挡在组织之外，大概是不可能的——因为员工有很强的动机去找到更快完成工作的方法。他明确说，未授权使用是有问题的，但难以根除。
这个判断的方法论意义在于：它把治理的目标从「禁止」改成了「提供更好的替代」。SS&C 的应对是 AI Gateway 把限制与对已批准工具的访问打包在一起——与其堵，不如给一条官方通道。这个思路与本栏目此前讨论过的多份报告结论方向一致：在员工已经能用智能体提效的前提下去禁用它，往往只会把使用推到不可见的地方。
对受监管行业，这条尤其重要。影子智能体的风险不在于它存在，而在于它处理了受监管数据却没有任何留痕。因此优先动作应当是尽快提供合规通道与可观测能力，而不是先做一轮禁令。
与另两份十月报告的交叉
把 SS&C 的读数与本月另两份跨行业报告放在一起，可以看到受监管行业与整体市场的异同。需要说明的是，G2 与 OutSystems 两份报告本栏目此前的行业报告已作详细拆解，此处只作单条目交叉，不再重复展开。
| 议题 | SS&C（金融+医疗，148 人） | 跨行业报告读数（对照） | 差异解读 |
|---|---|---|---|
| 治理一致性 | 43% 认为全企业一致 | 跨行业普遍在两成到三成之间具备完整运行时控制 | 受监管行业反而略高，可能与既有合规体系复用有关 |
| 规模化瓶颈 | 约三分之二指向治理与遗留系统集成 | 跨行业更多指向数据基础与集成成本 | 受监管行业把治理与集成并列，权重更高 |
| ROI 度量 | 约五分之一视其为关键 | 跨行业亦普遍偏低，节省工时仍是最常用指标 | 度量缺失是跨行业共性问题，非受监管行业特有 |
| 渗透节奏 | 48% 预计三年内超四分之一工作流 | 跨行业生产环境落地比例在六成上下 | 受监管行业的预期更保守，与出错代价相符 |
一个跨报告的共同点是：几乎每份报告都指出治理与度量的准备度落后于采用速度。差别在于受监管行业把「遗留系统集成」提到了与治理同等的位置——这与它们普遍拥有数十年的核心系统直接相关，也说明在这类行业里，智能体的落地瓶颈往往在连接器与数据口径，而不是模型能力。
受监管行业的六步落地清单
- 先统一治理口径再做规模：43% 的一致性意味着多数机构还处在分片状态。在扩智能体数量之前，先回答「同一个决策在不同部门是否留同一种痕」。
- 把遗留系统集成当一等公民：约三分之二的受访者把它列为扩展首要任务。连接与数据口径的工作量通常被低估，应单独排期而不是夹在智能体项目里。
- 权限按职能授予而非按组织授予：参照 Stone 的描述，按智能体职能限制访问范围，让权限范围本身成为可审计对象。
- 在网关层做成本可见性：实时 token 成本报告加模型分级路由，先用低成本模型再按需升级，比事后看账单有效得多。
- 给影子智能体一条官方通道：接受「无法完全杜绝」这一前提，把治理目标从禁止改为提供更好用的合规替代，并优先覆盖会接触受监管数据的场景。
- 把度量写进立项书：既然只有约五分之一的人认为 ROI 度量关键，那么谁先把基线、口径与复盘时点写清楚，谁就更容易在第二年拿到预算。
局限与冷静判断
- 样本量小且存在选择偏差：148 位受访者全部来自 SS&C 自有客户大会的参会与注册者，对智能体的态度大概率高于行业平均，且缺乏观望期机构的声音。
- 存在明确的利益关联：调研由销售智能体编排平台的公司发起，结论方向与其产品叙事一致。WorkHQ 与 AI Gateway 的能力描述属产品主张，不等于行业共识。
- 智能体数量口径冲突未澄清：同一公司的材料中出现「50 多个 AI 智能体」与「3571 个在用智能体」两种表述，定义不同且未说明，不可用于推算单体成本或收益。
- 节省金额无方法学披露：超过 2 亿美元的节省未给出计算周期、基线定义与是否扣除平台成本，也未区分来自传统自动化还是智能体。
- 「降低 90%」限定在特定流程：生产与排障时间降低超过 90% 的说法仅针对关键开发流程，不能外推到全部业务。
- 渗透预期是判断而非事实：48% 与 18% 描述的是对未来三年的预期，历史上同类预期多次被下调。
- 风险目标排序的解释存在歧义：降低运营风险仅列 43%，无法区分「风险被视为基线条件」还是「风险未纳入价值论证」，调研未作拆分。
- 跨报告比较仅供参考：SS&C 与另两份报告的样本定义、提问时点与措辞均不同，比例不可直接相减。
综合来看，这份调研的价值不在于给出新的采用率，而在于把受监管行业的两个真实约束量化了：治理一致性只有 43%，遗留系统集成与治理并列为扩展瓶颈。它同时提供了一份来自供应商内部的对照样本——一家把数千个自动化单元跑在自己业务上的公司，其应对方式是把治理做成运行时能力（路由、脱敏、幻觉检测、token 上限、按职能授权、实时成本），并且放弃「杜绝影子智能体」这个目标，转向提供更好的官方通道。对金融、医疗以及任何受强监管的行业，这个组合比任何单点功能都更值得抄。目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。