从「有没有治理」到「出事了算谁的」
本栏目在 R-INDUSTRY-49 里交叉过 Gartner、Optro 与 BDO 三份材料，量出的是「部署跑在治理前面」的 50 个百分点缺口：71% 的组织计划一年内部署智能体 AI，只有 21% 备好了治理。那是一个覆盖率问题——有多少组织有制度。
Dataiku 与 Harris Poll 的这份材料问的是更靠后的一步：当制度已经存在、智能体也已经在跑，出事的那一刻谁来按下停止键。它把问题从「有没有」推进到了「是谁」和「多快」。
两份材料并不冲突，而是互补。前者说制度覆盖率低，后者说即使有制度，可见性、生命周期与责任归属三件事仍然各自有缺口。理解这一点很重要：补齐制度文件并不能自动解决后三件事。
样本、发布节奏与一处口径歧义
先把样本说清楚。调查由 Dataiku 与 Harris Poll 执行，样本为 685 位企业 CIO，覆盖八个市场。连载共六篇，公开节奏为：10 月 8 日发布其一篇（压力链），10 月 22 日发布第三篇（绿灯看板下的事故），10 月 29 日发布第四篇（智能体的组织架构问题）。另有一份配套的《Global AI Confessions Report: CEO Edition, 2026》。
需要提前披露一处原文口径歧义。第三篇中写道：「Two-thirds of CIOs (67%) estimate that 51 or more agents are running in production. In the U.S., that figure rises to 45%.」紧接的一句是「Roughly one in 10 CIOs globally put the number above 500」。按字面读，67% 全球对 45% 美国，方向与前文的「rises to」矛盾；结合下一句的 500 以上口径，较合理的解释是美国有 45% 的 CIO 把数量估计在 500 以上。本文在引用时对该数字保留原表述并标注歧义，不将其用于任何推算。
另一处需要说明的口径：全文的「agent」既包含企业统一建设的智能体，也包含员工自建的应用与自动化。这使得各分项之间不能直接做交叉相乘，本文在推算时会明确标注哪些属于量级估算。
压力链：从董事会到 CEO 再到 CIO
压力从董事会开始。97% 的 CIO 表示，与 2025 年相比，董事会要求证明 AI 可量化回报的压力有所上升。这个数字的含义在于比较基准——董事会一年前已经在问 AI 了，今年是加速。
| 环节 | 读数 | 说明 |
|---|---|---|
| 董事会压力 | 97% | 较 2025 年上升 |
| CEO 认为自己的职位有风险 | 80% | 若 2026 年底前未能交付可衡量的业务收益（CEO Edition） |
| CEO 愿意以职位为结果背书 | 87% | CEO Edition |
| CIO 被 CEO 警告职位取决于 AI 结果 | 86% | 其中 56% 明确听到过，23% 听到过多次 |
| CIO 认为职业声誉取决于 AI | 88% | 声誉或职业轨迹 |
| CIO 认为薪酬将与 AI 结果挂钩 | 86% | 可衡量的 AI 结果 |
| CIO 认为职位有风险 | 76% | 若 2027 年底前未能交付可衡量收益 |
区域差异也被列出：韩国 CEO 的职业风险感最高，93% 认为若 2026 年底前未交付可衡量的 AI 收益则职位有风险；日本 CIO 的职业敞口在本研究中最低，59% 认为若 2027 年底前无收益则职位有风险。
预算时钟比职位时钟早一年
这份材料里最值得记的一条时间差是：CIO 给自己的期限是 2027 年底（76% 认为届时职位有风险），但预算的期限是 2026 年底。72% 的 CIO 表示，如果到 2026 年底未达成绩效目标，AI 预算很可能被削减或冻结；美国这一比例为 87%，是全球最高。
也就是说，职位时钟还有一年，预算时钟只有一个季度。这个错位会改变行为：在预算节点之前，CIO 有动机把资源集中在「能立刻拿出数字」的项目上，而不是「长期更正确但需要时间」的治理与可见性建设。这解释了为什么后文的几项缺口——可见性、生命周期、责任归属——在压力如此之大的情况下仍然普遍存在。
79% 后悔过一个技术选型
scrutiny 不只针对结果，也针对技术决策本身。79% 的 CIO 表示，对过去 18 个月内做出的至少一个重大 AI 供应商或平台选择感到后悔。同期，美国 CEO 中有 45% 表示过去一年多次质疑过 CIO 的 AI 供应商或平台选择，全球平均为 23%。
把这两条放在一起看，画面是：CIO 同时在结果和技术栈两条线上被问责。而 18 个月这个时间窗恰好覆盖了智能体从试点走向生产的关键期——选型时的评估标准多为模型能力与演示效果，落地后真正暴露的却是集成、权限与可观测性。
没坏，但跑偏了
第三篇给出了这份材料中最有辨识度的一个数字：79% 的 CIO 承认经历过一个智能体在技术上完全处于参数范围内、却违背了业务意图、政策或预期的情况。
论文给的例子是：一个采购智能体在库存低于阈值时自动补货，每周运行数千次从不出错；后来某关键供应商大幅提价，智能体仍按原计划继续下单，每个仪表盘都是绿的，而利润在流失。
这个数字之所以重要，是因为它把「故障」的定义从技术维度移到了业务维度。传统监控回答的是「是否在线、是否按时响应、是否在参数内」；它回答不了「这些动作是否仍然符合企业今天想要的结果」。智能体按某一点时刻 captured 的指令、规则与数据行动，而企业持续在变——政策会改、价格会动、客户会带来没人预演过的情况。
并非所有偏离都会造成损失。31% 的 CIO 承认已发生过造成客户、财务、合规或运营实际影响的事故。以 31 除以 79 计，在发生偏离的案例中有约 39.2% 最终造成了实际影响，反过来约 60.8% 被拦住了。这个条件比例比单独的 79% 更有用——它说明拦截机制在多数情况下是生效的，但失效的那约四成代价不小。
六成当天遏制不了，一成能在一到两小时
出问题的智能体在有人发现并介入之前会持续行动。而发现和遏制这两步，目前都比机器速度慢。
读数很集中：约六成 CIO 无法在当天遏制一个有问题的智能体；只有 10% 能在一到两小时内完成遏制。
本文据此给出一条量级估算。以 67% 的 CIO 估计生产环境有 51 个及以上智能体为前提，若其中单个智能体每天处理数千次交易，则延迟一天意味着同一错误可能被重复数千次。这里的关键是：延迟的成本不是线性的，而是与智能体的动作频率成正比。同样是「第二天才发现」，一个每天处理几十次交易的后台智能体与一个每天处理数千次的交易型智能体，后果不在同一量级。
这条估算也给出了优先级依据：遏制能力应该先部署在高动作频率的智能体上，而不是按部门或按重要性平均分配。
84%：员工建得比 IT 管得快
第四篇转向组织层面。智能体不再只由 IT 创建：财务团队搭一个标记重复发票的智能体，HR 上线一个回答福利问题的智能体，区域销售团队把一个智能体接到 CRM 上，用的是 IT 从未审查过的工具。每一个都解决了真实问题，每一个都由最懂这项工作的人搭建。
半年后有人问：企业到底跑着多少个智能体，每个归谁？答案要几周才能拼出来，而且拼出来还是不完整的。84% 的 CIO 承认员工创建 AI 应用与智能体的速度快过 IT 的治理能力，美国这一比例为 94%。
同期还有一项：60% 的 CIO 没有覆盖企业应用、工具与 IT 环境的中央 AI 治理层。材料给出的解释是，许多治理模型是为「IT 建设、部署并维护企业运行的大部分系统」那个时代设计的，而分布式创建要求监管能触达每一个可以搭建智能体的位置。
90% 与 81% 之间，至少 71% 的重叠
这一组数字是本文认为最值得单独拿出来算的。
- 90% 的 CIO 声称有信心对所有智能体具备完整可见性与追踪。
- 81% 的 CIO 在被具体问到影子 AI 时，承认对未经审批渠道创建的智能体缺乏完整监管。
两个问题问的似乎是同一件事，答案却相差 9 个百分点。但真正的含义不止这 9 个点。若把两者视为同一总体上的两个陈述，根据容斥原理，同时声称「完全可见」又承认「影子智能体缺乏完整监管」的 CIO 比例至少为 90% 加 81% 减 100%，即至少 71%。
这不是笔误，而是措辞造成的测量落差。其一是「所有智能体」与「影子智能体」的范围差异——影子智能体按定义从未走过审批渠道，因此从未进入可见性统计的分母。其二是受访者在回答概括性问题时倾向于按自己能看见的部分作答。
对采购与自评的启示是直接的：不要用「你能看见所有智能体吗」这种问法做内部调研，会得到 90%；要问「有多少智能体是在审批渠道之外创建的，你估计其中多少你不知道」。
连带的一项读数是 66% 的 CIO 不完全有信心在监管方明天要求时，拿出一个智能体决策的端到端审计轨迹。材料给出的那句话可以当作本节结论：一个没人能看见的智能体，就是一个没人能审计的智能体。
83% 没有标准生命周期，47% 已经退过役
找到一个智能体只是管理的开始。它还需要被监控与评估、需要时被修改、最终退役。当前的状况是各团队各行其是：83% 的 CIO 承认企业内没有标准化的智能体生命周期管理。
与此同时，智能体组合变化很快：47% 的 CIO 表示今年已经退役了 20 个以上智能体。材料认为这种更替是健康的，说明 CIO 在主动修剪不再有用的智能体。
但把这两条并排看，问题就出现了：退役动作正在没有标准流程的情况下大规模发生。每一次退役都会带出同一组问题——哪些工作流依赖它、它的系统访问权限是否被回收、依赖它的人是否知道它已经不在了。没有标准答案时，这些问题在不同团队会有不同处理方式，而权限回收的遗漏不会在任何一个仪表盘上显示为红色。
本文给出一条量级估算：47% 乘以 20 个以上，意味着在受访样本中今年至少发生了相当于 685 乘 47% 乘 20，即约 6,439 次智能体退役动作（按「20 个」取下界计）。这是一个样本级的下限，用于说明退役已经是一个高频动作，而高频动作最需要标准流程。
责任分成五份，最高一项只有 23%
当一个智能体做出有害决策，必须有人回答。CIO 对这个问题的答案几乎均匀分散在五个选项上：
| 主要责任方 | 占比 |
|---|---|
| 多个团队共同承担 | 23% |
| 中央 IT | 21% |
| 数据或 AI 团队 | 20% |
| 安全、风险或合规 | 18% |
| 工作流业务负责人 | 13% |
本文据此给出两组推算。其一，五项相加为 95%，不是 100%，说明有约 5% 的答案落在「其他」或未给出，本表并非完备划分。其二，也是更重要的一条：最高项只有 23%，意味着按最乐观的口径，也只有 23% 的企业在有害决策上有一个被普遍认可的单一责任方；按最高项计，至少 77% 的企业在出事那一刻没有明确的单一应答人。
这个数字与「遏制时间」那组读数是直接因果相关的。材料的表述很清楚：当所有权在事故发生前就定下来，头几分钟会直接进入遏制而不是讨论谁负责；智能体以机器速度工作，每小时的偏离都在累加损失。
模型多元化带来的新覆盖面积
智能体下面的模型也在多元化。今夏 Mythos 5 与 Fable 5 的暂停事件促使 CIO 重新思考模型依赖与连续性，多数人正在为更宽的模型环境做准备：
- 连续性：75% 计划为连续性使用更多或不同的模型
- 开放模型：74% 正在考虑开源或开放权重模型
- 风险评估：80% 已经开展或计划开展 AI 依赖风险评估
材料的判断是：每一步都让企业更有韧性，每一步也都增加了智能体运行的位置。绑定到单一模型或平台的治理，只覆盖在那里搭建的智能体。
这条与本栏目 R-INDUSTRY-52 交叉得到的证据一致：红帽的 1400 位 CIO 样本里有 86.7% 称有能力管理智能体、只有 39.6% 能拿出证据。两份材料从不同样本指向同一件事——能力自评与实际可核验之间存在系统性落差，而模型多元化会放大这个落差。
本文六组推算
汇总以上分项，本文给出六组原文没有直接写出的推算。
| 序号 | 推算 | 算法 | 结果 |
|---|---|---|---|
| 1 | 可见性两种问法的重叠下界 | 90% 加 81% 减 100% | 至少 71% 的 CIO 同时声称完全可见又承认影子智能体不可见 |
| 2 | 偏离转化为实际影响的条件比例 | 31% 除以 79% | 约 39.2%，即约六成偏离被拦下 |
| 3 | 有害决策有明确单一责任方的比例上限 | 取最高项 23% | 至多 23%，至少 77% 没有明确的单一应答人 |
| 4 | 责任归属选项的完备性 | 五项相加 | 95%，说明约 5% 落在其他或未给出 |
| 5 | 样本内今年退役动作的下限 | 685 乘 47% 乘 20 | 约 6,439 次，高频动作却无标准流程 |
| 6 | 预算时钟与职位时钟的错位 | 2026 年底对 2027 年底 | 预算节点比职位节点早约四个季度 |
另有两条需要标注为不确定性较高的观察。其一，97% 的董事会压力上升与 79% 的后悔选型，都来自同一批受访者的自述，属于感知数据而非行为数据，两者之间可能存在共同方法偏差。其二，本文未将 67% 与 45% 用于任何推算，原因是原文该处口径存在歧义，已在第二节说明。
六步清单与冷静判断
材料自身给出的结论是三条能力：可见性（对每个智能体保持单一视图，含影子 AI，记录所有者、运行位置、所用模型、所触达的系统）、生命周期控制（对审批、监控、评估、修改、退役应用同一条标准路径）、问责（每个智能体上线前指定具名所有者与升级路径）。材料强调「不论平台」这四个字是关键。
本文在此基础上补一份可执行的六步清单，顺序按依赖关系排列。
- 先做清点，别先做平台：在买治理产品之前，用「审批渠道之外创建的智能体有多少」这个问法做一次内部调研，得到的是 81% 那类答案，不是 90% 那类。
- 给每个智能体标三个属性：所有者（具名，不是部门）、动作频率（每天多少次写操作）、所触达的系统。属性二决定遏制优先级，属性三决定退役时的权限回收清单。
- 按动作频率分档部署遏制能力：目标是高频率智能体在一到两小时内可暂停。当前只有 10% 的企业做到，这是最容易形成差异的一项。
- 把业务意图写成可检查的条件：政策、阈值、预期结果。偏离检测（79% 那类）只能靠把意图从人脑搬到可被机器比对的规则里，传统监控永远测不到。
- 先定退役流程，再谈建设标准：47% 的企业今年已经在退役 20 个以上智能体，而 83% 没有标准流程。退役流程比建设流程更容易标准化，也更容易立刻见效。
- 把责任写进上线检查项：上线前必须填「出事时谁按下停止键」。最高项只有 23% 的现状说明这一步普遍被跳过了。
冷静地说，这份材料需要带着两点保留来读。其一，它是供应商主导的调研，Dataiku 自身销售智能体管理与治理产品，结论方向与其产品线一致；不过样本的采集由 Harris Poll 执行，分项读数的内部一致性（例如 90% 与 81% 的落差、83% 与 47% 的矛盾）反而支持数据本身没有被过度修饰。其二，所有数字都是 CIO 的自述与估计，不是系统日志，因此「51 个及以上智能体」这类数量估计的误差可能很大。
即便有这两点保留，结论的方向仍然稳健，而且与本栏目此前交叉过的多份材料收敛：制度覆盖率低（R-INDUSTRY-49 的 71% 对 21%）、可核验性低（R-INDUSTRY-52 的 86.7% 对 39.6%）、问责集中度低（本文的 23%）。三份独立样本指向同一件事——智能体治理的短板不在有没有文件，而在出事那一刻有没有一个具名的人能在两小时内按下停止键。至于各企业具体的遏制时长分布与责任落地方式，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。