德勤智能体治理指南：21% 企业有严格监督，从「神秘机器人」到可审计系统的分层自治路径

一句话结论

德勤新报告的警告是企业部署 AI 智能体的速度已经跑在安全协议前面：仅 21% 的组织落实了严格治理或监督，而智能体使用率将从当前的 23% 在两年内升至 74%。真正可落地的解法是「受治自治」（governed autonomy）——像管理任何员工一样管理智能体：清晰的边界、策略和定义，低风险动作放行、跨风险阈值时升级人类。

数据基线：治理缺口有多大

德勤调查给出三组关键数字：

• 21%：实施了严格治理或监督的组织占比
• 23% → 74%：正在使用 AI 智能体的公司占比，及两年后的预期
• 25% → 5%：尚未采用智能体的企业占比，同期将收缩到 5%

结论是智能体正从试点快速进入生产，而为「以人为中心」运营设计的传统风险控制，跟不上这种部署速度下的安全要求。

风险重定义：危险的不是智能体，是弱治理

德勤的立场值得注意：它并未把 AI 智能体标记为固有危险，而是指出真正的风险来自糟糕的上下文和弱治理。当智能体作为独立实体运行时，其决策和动作很容易变得不透明；没有健全治理，就难以管理、几乎无法为错误投保。

Kovant 创始人兼 CEO Ali Sarrafi 把答案概括为受治自治：「设计良好、有清晰边界和策略、被当作企业员工一样管理的智能体，可以在清晰护栏内对低风险工作快速行动；但当动作跨越定义的风险阈值时，升级给人类。」配合详细的动作日志、可观测性和高影响决策的人工把关，智能体就「不再是神秘的机器人，而是可检查、可审计、可信任的系统」。

五层防线拆解

第一层：收窄上下文，分解任务

智能体在受控演示中表现良好，但在系统碎片化、数据不一致的真实环境中会失控。Sarrafi 的观察：「当智能体一次被给予过多上下文或范围时，就容易产生幻觉和不可预测行为。」生产级系统的做法是限制模型工作的决策和上下文范围，把操作分解为更窄、更聚焦的单智能体任务——行为更可预测、更易控制，同时支持可追溯和干预，失败可以被及早发现并升级，而不是引发级联错误。

第二层：动作日志与可保险性

智能体在业务系统中采取真实动作后，风险和合规的评估方式随之改变。每一个动作被记录后，智能体的活动变得清晰且可评估。这种透明度对保险公司至关重要——保险方不愿承保不透明的 AI 系统。有人类监督风险关键动作、工作流可审计可重放，组织才能造出便于风险评估的系统。

第三层：身份与权限是第一道防线

限制智能体能访问什么、能执行什么，是真实业务环境中安全的基础。Sarrafi 的警告：「当智能体被赋予广泛权限或过多上下文时，它们变得不可预测，构成安全或合规风险。」可见性和监控确保智能体在边界内运行；每个动作被记录且可管理后，团队能看清发生了什么、定位问题、理解事件成因——这让运营方、风险团队和保险方都建立信任。

第四层：分级自治

德勤的安全智能体治理策略为智能体系统的决策设定明确边界，典型结构是分层自治：

1. 智能体只能查看信息或提供建议
2. 允许采取有限动作，但需人类批准
3. 在低风险区域证明可靠后，才允许自动执行

德勤的 Cyber AI Blueprints 建议把治理层、策略和合规能力路线图嵌入组织控制，追踪 AI 使用和风险的治理结构、把监督嵌入日常运营。

第五层：员工培训

治理的另一块是员工准备度。德勤建议培训员工三件事：什么不能分享给 AI 系统、智能体跑偏时怎么办、如何识别异常和潜在危险行为。员工若不理解 AI 系统的运作和风险，即使无意也会削弱安全控制。

标准现状：AAIF 是第一步但不够

智能体 AI 基金会（AAIF）等共享标准帮助企业集成不同智能体系统，但当前标准化工作聚焦于「最容易构建的东西」，而非大型组织安全运行智能体系统所需。Sarrafi 认为企业需要的是支持运营控制的标准：访问权限、高影响动作的审批工作流、可审计日志和可观测性——让团队监控行为、调查事件、证明合规。

判断：快慢之争的答案已经明确

德勤报告的结论可以概括为一句话：智能体采用即将加速，最终占据上风的不是部署最快的公司，而是以可见性和控制力部署的公司。对正在引入智能体的企业，可直接执行的动作是三条：为每个智能体划定权限边界与动作清单；把分级自治规则写进流程（什么只读、什么需审批、什么可自动）；从第一天起记录动作日志，让每一次执行可回放、可审计。

原文信息

作者：AI News 编辑部（TechForge） 发布时间：2026-01-28 原文地址：