如何在释放智能体AI应用潜力的同时，建立与其自主性和复杂性相匹配的动态监督与责任机制，正成为行业组织开展人工智能治理面临的重要议题。2026年9月16日，经济合作与发展组织（Organisation for Economic Co-operation and Development，OECD）发布报告《组织中的智能体AI：来自从业者访谈的早期洞察（Agentic AI in organisations: Early insights from practitioner interviews）》，基于对多个行业组织的访谈，梳理智能体AI的应用现状、潜在收益及治理实践。报告显示，智能体AI正在从试验性应用逐步进入实际工作流程，但与技术应用同步发展的治理机制仍处于早期阶段。对于行业来说，真正限制智能体AI扩大部署的并不只是单一模型的能力，而是由自治行为带来的系统性治理问题。

文中观点不代表编译者或发布平台立场，完整论述及作者原意请参阅英文原文。

图片来源：报告原文

随着大语言模型技术快速迭代，具备自主行动能力的智能体 AI（Agentic AI）日益受到行业关注，在推动行业创新与生产力提升的同时，也为技术治理带来了新的挑战。

报告采用半结构化访谈的定性研究方法，对全球25家机构开展调研（包括前沿技术研发企业、企业应用方以及政府机构），旨在收集不同地区、行业的一线实践者经验，探究智能体AI实际开发部署模式、应用场景、收益、风险挑战以及现行治理方案。

报告总结三项核心结论：第一，智能体AI已经走出实验阶段，逐步融入企业及消费端业务流程，但不同机构落地成熟度差异显著。第二，智能体AI配套治理与技术保障尚处于早期阶段，在部分领域仍存在显著短板。第三，治理框架需要跟随技术迭代同步，从静态管控转向分布式动态监督。

报告明确表示，由于受限于样本地域与行业覆盖范围，该研究无法代表普遍情况，仅具备参考示范意义，未来研究还需进一步扩大调研范围。

图片来源：OECD

报告由OECD人工智能与新兴数字技术司（AIEDT）与GPAI专家社区东京中心联合撰写。核心作者包括来自GPAI东京中心的Merve Hickok与Rentaro Iida，以及来自OECD AIEDT司的Luis Aranda与Kasumi Sugimoto。研究由GPAI专家社区秘书长Yuko Harayama、OECD科技工业司副司长Audrey Plonk和AIEDT司长Sara Rendtorff-Smith战略指导。

报告于2026年6月在GPAI第五次全体会议上经专家讨论，是OECD“与AI共荣”横向项目的重要成果。

图片来源：Okoone

研究团队最初联系了74家组织，最终25家在规定时间内接受了半结构化访谈。访谈聚焦技术设计、部署情境、收益与风险感知，以及治理机制。

受访者的选取遵循三条标准：对智能体AI关键基础设施的贡献、行业相关性，以及在地理、规模和组织类型上的多样性。最终样本覆盖Anthropic、Google、微软、Salesforce等科技巨头，富士通、NTT、NEC、乐天、KDDI等日本企业，德意志电信、Infosys、Prisme.ai等欧洲与印度组织，以及德国BMDS、新加坡IMDA、日本总务省、加拿大NRC等公共部门。

OECD特别说明，报告并非具有统计代表性的调查，主要存在以下局限性。一是样本仅覆盖已开展智能体AI研发或落地部署的组织机构，在行业维度与地域分布层面存在代表性局限；二是各受访机构的项目发展成熟度存在显著差异，访谈结论缺乏可比性；三是研究属于特定时间节点下的定性快照，缺乏定量绩效校验与长期时序追踪。

在企业环境中，对内部生产力和组织流程进行改造是智能体AI最早，也最集中出现的用途之一，具体包括利用智能体AI捕捉和组织企业知识、建立可检索的问答知识库与知识图谱，以及处理会议摘要、项目方案起草、数据准备等日常工作。一些企业还让智能体进入现场作业流程，例如帮助维护人员进行排班和资源配置、分析新的现场条件、优化路线，并让一线员工通过对话式界面随时查询和更新信息。

另一种较为典型的“人在回路”（human-on-the-loop）模式体现为客服场景。智能体可以自主读取客户问题、调用企业内部文档和CRM信息，并生成答复草稿，但最终的对外沟通仍由工作人员审核和修改。在分析和决策支持方面，一些组织开始尝试利用智能体来减少分析人员在信息搜集和初步处理上的时间。

此外，法律研究、文件起草和合规检查同样属于较早出现的应用领域。

相较于纯粹的文本生成，另一批应用更强调智能体直接参与业务执行。在客户交易场景下，部分组织已经让智能体直接面向终端用户完成产品搜索、服务导航和交易流程；在供应链和工业场景中，智能体则被用于跨部门、跨组织协调，尝试自动化串联制造、物流、谈判和生产排程等重复性流程；软件开发是访谈中最常被提及的部署领域之一，智能体可以承担代码编写、测试、调试、审查和优化等工作；在网络安全领域，智能体被用于漏洞识别、系统监测、威胁检测以及事件响应。

智能体的应用还逐步延伸至物理基础设施。受访机构介绍了利用AI分析建筑和移动资产运行数据、寻找节能与设备性能改进空间的案例；在电信企业中，智能体可以分析活动安排和网络需求，预测容量并提出网络调整建议，为人工决策提供支持。

此外，科研领域逐步出现利用智能体进行药物与材料发现、文献综述、实验设计以及识别潜在合作伙伴和资金来源等应用方向。

访谈识别出各行业机构在部署AI智能体和AI代理系统时的共同动机和预期收益，反映了其对该领域更深层次组织转型、新价值创造模式以及前沿技术变革的期望。报告概括为五点：运营效率、劳动力补充与服务连续性、超越效率的价值创造、降低准入壁垒、前沿变革机会。

受访机构普遍将运营效率视为采用智能体AI的重要动因。同时，报告表明受访者讨论的并不只是传统意义上的自动化，而是所谓“流程闭环”（closing the loop），即通过计算机操作、网页交互和工具调用等综合能力，让AI从完成单个步骤，进一步承担一项任务从信息获取、判断到执行的连续过程。在这一模式下，人类的角色可能逐渐从直接执行者转向监督者、规划者和创意工作者。

图片来源：MIT Management Sloan School

值得注意的是，多数受访者并未简单认为“智能体必然替代人类劳动”，而是将智能体AI的长期潜力表述为增强人的能力与生产率。特别是在日本，一些机构更明确地将智能体AI视为应对人口老龄化和结构性劳动力短缺的工具：通过AI自动处理重复性任务，可以释放人员时间，从而维持公共服务、医疗等领域的服务能力，由此形成一种“人类主导、智能体执行”（human-led, agent-operated）的组织想象。

此外，智能体AI的潜在收益并不完全等同于节省成本。部分受访机构认为，多语言交互与复杂任务执行能力的结合，可能使原本难以获得高级分析和专业服务的人群更容易接触到这些能力。对于使用者而言，这意味着不必改变自己的语言，就可能调用同一套底层服务和知识资源。与此同时，受访者还提到智能体之间进行有边界的信息交换的可能性，即组织未必需要进行全面的数据共享，也可以让智能体围绕特定任务交换有限的信息，从而降低跨组织协作的门槛。

更前沿的设想则指向供应链协调、工业机器人和自主科研等复杂场景。例如，科研机构正在尝试构建能够部分或端到端完成假设生成、实验设计和数据分析的自动化流程。受访者还提出“企业对智能体”（business-to-agent, B2A）的可能性，即未来组织可能不仅围绕人类用户设计产品和服务，也需要让产品、流程和接口能够直接与AI智能体交互。不过，报告明确将这些场景视为仍在试验或试点阶段的长期机会。

图片来源：Medium

访谈还显示，智能体工作流往往同时运行多个任务和调用多个工具，因此企业并不倾向于在所有环节都使用最大的模型。常规子任务可以由较快、成本更低的模型承担，而更大的模型则用于复杂推理或规划任务。部分组织甚至建立模型网关，根据任务要求、成本、速度、语言表现和客户政策动态选择不同模型。一些受访者将这种不依赖单一模型、能够在技术栈中随时切换的能力称为“战略选择空间”（strategic optionality），并强调“最小可行智能”（minimum viable intelligence）。

安全和数据治理的要求同样在很大程度上影响了基础设施的选择。虽然云连接和跨系统集成通常能够释放智能体的更多能力，但不少客户仍不愿让外部系统直接接触敏感数据和关键工作流。监管要求、合同义务和保密政策都会影响云端部署与本地部署之间的选择。与此同时，开放协议和开放组件受到越来越多关注。访谈频繁提到“模型上下文协议”（MCP）以及用于智能体间协作的“智能体间通信协议”（A2A）等机制，其背后的考虑不仅是技术互操作性，也包括降低被单一供应商生态锁定的风险。

图片来源：Cyber Defense Magazine

在25家受访机构中，没有一家部署了不受限制的智能体AI系统。更常见的做法，是把智能体AI的“自治”范围限制在清晰定义的任务边界内，而对于支付、删除数据等高风险或不可逆操作保留人工批准。

但是，企业之间对于何种动作必须经过人工确认的阈值并不完全一致，这一矛盾已经成为当前系统设计中的核心问题。一些组织会根据系统持续运行后积累的可靠性证据，逐步扩大自治范围，同时使用审计日志、权限范围控制和红队测试等机制降低风险。公共部门尤其强调，除了最终结果，还需要能够解释决策发生时调用了哪些法律和程序规则，并在事后重建行动轨迹。对智能体而言，过程本身就是治理对象——即使系统最后完成了任务，如果中途试图绕过访问控制或为了完成任务而“编造”数据，同样可能构成治理问题。

报告认为，许多智能体AI的风险并非凭空出现，而是传统大语言模型问题在“行动化”之后被放大。由于智能体的输出可能直接触发工具调用和现实操作，行为的不稳定性会比单纯生成文本更具后果。受访机构提到，当前系统在不同运行中可能出现不完全一致的行为；当任务依赖因果关系理解、持续执行或复杂环境适应时，这种不确定性尤其突出。

另一个反复出现的问题是“误行动”（misaction）。智能体可能调用不存在的工具、向真实工具传入错误参数，或者执行一串表面上合理、但实际上偏离任务目标的动作。一旦系统获得删除数据、修改记录、批准变更等权限，这类错误就可能在用户没有主动介入的情况下产生现实后果。与单一智能体相比，多智能体环境又增加了另一层复杂性：一个系统中的错误可能沿着工作流传播，在不同智能体之间形成级联故障，甚至通过企业系统和外部工具不断放大。

图片来源：Kron

对于非英语环境，受访组织尤其强调语言和制度语境的问题。前沿模型在英语之外的性能差距，可能直接影响其在受监管、高风险场景中的部署。企业和政府应用不仅要求“说得通”，还需要智能体准确理解本国法律、行政程序和文化沟通规范，并在工具选择与任务执行时保持一致。部分参与者还提到低资源语言存在所谓“词元税”（tokenisation tax），即同样的信息在某些语言中需要更多词元（token）处理，从而推高计算成本。

网络安全则呈现出明显的双重性：智能体可以加速漏洞发现和事件响应，但其自主性、速度和规模同样可能放大攻击后果。提示注入、智能体劫持、凭证窃取、敏感数据提取以及未经授权的交易，都是受访机构关注的重要方面。

与此同时，当智能体跨数据库、企业软件和API持续运行时，传统以人为中心设计的身份与访问管理机制开始显得不足。智能体可能继承与员工相同的数据访问权限，却以更高频率、更大规模地持续调用数据；如果数据分类、权限控制和审计机制不到位，隐私风险会随之放大。此外，一些机构还注意到，员工未经正式批准而自行部署的“影子智能体”（shadow agents）正在成为新的治理难题。

随着工作流变得多步骤、多智能体和跨组织，系统发生了什么越来越难以事后重建。受访者普遍将可解释性和可追溯性视为问责的前提，而不是附加功能。部署者需要知道智能体作出了什么决定、使用了哪些工具、获取了哪些数据，以及哪些子智能体参与了过程。

然而，当前针对智能体的评估工具明显落后于单一大语言模型评估，市场上尚未形成统一的共享标准。已有实践开始测量意图解析准确度、工具调用准确率、任务遵从度和响应完整性，但不少企业仍主要依赖节省时间、流程吞吐量、成本和用户反馈等业务关键业绩指标。

同时，人工监督本身也存在边界。对每个动作进行持续人工审核在大规模运行中并不可行，但完全取消人工检查又会放大风险。受访者担心，过于权威的自动化输出可能诱发“自动化偏差”、认知委托和知识退化，使员工逐渐减少对结果的主动审查，并削弱长期的专业能力积累。

最后，智能体的计算资源消耗也可能成为运营治理问题。由于系统可能反复触发任务、进行循环调用，其成本未必能在部署前准确预测。报告提到，已有两家受访机构报告了成本超支经历，这说明资源边界本身也正在成为智能体系统需要管理的一类风险。

图片来源：NVIDIA官网

图片来源：Cyber Defense Magazine

由于智能体执行的是连续动作序列，单次回答是否准确已经不足以衡量智能体表现。部分受访组织开始测量意图解析、工具调用、任务遵从和响应完整性等智能体特定指标，同时结合具体业务KPI考察时间节省、流程吞吐量、成本、碳排放和用户反馈，旨在评估整个系统是否以可控、可追溯和符合任务要求的方式完成了目标。

在这一过程中，领域专业知识的重要性也被反复强调。智能体部署不存在适用于所有行业的统一方案；定义任务边界、识别失败模式和验证结果，都需要领域专家参与。随着智能体能力继续扩展，能够提供这种专业判断的人员和知识本身可能成为治理能力的瓶颈。

针对语言与制度环境差异，一些机构正在投资本地语言基础模型和领域模型。日本受访机构提到NEC的cotomi、NTT的tsuzumi、Preferred Networks的PLaMo以及乐天AI 2.0；土耳其也在推动面向本国法律、行政和语言环境的BİLGE模型。报告指出，这些投资并不只是为了提高语言准确率，也关系到政策合规、专业数据和部署准备度。

采购政策同样需要适应智能体。组织在购买外部AI服务时，需要搞清楚服务会调用哪些工具、模型和数据源、使用怎样的权限，以及能够执行多大范围的行动和资源消耗。

与此同时，越来越多机构采用多层技术防护，而不是寄希望于设置一个“总开关”：例如在隔离测试环境应用沙箱，用最小权限和零信任原则限制智能体的访问范围，将身份认证用于连接系统智能体的确认，以及在AI提出动作之后再进行外部规则层校验等。此外，当智能体数量增加之后，行业机构还开始考虑建立正式的智能体注册表，以追踪和批准内部部署。由此，旨在建立起一套贯穿设计、开发、部署和运行全生命周期的分层保障体系。

图片来源：Baran Dergisi

OECD的研究显示，智能体AI已经开始从实验性应用走向企业和消费场景中的实际业务流程，但不同机构的部署成熟度仍存在明显差异。现阶段，应用主要集中在能够被结构化、结果可以验证、错误成本相对可控的任务，而公共部门的应用则整体更为审慎，并保留由公职人员作出最终决定的设定。

对于行业来说，真正限制智能体AI扩大部署的并不只是单一模型的能力，而是由自治行为带来的系统性治理问题。尽管其应用价值持续凸显，但面向智能体AI的评估度量体系、系统安全基准、权责界定机制以及跨组织边界的多智能体协同治理，整体仍处于初步探索阶段。针对受访机构反复提到的智能体AI治理风险，各行业间正在形成一套较为一致的实践路径。

正如报告所指出的，随着AI系统向更高自主性演进，组织正逐步迈向“人类主导、智能体执行”的新阶段。各方的实操经验表明，智能体AI的健康落地并不追求无限制的自由度，而是在充分释放运营效率与生产力潜能的同时，确保决策过程的可解释性与问责归属，筑牢安全、可信的治理基石。