2026 年 8 月 14 日，Boston Consulting Group 发布了一篇面向 CIO 的文章，提出了一个颇有意味的概念：Enterprise AI Control Plane。文章的观察相当务实：AI Agent 在大企业内部落地的速度，已经快过决策者设计治理框架的速度。不同业务部门从不同厂商引入 Agent，员工自己搭建的 Agent 也在悄悄运行，规则不一致，监督分散，成本失控。BCG 因此建议企业在所有平台之上建立统一的控制层，把身份、注册、可见性与运行时策略执行集中起来，并特别提醒：如果这一层脱离 AI Ops、DevOps 和现有产品生命周期而独立存在，它最终只会变成无人使用的 shelfware。

表面上看，这不过是企业 IT 架构又多了一层 Control Plane，是一个属于架构师和 CIO 的技术议题。

但如果把视角从技术架构拉回到管理学，会发现它背后其实触到了一件更根本的事情：我们过去熟悉的企业治理，很大程度上是按照“人类的执行速度”设计出来的。这个前提隐藏了几十年，几乎从未被讨论，因为它一直成立。

而 AI Agent 正在改变它。

一、传统治理为什么一直能够工作

一家成熟企业通常拥有大量制度：采购金额超过多少需要审批，财务付款需要怎样复核，生产系统什么时候可以变更，员工可以访问哪些数据，出现异常之后由谁负责。这些制度构成了企业的秩序感，但它们有一个常被忽略的特征——它们并不直接阻止现实发生。

公司规定“未经审批不得付款”，并不意味着银行账户在技术上无法付款；制度写明“生产数据库不得随意修改”，也不意味着拥有管理员权限的人物理上做不到。传统治理真正依靠的，是一整套围绕人展开的组织结构：制度规定行为，人理解制度，流程检查行为，管理者承担责任，审计在事后发现偏差。制度本身是软的，让它变硬的是人的判断、人的顾虑和人的责任。

这套体系能够长期运行，还有一个更少被讨论的原因：人做事情本身很慢。

一名员工要采购一批设备，需要填写申请、寻找供应商、提交审批、通知财务，再由采购执行；即便其中某个环节判断错误，整个过程仍然可能延续几个小时甚至几天。一个财务人员一天能够处理的付款数量有限，一名运维工程师能够执行的生产变更有限，一位管理者能够作出的重大决定同样有限。这种缓慢在效率上是成本，在治理上却是一种被无意间赠予的余量。主管可能在中途发现不对，财务可能提出疑问，同事可能打一个电话确认，风控可能暂停交易；即使事情已经开始，管理层往往仍有时间介入。

因此，传统企业治理并不只建立在 Policy 之上，它还隐含地依赖着另一个条件：

执行速度不能远远超过组织发现问题和纠正问题的速度。

这个条件过去太过普通，以至于我们几乎从未把它当成治理体系的一部分。它不写在任何制度文件里，却支撑着所有制度文件。AI Agent 第一次让它不再理所当然。

二、Agent 改变的首先不是智能，而是时间

关于 AI Agent，公共讨论几乎全部集中在智能维度：它能够理解自然语言，能够拆解任务，能够选择工具，能够连续完成多个步骤。这些确实是能力的跃迁，但从组织治理的角度看，Agent 带来的另一个变化可能更加根本——它压缩了从判断到执行之间的时间。

过去一名员工接到“处理这批供应商账款”的任务，需要打开系统、核对数据、逐笔操作，工作节奏天然被人的注意力和体力切分成若干段落；一个 Agent 则可以一次读取整批发票，核验供应商信息，生成支付请求，然后连续调用接口。过去一个团队几个小时完成的事情，可能被压缩到几分钟甚至几十秒。

效率因此提高，这正是企业引入 Agent 的理由。但同一件事情还有另一面：人的错误过去也是以人的速度传播的，而 Agent 的错误开始以机器的速度传播。当一个人判断错一笔付款，组织需要处理的是一笔错误；当一个 Agent 对同一类任务形成系统性误判，它可能在任何人察觉之前已经重复执行几十次、几百次。上一节提到的那段由人自然填补的缓冲时间，在这里被直接抽走。

真正发生变化的并不是“AI 比人更容易犯错”。事实上，在许多重复性判断上，未来的 AI 完全可能比大量员工更稳定、更少疲劳、更不情绪化。问题在于另一件事：

相同的一次判断偏差，经过不同的执行速度之后，会产生完全不同的治理后果。

这意味着 AI Agent 给企业提出的管理问题，并不只是如何提高模型准确率，而是如何面对一个越来越明显的不对称：机器执行越来越快，组织纠错仍然按照人的速度运行。而当速度成为问题的核心，我们就必须重新审视那些原本被认为足够可靠的规则本身。

三、Policy 最大的问题，是它自己不会阻止任何事情

过去几年，AI Governance 已经形成了相当完整的方法论。企业制定 AI 使用规范，划分风险等级，要求模型评估，建立伦理委员会，记录数据来源，规定哪些业务允许使用 AI。这些工作重要且必要，它们让组织第一次对智能系统有了共同语言。

但它们有一个共同特点：它们主要规定系统应该怎样运行。而“应该”与“实际会不会发生”之间，始终存在距离。

这一点其实和传统企业制度完全一样。员工手册写着“不得泄露客户信息”，并不能物理阻止一个拥有数据访问权的人复制文件；财务制度写着“大额付款必须双人复核”，也只有当支付流程真正要求第二个人参与时，这条规定才从文字变成控制。于是 Policy 始终可能处在两种性质完全不同的状态：一种是“组织希望你这样做”，另一种是“如果不满足这条规则，系统就不会继续执行”。

在人类组织里，我们长期容忍第一种状态，因为它足够用——人会承担责任，管理者可以监督，违规者可以追责，而且执行速度相对有限，第一种状态往往有时间在事情失控前退回到第二种。Agent 改变的正是这个条件。一个 Agent 不会因为员工手册写着“高风险操作需要谨慎”就自发放慢；如果它持有合法 Token、可用 API 和足够权限，Policy 与 Execution 之间可能只剩下一次函数调用的距离。

于是一个过去主要属于管理学的问题，开始变成工程问题：

一条治理规则，究竟只是告诉 Agent 应该怎么做，还是能够决定某个动作是否真的允许发生？

这可能正是 AI Governance 下一阶段最大的变化。它要求我们重新追问的，不再只是规则的内容，还有规则被安放的位置。

四、当纠错速度跟不上执行速度，治理必须向前移动

传统治理通常分布在执行的前后两端。执行之前有制度、培训、审批和权限配置；执行之后有日志、审计、调查和责任追究。中间真正发生动作的那一瞬间，多数系统反而默认放行：既然身份和权限在前面已经校验通过，动作就可以继续。

对人的操作而言，这种结构长期基本可用，因为前后两端之间的时间足够长，长到足以让人插进来。但面对自主 Agent，这段间隙开始暴露。如果一个 Agent 在十秒钟内能够连续完成几百个动作，那么五分钟后的报警已经不是实时控制，第二天的审计当然能够解释发生了什么，却无法收回那些动作已经产生的结果。审计回答的是“为什么会这样”，而组织真正需要的是“不要变成这样”。

因此治理必须从执行之前和执行之后，进一步进入执行过程之中。

这也是 BCG 所提出的 Enterprise AI Control Plane 中最值得注意的部分。它并不是再增加一个管理后台，而是主张身份认证、Agent 与工具注册、可见性以及 runtime policy enforcement 统一进入 Agent 实际运行的环境——在 BCG 的描述中，未注册的 Agent 试图调用 API 或 MCP 服务器时会在调用发生的那一刻被拦下，而不是事后被记录。BCG 也提醒，这一层如果脱离 AI Ops、DevOps 和产品生命周期而单独存在，就会沦为 shelfware。近来其他企业安全讨论也在朝类似方向移动：治理不能只是一套合规文件，而需要在真实运行环境中持续产生与上下文相关的控制。

这里真正改变的，是治理发生的位置。过去我们更多在问“规则是什么”，未来越来越需要继续问“规则在哪里真正产生约束”。

五、治理进入执行，不等于给 Agent 增加更多审批

这里很容易出现一个误解。既然 Agent 执行太快，那是不是在每个动作之前都让人重新点一次确认就好？

如果这样做，Agent 最重要的价值——自主完成任务——也就被重新取消了。企业花力气引入自主软件，却用人工节拍把它拖回人的速度，这不是治理，只是把效率收益退回去。

真正需要进入执行的并不是更多人工审批，而是把原本隐含在人类判断里的边界，翻译成系统可以实时判断的条件。过去那些由老练的财务人员凭经验停下来的瞬间——收款账户什么时候变过、这笔金额和批文对不对得上、这个任务是不是早就该结束了——本质上都是可以被表达的条件，只是过去从未被要求写清楚。

因此，一项支付任务完全可以自动执行，但系统仍然可以在真正付出去之前逐条检查：对象是否仍是原来的供应商，金额是否仍在批准范围内，账户状态是否正常，任务是否仍然有效，相关证据是否完整，以及有没有任何一条独立规则明确禁止当前动作。满足条件，自动继续；条件不满足，立即停止。这种最终拒绝的能力，才是治理真正落到执行层的标志——它不需要人时刻在场，却保证在关键处一定有人定下的边界在场。

这和传统治理有一个非常重要的区别。传统 Policy 更像是在描述“组织希望什么发生”，执行控制则进一步回答“现实改变之前，什么条件必须成立”。

因此，Execution Governance 与 Execution Control 并不是同一件事情。前者负责定义规则、责任和边界，后者负责让其中那些真正重要的边界在执行路径上不可被轻易绕过。可以把它理解成：

Governance 决定什么是正确的，Control 决定错误的东西能不能继续发生。

两者缺一不可。而当后者开始成型，治理这个词本身的含义也会随之改变。

六、AI Governance 最终可能成为一种实时能力

过去企业谈治理，联想到的是制度、委员会、审计、风险报告和责任体系。这些东西不会消失，它们仍然承担着定义价值取向和分配责任的功能。但 Agent 可能迫使我们为“治理”这个词补上一种新的能力。

当智能只负责提供建议时，治理主要约束人如何使用它；当智能开始直接执行，治理就必须获得一种此前不需要的性质：在现实改变之前产生作用。

这也是为什么 Control Plane、Runtime Authorization、Runtime Policy Enforcement 这些概念正在越来越频繁地出现。它们背后不一定会收敛成同一种技术架构，但共同反映了一个变化：企业开始意识到，面对能够自主行动的软件，仅仅知道它做了什么已经不够，仅仅规定它应该做什么也不够。治理必须越来越接近“事情发生的那一刻”。

未来真正成熟的 AI 企业，也许不会因为写下了更多 Policy 而显得治理更好，而会因为它能够把不同风险对应到不同层级：普通任务高度自动化，重要动作具备清晰边界，高风险执行能够被实时判断，异常状态可以在机器速度下被停止扩散。

这不意味着治理会变得更加保守，恰恰相反。只有当组织真正拥有运行时边界，它才可能放心地把更大的自主空间交给 Agent，因为它不再需要在“完全相信 AI”和“什么都让人审批”之间二选一。信任不再依附于某一个具体对象是否可靠，而是由结构本身承载——这也是企业治理一直以来的成熟路径，从依赖可信的人，走向依赖可信的结构。

过去企业依靠制度告诉人什么应该做，再用审计和责任体系纠正偏差。这套机制建立在人类速度之上，因此长期有效。AI Agent 改变的，正是这个最不起眼也最基础的条件。当一次判断可以在几秒钟里变成几百次真实操作，当执行速度第一次系统性地超过组织发现问题和纠正问题的速度，Policy 与 Execution 之间那段过去由人自然填补的距离，就不能继续保持空白。

所以，AI Governance 下一阶段真正重要的变化，也许不是制定更多规则，而是让最关键的规则拥有抵达执行层的能力。这也是 Agent 时代企业治理真正需要完成的那次转变：从管理智能，走向管理智能能够产生的现实后果。说到底，需要被约束的从来不是某一个具体的执行者，而是那种不受约束地把判断变成现实的权力。

当执行速度超过组织的纠错速度，治理就不能只存在于执行之前和执行之后。它必须进入执行本身。