我们发现企业AI治理真正难的，不是“禁”，而是“放”

AI真正进入企业之后，

最重要的不是模型，而是秩序

——一个CIO对Agentic AI的第二阶段思考

如果让我用一个最直观的类比，来解释今天企业面对Agentic AI的处境，我越来越觉得，它很像小汽车刚被发明出来的时候。

汽车刚出现时，它的价值谁都看得见：更快、更远、更高效率，理论上可以大幅改变人和货的流动方式。可问题也同样明显：那时候没有驾照，没有交通规则，没有红绿灯，没有限速，没有车道，也没有围绕事故处理、责任认定、保险和年检建立起来的一整套制度。

于是，在那个阶段，大家对汽车最强烈的感受，并不一定是“它跑得有多快”，而往往是“它出事有多容易”。

不是汽车没有价值，而是在规则缺位的早期阶段，事故的概率，往往比提速的红利更先被看见。

今天的Agentic AI，其实非常像那个时刻的汽车。

它的价值已经很明显了：写材料、做方案、写代码、查资料、跑流程、调工具，样样都比过去更快。可它带来的风险也一样真实：员工会不会把敏感信息输进去？会不会调用来路不明的技能？会不会在没有授权的情况下读文件、连系统、执行动作？一旦出了问题，企业能不能追溯，能不能复盘，能不能划清责任？

所以企业今天面对AI时，最容易犯的一个错误，就是把问题简单理解成“要不要禁”。

但回头看汽车的发展史，真正推动它进入社会主流的，从来不是“禁止汽车上路”，而是另一套东西：驾照、交规、车道、信号灯、交警、保险、年检，以及围绕它们建立起来的制度秩序。

这也是为什么我越来越相信：企业AI治理真正难的，不是“禁”，而是“放”。

因为“禁”只是一个动作，而“放”背后，需要的是一整套治理能力，更需要的是一整套制度建设。

一、为什么“禁”看起来简单，却往往解决不了真正的问题

在汽车刚出现的时候，如果只从风险角度出发，最简单的办法当然是“不许上路”。

可问题在于，只要一种技术带来的效率优势足够大，需求就不会因为禁令而消失。它只会换一种方式继续存在。

Agentic AI今天在企业里也是一样。

你禁一个工具，很快会冒出新的工具；你禁公司终端，员工可能转去个人设备；你禁公司网络，员工可能转去个人热点。表面上看，使用量似乎降下来了，实际上只是从“看得见的使用”变成了“看不见的使用”。

这时候，风险并没有减少，只是从显性的工具风险，转成了隐性的行为风险。

更麻烦的是，一旦使用行为转入地下，企业连最基本的可视性都失去了：

你不知道谁在用；

你不知道用了什么；

你不知道输入了什么数据；

你不知道调用了什么能力；

你也不知道问题是怎么发生的。

这就像没有交通规则的时代，人们并不是不坐车了，而是在一套没有边界、没有秩序、没有责任体系的环境里高速移动。真正危险的，不是“车出现了”，而是“车已经上路，但规则还没来得及建立”。

所以对企业来说，单纯封禁并不是治理的终点，很多时候，它甚至不是治理真正有效的起点。

二、企业今天真正要治理的，不是某个AI工具，而是“AI上路”这件事本身

汽车时代后来之所以逐渐从混乱走向秩序，不是因为社会在盯着“哪一辆车的品牌最危险”，而是开始管理更本质的东西：

谁可以开车；

在什么路上开；

以什么速度开；

什么情况下不能开；

出事故以后谁负责、怎么处理。

企业今天面对Agentic AI，其实也不能把治理对象停留在“OpenClaw、某某Copilot、某某Agent”这些名字上。

工具名字会变，入口会变，界面会变，甚至一年之后主流产品都可能换一轮。但真正不变的，是它背后的能力结构：

它能不能读企业数据；

它能不能调用知识库、插件和外部API；

它能不能连接内部系统；

它能不能执行动作；

它的输入、输出和行为能不能被追溯。

如果说汽车治理的对象，本质上是“交通行为”，那么企业AI治理的对象，本质上就是“人机协作行为”。

你真正要管的，不是某个客户端有没有安装，而是它有没有越过能力边界；你真正要防的，也不是某个网页能不能打开，而是它有没有在没有规则的情况下进入企业关键流程。

想清楚这一点以后，很多企业就会意识到：AI治理不是软件管控问题，而是秩序建设问题。

三、真正难的是“放”：因为放行意味着你要先建起一整套路权体系

汽车之所以能从危险机器变成现代社会的基础设施，并不是因为大家都学会了小心，而是因为社会为它建立了一整套路权体系。

企业放行Agentic AI，其实也是一样。

1. 先要有“驾照”——谁可以用

不是每个人都应该拥有同样的AI权限。

写公开文案的员工，和接触客户方案、源代码、生产配置、财务数据的员工，不应该站在同一条权限线上。就像不是每个人都能直接驾驶重型车辆、特种车辆一样，企业也必须区分：

谁可以使用通用问答；

谁可以访问企业知识；

谁可以调用联网能力；

谁可以使用本地模型处理敏感任务；

谁可以调用具备执行能力的 Agent。

这其实就是AI的“驾照制度”。

不是为了卡住业务，而是为了让不同风险等级的人，匹配不同等级的能力。没有分级授权，所谓的“开放使用”很快就会退化成“无差别放行”。

例子

2.先要有“交通规则”——什么能做，什么不能做

驾照只是起点，真正让道路秩序形成的是规则。

企业AI也是一样。必须明确：

什么数据可以输入；

什么数据必须脱敏；

哪些场景允许使用；

哪些场景只能辅助使用；

哪些场景绝对不能交给AI。

很多企业今天最容易低估的，就是Prompt本身就是数据入口。客户名称、项目代号、合同金额、架构细节、战略意图，往往不是通过文件上传泄露的，而是直接写在提问里的。

所以AI时代的“交通规则”，首先应该落在Prompt、场景和边界上，而不只是落在安装包和网址上。

例子

默认情况下，所有Agent应按只读和最小权限设计。任何C4能力必须单独审批、单独授权、单独审计，不得随人员权限自动开放。

3.先要有“道路和车道”——能力必须分流

并不是所有车都该跑在同一条路上，同样也不是所有AI任务都该走同一种处理路径。

高敏数据处理、高价值业务决策、核心代码分析，应该走更严格的本地化、受控化路径；普通办公辅助、公开信息整理、表达优化，则可以走相对开放的云端能力。

这背后其实对应的是企业最重要的一条制度原则：业务必要、按级放行、按路况分流。

如果没有分流，企业就会陷入两个极端：要么全部收紧，业务跑不动；要么全部上云，风险收不住。

真正成熟的治理，从来不是“一刀切”，而是“按路况分流”。

4.先要有“交警和电子警察”——行为必须可审计

一个没有执法和追溯能力的交通系统，规则再写得漂亮也很难真正落地。

企业 AI 也是一样。

如果你不知道：

谁在什么时候用了AI；

输入了什么Prompt；

调用了哪些模型、知识和技能；

返回了什么结果；

是否触发了后续动作；

哪些行为越过了红线；

那你就很难谈真正的治理。

AI时代的审计，不应该只是事后翻文件，而应该是对整条人机协作链路做留痕。只有这样，企业才能把“出了事以后不知道是谁干的”，变成“出了事以后知道怎么复盘、怎么整改、怎么追责”。

四、这件事最后拼的，真不是工具，而是制度

写到这里，其实最关键的一点已经浮现出来了。

汽车真正改变社会，并不是因为它被发明出来了，而是因为围绕它建立起了一整套制度文明。

AI进入企业，也会经历同样的过程。

今天很多企业讨论AI，还停留在工具层面：接哪个模型、选哪个平台、上哪个产品、能不能提效。这些当然重要，但这些都还只是“车本身”的问题。

真正决定AI能不能进入企业主干道、能不能长期运行、能不能从少数人的技巧变成多数人的能力的，是制度。

因为：

工具解决的是“有没有这个能力”；

制度解决的是“这个能力在什么边界内运行”；

工具解决的是“能不能跑起来”；

制度解决的是“怎么跑得久、跑得稳、跑得可控”；

工具解决的是单点效率；

制度解决的是组织秩序。

所以我现在越来越倾向于把企业 AI 建设理解成一件制度建设工程，而不只是技术接入工程。

这套制度，至少应该包括：

准入制度：谁可以用，谁不能用；

使用制度：哪些场景允许，哪些场景限制，哪些场景禁止；

技能制度：插件、知识库、skills/mcp如何审核、发布和下架；

审计制度：日志如何保留、告警如何触发、异常如何复盘；

培训制度：员工如何理解边界、如何安全写Prompt、如何正确使用AI

沉淀制度：优秀Prompt、最佳实践、场景模板如何从个人经验升级为企业资产。

如果说汽车社会最终依赖的是交通法规，那么AI进入企业之后，最终依赖的就是制度化治理。

没有制度，AI的使用就会停留在“个人英雄主义”阶段；有了制度，AI才可能从“个体提效”真正走向“组织能力”。

五、真正的分水岭，不是让AI进不进来，而是让它以什么方式进来

所以回到文章开头那个类比。

小汽车发明出来以后，真正改变世界的，不是“终于有人造出了车”，而是人类社会后来围绕它建立了一整套秩序：驾照、规则、道路、保险、执法、责任。

Agentic AI今天在企业里的位置，我认为正处在非常相似的阶段。

它的价值已经足够明显，企业不可能永远把它挡在门外；但它的风险也已经足够真实，企业也不能在没有边界的情况下让它随意上路。

这也是为什么我越来越相信：

企业AI治理真正难的，不是“禁”，而是“放”。

因为“禁”只需要做减法，而“放”需要先把一整套治理和制度基础设施建起来。对CIO来说，这意味着角色也必须变化。未来我们不只是那个说“不”的人，更应该是那个：

帮业务划边界的人；

帮企业修道路的人；

帮组织建立规则的人；

帮创新从混乱走向秩序的人。

这件事做对了，AI才不是一匹失控的烈马，而会成为一种有缰绳、有路权、有秩序的组织生产力。

而这背后，真正的关键，不是某一个模型、某一个工具、某一个平台，而是企业是否足够重视：

制度，本身就是AI时代最重要的基础设施之一。