过去两年,企业部署 AI 的主线大多围绕模型选择、知识库、Copilot 和单个 Agent 展开。但当 Agent 真正开始执行工作,企业面对的问题会发生变化:重点不再只是它会不会回答,而是它能做什么、代表谁做、调用哪些系统、花多少钱、出了问题谁负责。
当 Agent 从生成内容进入调用工具、修改数据、执行流程和协作决策,身份、权限、策略、审计、可观测性和成本管理就会成为基础能力。BCG 在 2026 年提出 Enterprise AI Control Plane 的概念,微软、IBM 等平台也开始把 Agent 的观测、策略和治理集中到控制平面中。
因此,下一阶段企业 AI 的竞争未必只是模型能力竞争。真正有机会形成长期壁垒的,可能是连接企业身份体系、业务权限、数据、工具和 Agent 运行环境的控制层。
Agent 从回答问题进入执行任务后,企业治理对象从模型输出扩展到完整的行动链
Agent 数量增加会放大身份、权限、可观测性、成本和审计问题,单点治理很难覆盖整个 Agent Fleet
Enterprise AI Control Plane 的核心不是再做一个聊天界面,而是统一观察、控制、授权和追责
模型层越来越容易被替换,真正黏住企业的可能是与身份、工作流和系统连接深度相关的控制基础设施
单个 Copilot 的风险相对容易理解。用户提出问题,模型给出答案,最终决定权仍在人的手里。但 Agent 一旦获得工具调用权限,软件就从信息提供者变成行动参与者。它可能读取客户资料、创建工单、修改数据库、发送邮件、执行代码,甚至把一个任务拆成多个步骤交给其他 Agent。此时企业需要管理的已经不是一次回答,而是一条完整的执行链。
Agent Fleet 和传统 SaaS 用户数量并不是同一个概念。企业可能在多个业务系统中部署大量 Agent,而这些 Agent 又可能由不同团队、不同模型供应商和不同框架构建。平台一多,权限标准容易不一致,日志分散,成本也难归因。企业最终面对的不是 AI 能不能用,而是 AI 是否已经失去可控性。
这很像云计算从服务器采购走向云管理的过程。服务器数量上升以后,真正重要的是身份、调度、监控、策略和资源管理。Agent 也可能经历类似迁移:模型是计算资源的一部分,而控制层决定这些资源如何安全进入企业生产系统。
传统软件权限主要围绕人和应用设计。Agent 增加了第三类主体:能够自主执行任务的软件实体。企业必须知道一个 Agent 以谁的身份运行、获得哪些权限、权限持续多久,以及它能否把权限传递给另一个 Agent 或工具。
真正困难的是 Agent 权限往往应该比人的永久权限更细。财务 Agent 可以读取发票数据,但未必应该拥有付款权限;销售 Agent 可以更新 CRM,却不应该随意修改合同。未来企业需要结合任务、上下文、风险和时间窗口的动态授权。
一旦 Agent 身份成为企业 IT 的正式对象,身份管理、安全策略和业务流程就会融合。控制层需要把谁在行动与允许做什么绑定起来,再为关键操作留下可审计轨迹。
传统软件监控关注延迟、错误率和可用性,但 Agent 的失败方式更加复杂。它可能调用错误工具、理解错上下文、选择不合适的执行路径,也可能完成任务却产生不可接受的业务结果。
Agent 可观测性需要记录输入和输出之外的工具调用、权限状态、成本、延迟、任务完成率以及人工接管位置。微软的 Foundry Control Plane 已将 Agent Run 的输入、工具调用、输出、延迟和成本纳入端到端追踪,并强调持续评估生产环境中的任务遵循度和工具调用准确性。
更重要的是,可观测性会逐渐与治理合并。企业不是为了知道 Agent 做了什么而记录日志,而是为了异常发生时能够停止、回滚、重新授权或要求人工介入。Observability 因而从看见系统变成控制系统的入口。

当 Agent 进入财务、采购、客户服务、研发和运营等核心流程,企业就需要预先定义哪些事情可以自动完成,哪些必须审批,哪些必须交给人。这实际上是一套策略引擎,而不是简单 Prompt。
复杂任务还会涉及多个 Agent 协作:一个检索数据,一个分析,一个执行系统操作,最后由另一个 Agent 或人工审核。企业需要知道这些 Agent 如何协作、谁拥有最终权限、失败如何重试,以及成本如何分摊。IBM 在 2026 年推出的 Agentic Control Plane 已把运营、治理、可见性、复用和调度放入统一管理层。
长期来看,编排会逐渐成为企业工作流的一部分,决定哪些任务适合自动化、哪些任务需要模型判断、哪些任务必须由确定性软件执行。这样 Agent 平台就不再只是 AI 工具,而开始接近新的业务执行层。
模型能力重要,但控制层的竞争逻辑不同。模型可以更换,同一个任务也可以根据成本、速度、质量和合规要求动态选择不同模型。如果控制系统与单一模型供应商深度绑定,企业反而会担心锁定。
相比之下,身份、权限、业务系统连接和审计记录具有更高迁移成本。企业一旦把大量 Agent 的运行规则、权限体系和工作流建立在某个控制层上,更换平台就意味着重新设计治理体系。因此护城河更可能来自嵌入企业流程,而不是模型参数规模。
未来 AI 软件价值链可能分层:底层是模型和计算,中间是 Agent Runtime、工具连接和编排,上层是业务应用,而贯穿其中的控制平面负责身份、策略、可观测性和治理。

很多企业评估 Agent 时容易陷入做了多少个 Agent 的指标。但如果 Agent 越多,权限越乱、成本越高、重复建设越严重,那么数量本身没有意义。更应该看单位任务成本、自动完成率、人工接管率、错误率和业务价值。
企业采购逻辑可能因此改变:不再只购买一个 Agent,而是购买让 Agent 可以安全部署和持续运营的基础设施。它需要 Agent 目录、身份、权限、版本、运行成本和绩效,以及标准化上线和下线流程。
从产业视角看,Agent 时代的赢家未必都是最会做 Demo 的公司。真正长期受益的可能是掌握身份、数据、工作流、开发平台和企业系统连接的人。Agent 越普及,控制层价值反而可能越高。
过去 AI 竞争解决的是模型能不能完成任务,下一阶段更重要的问题是企业能不能放心让它持续完成任务。两者之间存在巨大的基础设施缺口,而控制平面正位于这个缺口上。
这不意味着每家公司都会购买一套完整 Control Plane。云平台、AI 平台、安全厂商、身份厂商和企业软件公司都可能内建其中一部分能力,竞争很可能围绕标准、生态和默认入口展开。
判断 Agent 商业化是否进入下一阶段,与其统计多少企业宣布部署 Agent,不如观察企业是否开始建立统一的身份、权限、监控、策略和审计体系。一旦这些能力成为生产环境必需品,Agent 才真正从 AI 功能变成企业基础设施。
Agent 的规模化还会改变企业内部的组织方式。过去软件上线后,主要由 IT 团队负责稳定性,业务团队负责使用,安全团队负责风险。但 Agent 同时具有软件、员工和自动化流程的属性,因此会横跨多个部门。成熟的企业 AI 体系需要重新定义谁负责创建 Agent、谁审批权限、谁监控效果、谁承担业务责任。这样的组织变化不会因为模型升级而消失,反而会随着 Agent 进入更多业务环节而越来越重要。
从产品设计角度看,控制系统还会改变企业选择 Agent 的方式。企业不会只问某个 Agent 的回答质量,而会开始问它能否被标准化部署、能否快速撤销权限、能否比较不同模型的任务成本、能否在出现异常时保留完整审计链。换句话说,Agent 的产品评价标准会从 Demo 体验逐渐转向生产可靠性。模型能力依然重要,但它会越来越像整个系统中的一个可替换模块。
如果这一趋势成立,那么 AI Agent 的商业化拐点并不是企业突然购买大量 Agent,而是企业开始愿意为让 Agent 安全运行付费。当身份、策略、观测、编排和审计成为标准能力后,AI 就真正进入企业软件的基础设施阶段。这个阶段的市场空间可能比单一 Copilot 更大,因为控制层服务的不是某一个业务场景,而是企业所有能够行动的 AI 软件实体。
最终值得关注的是标准化。Agent 一旦进入生产环境,企业会逐渐需要统一的 Agent 身份、权限模型、运行日志、评估指标和上线流程。标准化越强,企业就越容易在不同模型和不同 Agent 之间切换,也越容易把一个成功的自动化流程复制到更多部门。反过来,如果每个团队都用自己的框架和规则建设 Agent,规模越大,维护成本越高。控制系统的长期价值,正是在于把这种复杂性收敛成一套可以复用的企业标准。
因为 Agent 一旦具备执行权限,企业就需要统一管理身份、权限、策略、运行状态、成本和审计,而这些问题无法靠单个模型解决。
普通 AI 平台更关注模型调用、开发和部署;Control Plane 更强调跨 Agent 的统一身份、策略、可观测性、治理和运行控制。
不一定。真正应该关注任务完成率、人工接管率、单位任务成本、错误率和业务结果,Agent 数量只是规模指标。
* 投资有风险,入市须谨慎。本文不作为 Gate 提供的投资理财建议或其他任何类型的建议。
* 在未提及 Gate 的情况下,复制、传播或抄袭本文将违反《版权法》,Gate 有权追究其法律责任。





