一家 400 人的香港保险经纪公司正在准备与监管机构开会。运营总监问 IT 总监一个看似简单的问题：公司现在到底有多少个 AI 智能体在运行？
市场部搭了三个智能体，运营部用着供应商的理赔分流机器人，财务部有智能体每晚对账。没有人能拿出完整名单，更说不清每个智能体归谁负责。
这就是 AI 智能体泛滥。本文给出定义，解释它为何在 2026 年成为董事会议题，并提供一套经得起审计的智能体清单框架。
AI 智能体泛滥是什么？
AI 智能体泛滥，指 AI 智能体在组织内不受控地增长，缺少集中记录、明确负责人和治理。不同团队在不同平台各自搭建智能体，最终没有人掌握完整名单，也说不清每个智能体能访问什么、是否还在创造价值。
身份管理厂商 Okta 把智能体泛滥定义为缺乏集中追踪和治理的 AI 智能体扩散。智能体不只回答问题，还会调用工具、写入系统。
泛滥是成功带来的副作用：每个平台都管得好自家的智能体，却看不到别家的。至于智能体如何证明身份，可参考我们的 AI 智能体身份解读。
为什么智能体泛滥在 2026 年成为董事会议题？
智能体泛滥进入董事会，是因为采用速度远远跑在监督前面。2026 年多项调查显示，几乎所有组织都在用 AI 智能体，但只有约五分之一保持实时记录。一旦智能体出错，管理层无法快速说明它碰过哪些系统、由谁批准。
--- Bigeye 引用 OutSystems 2026 年 1 月调查：96% 的组织在用 AI 智能体，但只有 21% 设有实时登记。
--- Technology Magazine 引用 IBM 研究：不到五分之一的组织拥有完整且最新的 AI 系统清单。
--- Dataiku 调查显示，87% 的英国技术负责人认为员工搭建智能体的速度快过中央治理。
Dataiku 首席执行官 Florian Douetteau 直言：问银行运行多少个 AI 智能体，只能得到一个猜测。
智能体泛滥在香港会带来哪些合规风险？
在香港，智能体泛滥会直接变成《个人资料（私隐）条例》风险。私隐专员公署 2026 年合规审查发现，95% 的受查机构在用 AI，约一半同时使用三个或以上 AI 系统，但制定 AI 政策和在董事会讨论 AI 的比例都在下降。
根据 Mayer Brown 的解读，制定 AI 政策的比例从约 63% 降到 50%，董事会层面讨论 AI 的比例同比下降约 25 个百分点。
公署还指出代理式 AI 风险更高，建议只授予最低必要权限、隔离运行环境、使用前审核插件，并保留人工最终决策。但这些措施无法用在一个你不知道存在的智能体身上，清单是一切管控的前提。
如何建立智能体清单？五字段框架
每个智能体先记录五个字段：负责人、用途、数据、权限和价值。信息可以从平台管理后台、采购记录和部门申报中收集，再划定风险等级。对中型企业来说，第一份清单通常是四到六周的工作，而不是软件项目。
--- 负责人：一位具名业务负责人，而不是团队或供应商。
--- 用途：一句话说明业务任务。
--- 数据：读取哪些系统，是否涉及个人资料。
--- 权限：能修改或发送什么。
--- 价值：证明值得运行的指标和复核日期。
风险分级方面，接触客户、个人资料或资金的属于一级，上线前必须认证并定期测试；产出经人工复核的属于二级；没有写入权限的个人工具属于三级，登记一行即可。
这套清单对应 NIST AI 风险管理框架 GV.1.6 的要求；据 Bigeye 引述，Gartner 也把建立集中清单列为管理智能体泛滥的第二步。
香港企业的智能体治理落地是什么样子？
不同行业的重点不同：金融机构关注个人资料和模型风险，物流集团关注能修改运单或账单记录的智能体，物业管理公司关注住户资料和供应商工具。共同点是：每个智能体都必须有具名负责人和风险等级。
一家地区银行在四个平台上找出 34 个智能体，其中六个接触客户资料，于是先完成这六个的认证，并清理了九个重复智能体。
一家物流集团发现某个智能体直接更新运输系统的派送状态，却从没获批写入权限。正确做法是指定负责人、收窄权限、记录改动，而不是一关了之。访问模型的考量可参考我们的 零复制 AI 解读。
组织在治理智能体泛滥时最常犯哪些错误？
最常见的错误包括：一刀切禁止智能体，导致它们转入地下；把清单当成一次性表格；依赖各家供应商后台提供可见性；以及从不下线智能体。这样得到的名单看起来完整，却过不了第一个认真的审计问题。
--- 只堵不疏：禁令只会让员工改用个人账户。
--- 只更新一次：智能体每周都在变，清单应每月更新。
--- 只信单一供应商：清单必须覆盖所有平台。
--- 没有下线机制：负责人离职后，智能体仍带着有效凭证运行。
--- 忽视价值：回答不了财务总监：哪些智能体值得付费？
应该如何向董事会汇报智能体泛滥？
向董事会汇报时，建议用四到五个能看出趋势的指标：智能体总数及分级、有具名负责人的比例、高风险智能体的认证比例、控制异常智能体所需时间，以及已下线数量。趋势能证明管控在改善，单次快照做不到。
Dataiku 研究显示，超过三分之二的英国企业需要 24 小时以上才能控制出问题的智能体，你的目标应按小时计。这份一页季度报告，也正好补上公署发现正在减少的董事会 AI 讨论。
结论：数不清的东西，就管不住
智能体泛滥并不说明 AI 推进失败，而是说明它成功得比治理更快。真正领先的组织，是能随时说清每个智能体归谁负责、值多少的那些。
懂AI，更懂你 UD相伴，AI不冷
由 UD 企业 AI 团队审阅。文中数据已于 2026 年 10 月 8 日依据上述厂商、分析机构和法律来源核实。
让你的 AI 智能体重回掌控
了解了框架，下一步是盘点组织里已在运行的智能体，并决定哪些需要认证、整合或下线。UD 团队手把手带你完成每一步，从智能体盘点、风险分级，到部署受治理的 AI 员工和成效追踪，28 年企业服务经验，全程陪你走。
