CEO不知道公司有多少AI代理在运行——这是AI民主化的胜利，还是企业治理的至暗时刻？
97%的企业已经在运行AI代理，但只有12%建立了治理框架。当ServiceNow把AI代理的生产标准化为工厂流水线时，一个根本性矛盾浮出水面：企业正在以工业化速度制造自己无法监控的数字劳动力。Fortune AIQ榜单的数据更揭示了一个反直觉的事实——拉开AI领先者与落后者差距的最大因素，不是谁部署了更多代理，而是谁在培训人类员工上投入更多。这不是一个技术问题。这是一个组织存亡问题。
第1章：失控的AI代理——CEO的盲区
一个CEO无法回答的问题
想象一个场景：一位Fortune 500公司的CEO在董事会上被问到——”我们公司现在有多少AI代理在运行？”他沉默了。不是因为答案是零，而是因为没有人知道确切数字。
这不是假设。根据ITMethods的调研数据，97%的企业已经在运行AI代理，但仅有12%建立了正式的治理机制 (来源: ITMethods, Agent Sprawl Is the New Shadow IT)。这意味着在绝大多数企业中，AI代理的部署处于一种”野蛮生长”状态——业务部门自行接入大语言模型，IT团队搭建自动化工作流，个别员工甚至用个人账号调用API来完成日常任务。整个过程几乎没有中央化的可见性，更谈不上统一治理。
与此同时，另一组数据让问题更加尖锐：67%的员工正在使用未经企业批准的AI工具 (来源: Yahoo Finance, Shadow Agent Gap)。这不是传统意义上的”影子IT”——员工偷偷用Dropbox存文件、用WhatsApp讨论工作那种级别的风险。AI代理具有自主决策能力，它们可以访问企业数据、触发工作流、甚至代表企业与外部系统交互。一个未经治理的AI代理，其风险等级远高于一个未经批准的SaaS应用。
ServiceNow的回应：AI Workflow Factory
正是在这一背景下，ServiceNow于2026年推出了AI Workflow Factory。根据ServiceNow官方公告，这一产品的核心定位是将工作流改进转变为一个由Agentic AI驱动的持续循环——AI代理不仅执行工作流，还能自动发现工作流中的低效环节，并提出甚至自主实施优化方案 (来源: Yahoo Finance/ServiceNow, ServiceNow launches AI Workflow Factory)。
这个产品名称本身就值得玩味。”Factory”——工厂。ServiceNow有意将AI代理的创建和部署比作工业化生产：标准化、可重复、可规模化。在ServiceNow的愿景中，企业不应该把每一个AI代理都当作手工艺品来打造，而应该建立一条流水线，让AI代理的生产变得像制造业一样高效。
ServiceNow在Knowledge 2026大会上进一步阐述了这一愿景，将其称为”Agentic Business”——一种由AI代理深度嵌入企业运营的新型商业形态 (来源: ServiceNow UK Blog, Welcome to Agentic Business, Knowledge 2026)。在这一框架下，AI代理不再是辅助工具，而是与人类员工并行的”数字劳动力”，承担着从IT服务管理到客户服务、从财务流程到供应链优化的广泛职责。
但这里存在一个根本性的张力：工厂的效率取决于标准化和可控性，而当前企业AI代理的现实恰恰是非标准化和不可控的。ServiceNow试图用平台化的方式解决这个问题，但问题在于——你无法治理你看不见的东西。
Agent Sprawl：比Shadow IT更危险的新物种
传统的Shadow IT——员工自行购买和使用未经IT部门批准的软件——已经困扰企业治理领域超过15年。但AI代理蔓延（Agent Sprawl）是Shadow IT的进化版本，其危险性呈指数级上升，原因有3个：
第1，自主性。 传统Shadow IT工具是被动的——Dropbox不会主动决定把文件分享给谁，Slack不会自己发起一个业务流程。但AI代理具有自主决策能力。一个被部署在客服场景中的AI代理，可能会在没有人类监督的情况下做出退款决策、修改客户记录、甚至触发跨系统的数据流转。
第2，不可见性。 传统SaaS应用至少有明确的订阅账单、登录记录和网络流量特征，IT部门可以通过CASB（Cloud Access Security Broker）等工具发现它们。但AI代理可以以API调用的形式隐藏在现有系统中，一个员工在Excel宏里嵌入GPT-4的API调用，在网络流量层面几乎与正常的HTTPS请求无异。
第3，级联效应。 当一个AI代理的输出成为另一个AI代理的输入时，错误会被放大和传播。在一个高度自动化的工作流中，一个上游代理的幻觉（hallucination）可能在几秒钟内通过下游代理转化为实际的业务决策——发出错误的采购订单、批准不合规的报销、或向监管机构提交错误的数据。
ServiceNow显然意识到了这一问题。2026年，ServiceNow宣布扩展其AI Control Tower功能，使其能够发现、观察、治理、保护和度量部署在企业任何系统中的AI (来源: ServiceNow Newsroom, ServiceNow expands AI Control Tower)。这一举措的核心逻辑是：在你能治理AI代理之前，你首先需要知道它们的存在。AI Control Tower的目标是为企业提供一个跨系统的AI代理全局视图——不仅覆盖在ServiceNow平台上创建的代理，还包括部署在其他系统中的第三方AI代理。
但这里有一个商业模式层面的微妙之处：ServiceNow既是AI代理的生产者（通过AI Workflow Factory），又试图成为AI代理的治理者（通过AI Control Tower）。这就像一家汽车制造商同时经营交通管理局——它有动力让更多的车上路，但也声称自己能确保交通安全。这种双重角色是否存在内在冲突，是企业CIO需要认真思考的问题。
第2章：Fortune AIQ榜单的核心发现——差距在人，不在机器
一个反直觉的数据点
2026年10月，Fortune与ServiceNow合作发布了AIQ（AI Quotient）榜单，对企业的AI成熟度进行了多维评估。这份榜单的核心发现颠覆了一个普遍的直觉认知：AI领先企业（Pacesetters）与落后企业之间最大的差距，不在于技术部署的激进程度，而在于对人类员工的AI培训投入 (来源: Fortune, ServiceNow unpacks the Fortune AIQ list, 2026-10-02)。
这个发现值得反复咀嚼。在过去2年的企业AI叙事中，主流话语一直围绕着”部署速度”和”代理数量”展开——谁先上线了多少个AI代理，谁的自动化覆盖率更高，谁的AI投资规模更大。但Fortune AIQ的数据表明，这些指标并不是区分AI赢家和输家的关键变量。
真正拉开差距的是一个看似”低技术含量”的因素：人的准备度。
ServiceNow的Diana David参与了AIQ榜单数据的解读。根据Fortune的报道，Pacesetters——即AIQ评分最高的企业——在AI培训方面的投入显著高于其他企业。这里的”培训”不仅仅是教员工如何使用某个AI工具，而是更深层次的能力建设：如何判断AI输出的可靠性，如何在AI辅助决策中保持人类判断力，如何识别AI代理的异常行为，以及如何在AI增强的工作流中重新定义自己的角色 (来源: Fortune, ServiceNow unpacks the Fortune AIQ list, 2026-10-02)。
为什么”人的培训”成为最大差距？
要理解这一发现的深层逻辑，需要回到AI代理的本质特征。
与传统软件不同，AI代理的行为具有概率性和不确定性。一个ERP系统的行为是确定性的——相同的输入永远产生相同的输出。但一个基于大语言模型的AI代理，其输出受到prompt设计、上下文窗口、模型版本、温度参数等多重因素影响，即使输入完全相同，输出也可能存在差异。
这意味着与AI代理协作的人类员工，需要具备一种全新的能力——概率性判断力。他们需要理解AI的输出不是”对或错”的二元结果，而是一个置信度谱系上的某个点。他们需要知道什么时候可以信任AI的建议，什么时候需要质疑，什么时候必须介入。
这种能力不是天生的，也不是通过简单的产品培训就能获得的。它需要系统性的教育投入——包括对AI基本原理的理解、对特定业务场景中AI局限性的认知、以及在实践中不断校准人机协作模式的经验积累。
Fortune AIQ的数据揭示了一个残酷的现实：大多数企业在AI代理的技术部署上投入了大量资源，但在人员培训上严重不足。结果是，企业拥有了越来越多的AI代理，但使用这些代理的人并没有准备好。这就像给一个没有驾照的人一辆F1赛车——速度越快，风险越大。
新加坡的案例：部署速度 vs 组织成熟度
新加坡的数据提供了一个有趣的参照。根据ServiceNow新加坡企业AI成熟度指数，新加坡的Agentic AI采用率在2026年翻了一番，已有10%的企业开始重新设计工作方式以适应AI代理 (来源: ServiceNow Newsroom, Singapore Enterprise AI Maturity Index, 2026)。
10%这个数字本身并不惊人，但它的含义值得深思。这意味着即使在新加坡这样一个以数字化程度高、政策环境友好著称的市场中，真正在组织层面完成AI代理整合的企业也只有1/10。其余90%的企业可能已经部署了AI代理，但尚未从根本上重新思考工作流程、组织架构和人员能力模型。
这与Fortune AIQ的发现形成了呼应：部署AI代理是容易的，但让组织真正准备好与AI代理协作是困难的。技术部署可以在几周内完成，但组织转型需要数月甚至数年。
第3章：工厂模式的诱惑与陷阱
AI Workflow Factory的产品逻辑
ServiceNow AI Workflow Factory的核心产品逻辑可以用一句话概括：将工作流改进从离散的项目变成持续的、AI驱动的循环 (来源: Business Standard/ServiceNow, AI Workflow Factory launch)。
在传统的企业工作流优化中，改进是一个周期性的、人工驱动的过程：咨询顾问进场，绘制现有流程，识别瓶颈，提出优化方案，实施变更，然后在下一个review周期重复。这个过程通常以季度或年度为单位，成本高昂且响应缓慢。
AI Workflow Factory试图将这一过程自动化和持续化。在ServiceNow的设计中，AI代理不仅执行工作流，还持续监控工作流的运行状态，自动识别低效环节（如审批瓶颈、数据冗余、异常延迟），并提出优化建议——在某些场景下，甚至可以自主实施优化。
这一产品设计的吸引力是显而易见的。对于一个拥有数千个工作流的大型企业来说，人工review每一个流程的效率和成本是不可接受的。AI代理可以7×24小时不间断地监控和优化，其覆盖面和响应速度远超人类。
但这里隐藏着一个深层的产品哲学问题：当AI代理既是工作流的执行者，又是工作流的优化者时，人类在这个循环中的角色是什么？
自我优化循环的风险
让我们用一个具体的场景来说明这个风险。
假设一个企业的IT服务台使用ServiceNow平台，部署了多个AI代理来处理员工的IT支持请求。AI Workflow Factory监控这些代理的运行数据，发现一个模式：某类硬件故障请求的平均处理时间为4小时，其中3小时花在了等待人工审批上。Factory的优化建议是：对于低于某个金额阈值的硬件更换请求，跳过人工审批，直接由AI代理批准。
从效率角度看，这是一个完美的优化——处理时间从4小时缩短到1小时，员工满意度提升，IT服务台的吞吐量增加。但从治理角度看，这意味着一个AI代理刚刚自主决定移除了一个人类控制点。如果这个决策没有经过充分的风险评估和合规审查，它可能违反了企业的采购政策、审计要求或内部控制框架。
更关键的是，在一个持续优化的循环中，这类决策不是一次性的。AI Workflow Factory会不断发现新的”低效环节”并提出优化建议。随着时间推移，越来越多的人类控制点可能被”优化”掉，整个工作流逐渐从人机协作演变为AI自主运行。这个过程可能是渐进的、不引人注意的——每一步优化看起来都是合理的，但累积效应可能是人类对工作流的实际控制力被系统性地侵蚀。
这就是工厂模式的核心陷阱：工厂越高效，治理缺口可能越大。
ServiceNow的治理回应：AI Control Tower
ServiceNow显然意识到了这一风险，这也是为什么它在推出AI Workflow Factory的同时，大力强化了AI Control Tower的功能。
根据ServiceNow的官方公告，扩展后的AI Control Tower具备5大核心能力：发现（Discover）、观察（Observe）、治理（Govern）、保护（Secure）和度量（Measure）部署在企业任何系统中的AI (来源: ServiceNow Newsroom, AI Control Tower expansion)。
这5个能力的排列顺序本身就揭示了治理的逻辑链条：
- 发现：你无法治理你看不见的东西。Control Tower首先需要扫描企业的整个技术栈，识别所有正在运行的AI代理——包括在ServiceNow平台上创建的和在其他系统中运行的。
- 观察：发现代理之后，需要持续监控它们的行为——它们在做什么决策，访问了什么数据，触发了什么动作。
- 治理：基于观察到的行为，应用治理策略——哪些代理被授权执行哪些操作，哪些决策需要人类审批，哪些数据是禁区。
- 保护：确保AI代理不会成为安全漏洞——防止prompt注入攻击、数据泄露、权限提升等AI特有的安全风险。
- 度量：量化AI代理的业务价值和风险水平，为管理层提供决策依据。
Forbes在2026年5月的报道中指出，ServiceNow正在深化其代理治理能力，以应对企业对AI代理管控的日益增长的需求 (来源: Forbes, ServiceNow Deepens Agent Governance, 2026-05-05)。这篇报道还提到了一个有趣的背景：在”SaaSpocalypse”——即传统SaaS模式面临AI代理冲击的担忧——的大环境下，ServiceNow的策略是将自己定位为AI代理时代的”治理基础设施”提供商，而不仅仅是一个工作流自动化平台。
平台化治理的局限性
但平台化治理存在一个根本性的局限：它只能治理平台能够触达的AI代理。
在现实的企业环境中，AI代理的部署渠道是高度分散的。ServiceNow的AI Control Tower可以发现和治理在Now Platform上创建的代理，也声称能够覆盖部署在其他系统中的AI。但一个员工在本地机器上运行的LLM（如通过Ollama部署的开源模型），一个业务部门通过第三方低代码平台搭建的AI工作流，或者一个嵌入在Excel VBA宏中的GPT API调用——这些”暗物质”级别的AI使用，是否真的能被Control Tower捕获？
回到那个核心数据点：67%的员工正在使用未经批准的AI工具 (来源: Yahoo Finance, Shadow Agent Gap)。这些未经批准的使用中，有多少是发生在企业IT部门的可见范围之外？如果答案是”大部分”，那么即使是最先进的AI Control Tower，也只能治理冰山露出水面的部分。
ServiceNow在其官方新闻稿中将自己的战略定位为”将企业AI混乱转化为控制”(来源: ServiceNow Newsroom, ServiceNow turns enterprise AI chaos into control, 2026)。这个定位既是产品承诺，也是市场营销。真正的问题是：在AI代理蔓延的速度远超治理能力建设速度的当下，”控制”是否只是一种幻觉？
第4章：AI民主化 vs 企业治理——不可调和的张力？
两个不可同时满足的目标
让我们把问题提升到更抽象的层面。
企业AI战略面临一个根本性的二律背反：
目标A：AI民主化。 让尽可能多的业务部门和员工能够创建和使用AI代理，以最大化AI的业务价值。这意味着降低AI代理的创建门槛，提供低代码/无代码工具，鼓励业务创新，容忍一定程度的实验和试错。
目标B：AI治理。 确保企业知道每一个AI代理的存在、行为和风险，维护数据安全、合规性和可审计性。这意味着集中化的控制、标准化的审批流程、严格的访问权限管理，以及对未经批准的AI使用的零容忍。
这两个目标之间存在根本性的张力。推动AI民主化会增加Agent Sprawl的风险；加强AI治理会降低AI采用的速度和灵活性。没有一个企业能够同时将两个目标都推到极致。
ServiceNow的产品策略试图在这两个目标之间找到平衡点：用AI Workflow Factory实现AI代理的规模化生产（服务于目标A），用AI Control Tower实现跨系统的AI治理（服务于目标B）。这是一个优雅的产品架构，但它是否能在实践中解决这个根本性张力，取决于几个关键假设：
假设1：大多数AI代理的创建将通过ServiceNow平台进行。 只有当AI代理的创建集中在一个可控的平台上时，平台化治理才有效。但现实是，AI代理的创建渠道正在急剧多元化——OpenAI的GPTs、Microsoft的Copilot Studio、Google的Vertex AI Agent Builder、Amazon的Bedrock Agents，以及无数的开源框架和低代码工具。ServiceNow只是这个生态系统中的一个节点。
假设2：企业愿意为治理付费。 AI Control Tower是一个成本中心，它不直接产生业务价值，而是降低风险。在企业预算有限的情况下，CIO们是否愿意在已经花费大量预算部署AI代理之后，再投入额外资源来治理这些代理？历史经验表明，安全和治理预算总是在出事之后才会大幅增加。
假设3：治理不会显著拖慢创新速度。 如果AI Control Tower的治理流程导致AI代理的部署周期从几天延长到几周，业务部门可能会选择绕过治理框架——就像过去15年Shadow IT的历史一样。
“知道自己在用什么”的安全原则
在信息安全领域，有一个基本原则被称为”资产可见性”（Asset Visibility）：你无法保护你不知道存在的东西。 这个原则在传统IT环境中适用于硬件资产、软件许可和网络设备，在云时代扩展到了虚拟机、容器和微服务，而在AI代理时代，它需要进一步扩展到AI代理本身。
但AI代理的资产管理比传统IT资产复杂得多。一个传统的IT资产——比如一台服务器——是静态的、确定性的、有明确边界的。你可以给它分配一个资产标签，记录它的配置，监控它的状态。但一个AI代理是动态的、概率性的、边界模糊的。它的行为取决于它接收到的输入、它被赋予的上下文、以及底层模型的版本和参数。同一个AI代理在不同时间、面对不同输入时，可能表现出截然不同的行为。
这意味着传统的IT资产管理方法——CMDB（Configuration Management Database）、资产清单、配置审计——对AI代理来说是必要但不充分的。你不仅需要知道一个AI代理的存在，还需要持续监控它的行为模式，理解它的决策逻辑，评估它的输出质量。这是一个远比传统IT治理更复杂、更昂贵的任务。
对立视角：也许CEO不需要知道
在这里，我必须呈现一个对立的视角。
有一种观点认为，CEO不知道公司有多少AI代理在运行，就像CEO不知道公司有多少个Excel宏或多少个Python脚本一样——这不是问题，而是正常的组织分工。CEO的职责是制定战略和分配资源，而不是清点每一个技术资产。只要有适当的治理框架和组织架构来管理AI代理的风险，CEO不需要知道具体数字。
这种观点有一定道理。在任何大型组织中，最高管理层不可能对每一个运营细节都了如指掌。关键是建立有效的委托-代理机制：CEO将AI治理的职责委托给CIO/CISO，CIO/CISO通过治理框架和工具（如ServiceNow的AI Control Tower）来实施具体的管控。
但我认为这种类比是有缺陷的。Excel宏和Python脚本是被动的工具——它们不会自主做出业务决策，不会访问敏感数据（除非被明确编程这样做），不会与外部系统交互。AI代理则完全不同——它们是主动的、自主的、具有决策能力的。一个失控的Excel宏最多导致一个错误的报表；一个失控的AI代理可能导致数据泄露、合规违规、甚至财务损失。
我的明确判断是：CEO确实不需要知道每一个AI代理的名字，但CEO必须能够在30秒内回答以下3个问题：
- 我们的AI代理治理覆盖率是多少？（即有多少比例的AI代理处于正式治理框架之下）
- 我们最大的AI代理相关风险是什么？
- 如果一个AI代理出了严重问题，我们的应急响应流程是什么？
如果CEO无法回答这3个问题，那就不是”正常的组织分工”，而是治理失败。
第5章：从”生产AI代理”到”培养AI-Ready的人”
Fortune AIQ的核心启示
让我们回到Fortune AIQ榜单的核心发现。
AI领先企业（Pacesetters）与落后企业之间最大的差距在于人类员工的AI培训 (来源: Fortune, ServiceNow unpacks the Fortune AIQ list, 2026-10-02)。这个发现的含义远比表面看起来更深刻。
它意味着，在AI代理时代，企业的核心竞争力正在从”技术部署能力”转向”组织学习能力”。部署AI代理的技术门槛在快速下降——ServiceNow的AI Workflow Factory、Microsoft的Copilot Studio、Google的Agent Builder都在努力让AI代理的创建变得更简单。当技术门槛下降到一定程度时，它不再是差异化因素。
真正的差异化因素变成了：你的员工能否有效地与AI代理协作？
这不是一个可以通过购买更多技术来解决的问题。它需要系统性的组织投入：重新设计岗位职责、更新绩效评估标准、建立AI素养培训体系、创建人机协作的最佳实践、培养员工对AI输出的批判性思维能力。
培训的3个层次
基于Fortune AIQ的发现和行业观察，我认为企业AI培训需要在3个层次上展开：
第1层：工具使用培训。 教员工如何使用特定的AI工具和代理。这是最基础的层次，也是大多数企业目前在做的。但仅有这一层是远远不够的。
第2层：AI素养培训。 让员工理解AI的基本原理、能力边界和局限性。这包括：大语言模型是如何工作的（概率性文本生成，而非”理解”或”思考”）；AI代理可能出现的典型错误模式（幻觉、偏见、上下文丢失）；以及如何评估AI输出的可靠性。这一层的目标是让员工具备”知道何时不信任AI”的判断力。
第3层：人机协作设计培训。 面向管理者和流程设计者，教他们如何设计有效的人机协作工作流——在哪些环节让AI代理自主运行，在哪些环节设置人类检查点，如何处理AI代理的异常输出，如何在AI增强的环境中重新定义人类角色的价值。
Fortune AIQ的数据暗示，Pacesetters在第2层和第3层的投入显著高于其他企业。这是它们真正领先的原因——不是因为它们有更多的AI代理，而是因为它们的人更懂得如何驾驭这些代理。
工厂可以流水线生产代理，但无法流水线生产判断力
这是本文的核心论点，也是我对ServiceNow AI Workflow Factory战略的根本评价。
ServiceNow构建了一个令人印象深刻的产品体系：AI Workflow Factory负责规模化生产AI代理，AI Control Tower负责治理这些代理，Now Platform提供底层的工作流基础设施。这是一个逻辑自洽的技术架构。
但它遗漏了一个关键环节：人。
在ServiceNow的产品叙事中，人类更多是AI代理的”消费者”——他们使用AI代理来完成工作，偶尔审批AI代理的决策，在异常情况下介入。但Fortune AIQ的数据告诉我们，AI成功的关键不在于AI代理本身，而在于人类是否被充分准备好与AI代理协作。
这不是ServiceNow一家的问题，而是整个企业AI行业的盲区。几乎所有的企业AI平台供应商——Microsoft、Google、Salesforce、ServiceNow——都在投入巨资构建更强大的AI代理创建和部署工具，但在帮助企业培训员工方面的投入相对不足。这是可以理解的——卖工具比卖培训更容易量化ROI，也更容易规模化。但这种偏向正在制造一个危险的鸿沟：AI代理的生产能力远远超过了人类的消化能力。
组织治理架构的重构
回到CEO不知道公司有多少AI代理这个问题。我认为这个问题的解法不在技术层（虽然AI Control Tower这样的工具是必要的），而在于组织治理架构的根本重构。
具体来说，企业需要建立以下机制：
1. AI代理生命周期管理。 每一个AI代理——无论是在ServiceNow平台上创建的还是在其他系统中部署的——都应该有明确的所有者、明确的业务目的、明确的权限边界和明确的退役条件。这类似于传统IT中的变更管理流程，但需要适应AI代理的特殊性质。
2. AI代理绩效评估。 定期评估每一个AI代理的业务价值和风险水平。那些业务价值低但风险高的代理应该被优先退役。这需要建立量化的评估框架，而不是仅凭直觉判断。
3. 人机协作审计。 定期审计人类员工与AI代理的协作模式，识别潜在的过度依赖、判断力退化或治理绕行等问题。这是一个全新的审计领域，大多数企业的内审团队尚未具备相关能力。
4. AI素养作为核心能力。 将AI素养纳入企业的核心能力模型，与领导力、沟通能力、专业技能并列。这意味着AI培训不是一次性的项目，而是持续的组织能力建设。
这些机制的建立需要时间、资源和高层的持续承诺。它们不像部署一个AI代理那样可以在几天内完成，也不像购买一个平台产品那样可以一次性解决。但Fortune AIQ的数据表明，正是这些”慢功夫”才是AI成功的真正决定因素。
结语：AI代理竞赛的真正胜负手
让我们回到开头的那个场景：一位CEO被问到公司有多少AI代理在运行。
在2026年的今天，这个问题的正确答案可能不是一个具体的数字，而是一个更有价值的回应：”我不知道确切数字，但我知道我们的治理覆盖率是多少，我知道我们的员工AI培训完成率是多少，我知道我们的AI代理风险评估结果是什么。”
97%的企业在运行AI代理，12%在治理它们 (来源: ITMethods)。67%的员工在使用未经批准的AI工具 (来源: Yahoo Finance)。新加坡只有10%的企业真正重新设计了工作方式 (来源: ServiceNow Newsroom)。Fortune AIQ显示最大差距在于人的培训 (来源: Fortune)。
这些数据点拼凑出一幅清晰的画面：企业AI竞赛正在进入一个新阶段。第1阶段是”谁先部署AI”，这个阶段基本结束了——几乎所有企业都在用AI。第2阶段是”谁能治理AI”，这个阶段刚刚开始，ServiceNow等平台供应商正在提供工具。但真正决定胜负的第3阶段是”谁的人准备好了”——而大多数企业甚至还没有认真开始这个阶段。
ServiceNow的AI Workflow Factory是一个强大的工具，它能够以工业化的效率生产AI代理。ServiceNow的AI Control Tower是一个必要的治理基础设施，它能够提供跨系统的AI可见性。但这两个产品加在一起，也无法解决AI代理时代最根本的挑战：培养具有AI判断力的人。
工厂可以流水线生产代理，但无法流水线生产判断力。
这是每一位CEO、CIO和企业领导者需要正视的事实。AI代理的数量会继续增长，AI代理的能力会继续增强，AI代理的创建门槛会继续降低。但如果企业不在人的准备度上进行同等甚至更大的投入，那么更多的AI代理只意味着更大的风险、更深的治理缺口、以及更多CEO无法回答的问题。
Fortune AIQ的Pacesetters已经明白了这个道理。问题是：其余的企业什么时候才能明白？
参考资料
- Agent Sprawl Is the New Shadow IT: 97% Running, 12% Governing — ITMethods, 2026
- 67% of Workers Use Unapproved AI While Enterprises Ship Governance Infrastructure — Yahoo Finance, 2026
- ServiceNow unpacks the Fortune AIQ list, where the widest gap between AI leaders and laggards is training for humans — Fortune, 2026-10-02
- Welcome to Agentic Business (Knowledge 2026) — ServiceNow Blog, 2026
- Singapore agentic AI adoption doubled in 2026, with 10% of enterprises already redesigning how work gets done — ServiceNow Newsroom, 2026
- ServiceNow launches AI Workflow Factory to turn workflow improvement into a continuous, agentic AI-powered loop — Yahoo Finance/ServiceNow, 2026
- ServiceNow turns enterprise AI chaos into control with the platform for governed, autonomous work — ServiceNow Newsroom, 2026
- ServiceNow Deepens Agent Governance As Enterprise Demand Counters SaaSpocalypse — Forbes, Victor Dey, 2026-05-05
- ServiceNow expands AI Control Tower to discover, observe, govern, secure, and measure AI deployed across any system in the enterprise — ServiceNow Newsroom, 2026
- ServiceNow launches AI Workflow Factory to turn workflow improvement into a continuous, agentic AI-powered loop — Business Standard, 2026
主题分类：D类-企业AI落地