从“能办事”到“可掌控”，企业智能体热潮下，为什么需要主权 AI？

10月21日，ServiceNow 在 NVIDIA GTC 大会上宣布，其面向企业的个人 AI 智能体 Arc 正式开放使用。按照官方介绍，Arc 可以跨邮件、Teams 和企业工作流处理任务，围绕目标规划步骤、调用工具，并在执行过程中检查和调整。与智能体一起被摆上台面的，还有企业如何管理它。ServiceNow 和 NVIDIA 介绍了一套智能体治理方案，希望帮助企业规定智能体可以访问哪些系统、读取哪些数据、调用哪些工具，以及在什么情况下停止执行。其中，Arc 已经开放使用，AI Passport 与 NVIDIA 运行环境及硬件层的相关集成，仍计划在后续版本推出。

2026年10月，ServiceNow 与 NVIDIA 介绍企业智能体及治理方案。图片来源：ServiceNow 官网

这次发布，让一个原本属于技术讨论的话题变得具体起来。过去，企业关注 AI 能不能回答问题，能不能帮员工写材料、查资料。现在，AI 开始接触邮件、文件和业务系统，也开始尝试替人执行任务。企业随之要面对新的问题：智能体在什么环境里运行，拿什么身份访问数据，依据谁的业务规则做事；处理过程中积累的经验归谁，关键操作出现问题时，企业能否及时拦住并查清过程。

这些问题共同指向一个正在形成的企业级命题。当 AI 从外部顾问逐步变成企业内部的数字员工，企业需要考虑如何把这种能力掌握在自己手里。智能体能够办事，是企业扩大 AI 应用的前提；企业能够管理它如何办事、保留办事过程中形成的经验，才有条件让这种能力长期服务自身发展。

让AI进入企业的业务流程

有人希望打造什么都能干的超级智能体，但在企业，专业智能体才是方向。专业的工具、专业的流程、专业的知识库，是企业打造自身智能体的“护城河”。这一变化体现在人与软件的分工上。过去，员工想借助 AI 完成工作，往往要先找到资料，再把内容交给模型。模型给出答案后，员工还要自己核对、复制、提交，或者进入另一个系统继续操作。AI 帮人处理了部分工作，任务之间的衔接仍主要由人完成。

智能体试图往前走一步。员工给出目标后，系统可以根据任务需要查找信息、调用工具，并在授权范围内执行操作。ServiceNow 对 Arc 的介绍，就包括跨企业工作流和常用办公工具处理日常任务。这对企业有吸引力。长期以来，企业围绕不同业务建设了大量系统，一件工作往往需要跨越多个系统才能完成。员工需要知道去哪里找资料、按照什么口径判断、接下来进入哪个流程。每个系统都在发挥作用，系统之间的衔接却常常依赖人。

AI 如果能够理解任务，把资料、规则和工具连接起来，就有机会帮助企业重新组织一部分工作。但企业业务有自己的约束。一份文件能不能看，一个接口能不能调用，一项操作是否需要审批，都取决于具体岗位和业务要求。让 AI 查阅制度，与让它修改业务数据，所需的授权和控制也不一样。当智能体开始“动手”，企业需要掌握的不只是模型的回答质量，还有智能体运行的环境、使用的工具，以及它能做哪些动作。

企业主权AI，五个主权维度构成完整体系

主权 AI 最初常常从算力和数据的角度被讨论。模型在哪里运行，数据会不会离开组织边界，这些都是企业选择 AI 方案时的重要问题。国际厂商也在围绕这一需求布局。Oracle 与 NVIDIA 曾提出主权 AI 方案，支持在不同地点的云环境或客户数据中心部署，并强调客户对运行地点、安全和运营方式的控制。

随着企业开始使用智能体，主权的范围也在扩大。模型在企业内部运行，解决了运行位置的问题；企业仍然需要管理智能体如何访问业务系统，知识和经验怎样沉淀，以及更换模型后，原有业务能力能否继续使用。企业主权 AI 涵盖数据主权、大模型主权、智能体主权、知识主权和治理主权五个维度。其中，数据主权明确数据的存储、流转和使用边界，治理主权保障权限、执行和审计由企业掌握；大模型主权、智能体主权和知识主权，则是业务能力建设的重点。

大模型主权，意味着企业能够根据业务要求选择和管理模型，让模型在符合自身要求的环境中运行。随着业务积累，企业也可以利用经过整理的数据，对特定任务开展模型适配和后训练。智能体主权，意味着企业能够让智能体按照自己的业务流程工作，明确它的身份、权限和可调用的工具，并在高风险动作发生时设置确认和干预机制。知识主权，则要求企业将制度、资料、业务定义和处理经验，建设成自己能够管理、使用和持续积累的资产，供员工和智能体在授权范围内使用。

在数据主权和治理主权的保障下，模型、智能体和知识需要共同发挥作用。模型提供理解和生成能力，智能体连接任务与工具，知识帮助 AI 理解这家企业。对企业来说，主权 AI 最终要回答一个务实的问题：自己的数据、知识和业务经验，能否在自己的管理边界内，持续变成可使用的 AI 能力。

私有化是起点，企业更需要形成自有AI资产

部署在自己手里，不等于主权在自己手里。把模型部署在企业内部，是很多组织建设 AI 的第一步，尤其涉及敏感资料和关键业务时，部署环境往往决定了项目能否启动。

而企业掌握AI体系的长期价值，还在于把业务积累转化为专业能力。接下来，企业还需要让智能体接入已有系统、遵循业务流程，并在真实任务中接受检验。处理过的案例、专家纠正的结论和经过验证的做法，也要沉淀为企业自己的知识与技能，供后续任务复用。

企业应先让AI在真实业务中积累过程数据和反馈，再用于知识提炼与模型后训练，形成自己的AI资产。这也是主权AI超越传统私有化部署的地方——私有化只回答“模型放在哪”，主权AI回答的是“谁说了算”。360 对企业主权 AI 操作系统的建设思路，也强调从业务实践逐步走向专业能力建设。当积累的数据达到要求，再针对适合的业务任务开展后训练，并通过评测决定新模型是否投入使用。这个过程需要业务团队与技术团队共同参与，根据数据质量和任务特点分阶段推进。

以安全运营为例，智能体可以分别协助分析网络、终端和可疑文件，再结合企业自身的资产信息和历史处置记录，提供研判线索。涉及隔离主机等关键操作时，由安全专家审核。处置结束后，专家确认过的结论和有效做法可以进一步沉淀，供后续任务参考。智能体每完成一项工作，企业就多一次积累自身经验的机会。这些积累能否被保留和复用，会影响企业未来的 AI 能力是否能够持续增长。

把主权AI配全、管住、用起来

“模型自己选，算力自己调，数据留在自己的网络里，知识和经验成为自己的资产。”360集团创始人周鸿祎的这段表述，说明了企业建设主权 AI 要掌握什么。

360企业主权 AI 操作系统围绕数据主权、大模型主权、智能体主权、知识主权和治理主权，组织企业所需的 AI 能力，并已在部分政企单位投用——其中，智能体工厂负责创建、管理和监测专属“数字员工”；企业知识中枢为它们提供业务依据，将文档、数据和专家经验转化为可使用的知识，让案例、规则和老师傅的诀窍持续沉淀；数字员工进入业务后，还需要形成组织合力，而智能体协同平台就可以让员工与分散的智能体进入同一工作空间，共享业务背景、分工接力、沉淀成果；此外，协作中积累的优质数据，可通过主权大模型服务平台用于训练、评测和更新，让模型持续改进。智能体参与业务越深，对安全的要求也越高，而360智能体安全防护与管理系统可约束智能体权限和行为，让过程可审计、可干预，高危操作可叫停。

360主权AI操作系统五层架构与主权治理层

这套系统也需要与企业已有的建设接起来。很多企业已经有统一身份系统、业务系统和数据平台，也可能已经投入算力或部署模型。推进主权 AI 时，可以结合已有条件，补齐知识、智能体和模型管理等能力，再围绕具体业务逐步建设。对于建设团队比较成熟的企业，重点可能是将新的能力接入既有平台，解决某项专业任务；对于缺少 AI 建设经验的组织，则可以先从一项业务工作入手，明确所需的数据、知识和系统连接方式，跑通后再逐步扩展。

无论采用哪种方式，主权治理都需要贯穿 AI 的运行与使用过程。模型输出需要管理，智能体的动作需要约束，人员和智能体的身份权限需要明确，重要任务的执行过程也需要能够回看。尤其是付款、修改生产数据、隔离主机等关键操作，企业需要根据风险设置人工确认。这些能力需要结合产品建设和客户项目逐步落实，并通过真实任务进行验证。

企业最终要看，AI办成了多少事

智能体热潮让企业看到了新的可能，也让 AI 项目的评价方式发生变化。过去，企业可能关注接入了多少模型、上线了多少助手、产生了多少次调用。随着 AI 进入业务，更直接的问题会浮现出来：有多少工作真正交给了智能体，其中多少任务能够按要求完成，员工需要花多少时间复核，处理一项工作的成本是否合理，企业积累下来的知识和经验能否支持下一次任务。

这些问题没有统一答案，需要放进具体业务中衡量。一项专业检索工作，可以看答案是否符合业务标准、资料来源是否清晰；一项跨系统流程，还要看权限、执行结果和人工确认是否符合要求。安全决定企业能否放心使用 AI，专业效果决定业务部门是否愿意持续投入，两者需要一起交付。

ServiceNow 与 NVIDIA 把智能体能力和执行治理放在同一次发布中，提供了一个观察行业变化的切口。对于正在建设自身 AI 体系的企业而言，下一步要做的，是把这种讨论带回自己的业务现场。从一项真实工作开始，让智能体在明确边界内干活，让专家参与判断，让有效经验留在企业。随着任务和经验不断积累，企业才有机会建立起越来越懂自己业务的 AI 能力。