企业上不了智能体，卡住的地方跟模型能力没有关系。
SAP 今年的调研覆盖 13 个国家的 2600 名管理者。83% 的人认为智能体会对自己的组织产生中度到高度的影响，而说自己完全准备好的，只有 3%，这 80 个百分点通常被解读成认知领先于行动。
我不这么看。这中间隔着的不是决心，是四件到现在都没人定下来的事。
一、另一组数字
同一份调研里还有一条：69% 的企业不确定自己能不能管住智能体，或者认为部署速度已经超过了治理速度。
不是不敢用，是用了之后不知道怎么收场。
不敢用是能力问题，多试几次就过去了。不知道怎么收场是结构问题，试得越多，暴露越大。
调研还把数据质量列为全球组织面临的首要挑战。这条听起来老生常谈，放在智能体语境下不一样——过去数据脏，报表难看；现在数据脏，智能体会拿着脏数据直接去执行。
二、拆成四件事来看
权限：随人还是随任务？ 一个智能体能取到什么数据、能改什么东西，应该取决于调它的那个人，而不是这个智能体本身被授了什么权。把权限配在智能体上，等于开了一个绕过整套权限体系的后门。这一条最容易做反，因为随任务配置在工程上省事得多。
数据：它看得见的边界在哪？ 智能体的能力上限由它能读到的东西决定，风险上限也是。要明确哪些库它能连、哪些字段必须脱敏、哪些内容只能读不能带出去。这件事没做，后面所有的合规讨论都是徒劳无功。
归责：出了错谁签字？ 这决定智能体能不能碰真实业务。可以让它准备材料、给出建议、执行低风险动作，但必须有一个具体的人在结果上留下名字。找不到这个人，就说明这个流程还不该交给它。
回滚：做错了能不能撤**？**撤到哪一步、谁有权撤、撤完怎么通知下游。一个不能回滚的自动化流程，本质上是在用运气运营。
四条里前两条是技术配置，后两条是组织决定。多数团队卡住的地方在后两条，但把力气全花在了前两条上。
三、需要降低期待值
同一份调研里，企业对智能体的预期收益从去年的 430 万美元跳到了未来两年的 1760 万美元，两年翻了四倍。
这个数字漂亮得可疑。它反映的不是已经实现的收益，是管理层按最好的情况做出的规划。而按最好情况做的规划，通常配的是按最好情况做的排期。
我的建议正好相反：按能不能收场来排期，不按收益预期来排期。 收益预期决定你想跑多快，收场能力决定你实际能跑多快，后者才是约束条件。
一个可操作的判断：如果这个智能体明天出一次严重错误，你能在多长时间内发现、多长时间内止损、多长时间内向客户解释清楚。这三个时间说不出来，就先别急着迭代。
四、三类处境，三种动作
还没上的，先定好只读的边界。让它先看不动手，把查询、汇总、起草这类不产生外部影响的活儿跑三个月。这三个月的价值不在效率，在于你会摸清它在什么情况下会出错。
已经上的，补留痕和回滚，别等出事再做。每次调用记下谁调的、用了什么数据、做了什么动作、结果是什么。出事时能复现，比事后靠人回忆强太多。
被要求全面推的，把治理成本写进预算，而不是写进风险提示。写进风险提示的意思是出了事你提醒过；写进预算的意思是有人真的在做这件事。前者保的是你自己，后者保的是项目。
3% 和97% 的差别，不在于谁的模型更好，在于谁提前把出错场景都考虑清楚了。