---

📋 目录

• 🔐 开场：钱花出去了，权还没给出去
• 📊 一、把两份报告并排放
• ⚠️ 二、修正：两个 10% 不是同一件事
• 🧩 三、44% 的知识还在人身上：Agent 卡在哪一步
• 🏛️ 四、治理排到了成本前面，这是个信号
• 🔄 五、90% 要独立，7% 有退路：最大的战略缺口
• ⚙️ 六、领码 SPARK：让授权从审批变成可审计的规则
• ✅ 七、可以带走的五条判断标准
• 💬 你怎么看

---

🔐 开场：钱花出去了，权还没给出去

2026 年 11 月的头一周，有两份报告同期发布。

11 月 3 日，Menlo Ventures《2026 企业 AI 现状报告》：企业 AI 部署支出 1768 亿美元，一年 5.4 倍；企业平均花了 4.7 倍于去年，约为年初计划的 2.5 倍；采用率从 55% 涨到 65%。

11 月 4 日，塔塔咨询服务（TCS）《企业 AI 研究：Intelligence that is Real》：84% 的高管把生产力改善列为 AI 投资的首要价值来源；只有 10% 允许 AI Agent 在多个职能上无人工审批地执行决策；只有 9% 说他们的 Agent 能用受治理的工具和权限安全地编排工作流。

把这两份并排放，会看到一个很扎眼的落差：

钱已经花出去了，权还没给出去。

而且有一个细节让这个落差更刺眼：TCS 调查里只有 10% 的企业看到了 AI 带来的营收提升。

所以完整的画面是：84% 相信 AI 有用，10% 看到了收入，10% 敢让它自己决策，9% 能安全地让它编排工作流。

从「相信有用」到「敢放权」，中间掉了 74 个百分点。

这篇要把这个落差拆开：钱去了哪、权卡在哪、卡住的那一步具体是什么，以及一份可落地的授权分层方法。

---

📊 一、把两份报告并排放

先摆数据。两份报告的样本不同，这一点必须先说清楚：

	Menlo Ventures	TCS
发布时间	2026-11-03	2026-11-04
调研执行	Morning Consult	TCS 自研
样本	近 400 名美国企业 AI 决策者	1333 位资深商业与技术决策者
覆盖	美国	25 个国家、12 个行业
受访者负责的 AI 支出	合计超 40 亿美元	组织年营收 5 亿美元至 200 亿美元以上
金额口径	自下而上估算，年化 run rate	问卷占比

样本不同意味着不能把两边的百分比直接相减或相加。 但可以看趋势是否一致——而这一点恰恰是本文的立论基础。

TCS 报告的关键数字：

指标	数值
把生产力改善列为 AI 首要价值来源	84%
已看到 AI 带来营收提升	10%
允许 Agent 跨多个职能无人工审批执行决策	10%
认为 Agent 能用受治理的工具与权限安全编排工作流	9%
排在部署决策首位的因素	安全、风险与治理（超过成本、速度、易用性）
仍在评估 AI 是否值回 token 与算力成本	39%
关键业务知识仍散落在员工或碎片化文档中	44%
已定向部署开源 AI 用于特定场景	46%
认为模型独立性对 AI 投资决策重要	90%
认为 AI 主权要求是���/很高组织风险	34%（欧洲 43%）
有全组织的供应商切换连续性计划	7%
认为「判断 AI 对岗位影响为时过早」	4%（2024）→ 19%（2026）
已有企业级框架或演进中的技能分类体系	28%
北美受访者称 AI 被当作企业战略能力	15%

Amit Kapur（TCS 首席 AI 与服务转型官）的原话：

「我们看到企业在规模化 AI 上取得了显著进展。转变明显体现在 AI 从辅助人员转向在深度接入企业的前提下采取更多自主行动。生产力显然是今天企业看到 AI 最大价值的地方，84% 的高管把它列为 AI 投资的首要价值来源，不过也有 10% 表示他们已经看到了营收提升。阻碍组织的——而且是正当的——是围绕安全、治理与韧性的顾虑。负责任地部署 AI，配上正确的护栏与企业控制，将是这段旅程下一阶段的重心。」

注意这段话的结构：先肯定进展，再指出顾虑，而且明确说这些顾虑是「正当的」。

这是整份报告的立场：问题不在企业不敢，在于企业还没建立起「敢」的基础设施。

---

⚠️ 二、修正：两个 10% 不是同一件事

中文报道在引用 TCS 这份报告时，有个高频错误：把「10% 看到营收提升」和「10% 允许 Agent 无审批自主决策」并列成一句话。

比如写成「84% 认为 AI 有用，10% 允许 AI 自主决策，10% 看到营收提升」——读者很容易把这两个 10% 理解成同一件事的两种说法，甚至理解成「有 10% 的企业已经放权并且赚到了钱」。

它们是两个完全不同的问题上的两个 10%。

	问题	分子	分母
第一个 10%	「你是否已经看到 AI 带来了营收提升？」	看到营收提升的高管	全部受访高管
第二个 10%	「你是否允许 AI Agent 在多个职能或业务领域无人工审批地执行决策？」	允许自主决策的企业	全部受访企业

前者问的是结果，后者问的是授权。一个企业完全可以既没有让 Agent 自主决策，也看到了营收提升——比如让 Agent 做建议、由人执行，效率提升照样体现在营收上。

这个区分很重要，因为它决定了诊断结论：

• 如果两个 10% 是同一件事，那说明「放权」带来了收益，放权越多收益越大 → 结论是应该更快放权
• 如果它们无关，那说明授权和收益目前没有建立因果关系 → 结论是「先补治理，再谈放权」

TCS 自己的表述支持后者。Kapur 的原话把顾虑说成「正当的」，报告的 Next Steps 第一条是「建立 AI 就绪的数据与安全优先的基础」，第二条是「为灵活性、安全与选择做架构设计」，第三条才是「建立企业问责与商业价值度量」。

顺序很清楚：基础 → 架构 → 问责。授权在最后。

---

🧩 三、44% 的知识还在人身上：Agent 卡在哪一步

44% 这个数字是 TCS 报告里最不起眼、但最有实操价值的一个：

「44% 的受访者报告，重要的业务知识仍然嵌在员工身上或碎片化的文档中，这可能限制 AI 一致地获取企业上下文。」

「仍然嵌在员工身上」——这五个字是关键。

嵌在员工身上的知识，是无法被检索的。

这一条正好接上 Menlo 报告里那个框架。Menlo 说 Agent 要成功需要三个条件，第二个是「智能体能学习的完整上下文」，并且明确要求两种知识：

• 隐性知识：意图、假设、组织特有的惯例
• 程序性知识：工作通常如何完成

而 TCS 说：44% 的企业，关键知识还在人身上。

把这两句话放一起，一个非常具体的卡点就浮出来了：

Agent 检索只能拿到「已经被写下来」的那部分知识。 组织里真正决定「怎么做对」的那部分——为什么这个客户要特殊处理、这个流程为什么有例外、这个字段历史上踩过什么坑——大多没写下来。

这解释了两个此前看起来无关的现象：

1. 为什么「Agent 能安全编排工作流」只有 9%。 编排需要 Agent 知道该调什么工具、什么顺序、什么参数。这些如果只在少数老员工脑子里，Agent 编排不了——不是因为技术不行，是因为知识没到位。
2. 为什么 Menlo 报告里「结果可验证」是三个条件里最难满足的一个。 编译器和测试能验证代码；没人能验证「这个合同审得对不对」「这个诊断下得对不对」。

还有一条相关的数据：只有 28% 的受访者有企业级框架或演进中的技能分类体系。 知识不落地、技能没分类，Agent 就只能靠猜。

顺带说另一个信号：39% 仍在评估 AI 是否值回 token 与算力成本。 而 Menlo 那边的数据显示平均超预算 2.5 倍。这两个数字放一起有点意思——39% 还在算这笔账的时候，市场上的平均支出已经是计划的 2.5 倍。 还在评估的那批人，有一批其实已经花超了，只是还没意识到。

---

🏛️ 四、治理排到了成本前面，这是个信号

TCS 报告里有一条排序信息，价值不低于任何一个百分比：

「安全、风险与治理考量如今排在塑造企业 AI 开发与部署方式的首位，领先于成本、速度和易用性。」

在过去的三年里，这三项的排序几乎肯定是「成本、速度、易用性」在前。 现在治理排到了第一。

这是一个结构性信号，说明企业 AI 已经过了「要不要上」的阶段，进入了「上了之后怎么管」的阶段。

这个转变带来的直接后果有三条：

第一，采购决策的权重变了。 现在选一个 AI 产品，评估表的第一行不再是「多少钱、能不能对接我的系统」，而是「出了事怎么追责、数据会不会外流、权限能不能收回」。这解释了为什么 TCS 同时报告了 46% 已定向部署开源——在治理视角下，能私有化部署本身就是一项治理能力。

第二，「责任人」比「工具」更稀缺。 治理排第一，意味着每个 Agent 场景都得有人认领责任。这跟其他行业调研反复出现的结论一致：出了事能立刻掐掉 Agent 的组织比例远低于部署了 Agent 的组织比例，原因从来不是技术，是没人被指定。

第三，AI 岗位影响的不确定性在上升。 「判断 AI 对岗位的影响为时过早」的比例从 2024 年的 4% 涨到 2026 年的 19%。报告里一句话概括了这个转变：「我们知道的越多，我们知道的越少」（The more we know, the less we know）。 经验积累反而让不确定性变大——因为看得越清楚，边界情形越多。

另外一条地区差异值得注意：北美受访者中只有 15% 称 AI 被当作企业战略能力。 战略化程度比大多数人以为的低。而欧洲的主权风险担忧（43%）显著高于全球均值（34%）。

---

🔄 五、90% 要独立，7% 有退路：最大的战略缺口

TCS 报告里最刺眼的一组对比在最后一节：

「90% 的受访者表示模型独立性是 AI 投资决策中的重要因素，34% 把涉及数据位置、模型选择和合规控制的 AI 主权要求列为高或很高组织风险。在欧洲情况更急迫，43% 的受访者把主权要求列为高或很高风险。与此同时，只有 7% 的全球受访者报告有全组织的供应商切换连续性计划，这说明对模型依赖和主权的担忧，其推进速度快于运营准备。」

90% 的人说「模型独立很重要」，7% 的人有切换计划。

报告自己的判断是：「这说明对模型依赖和主权的担忧，其推进速度快于运营准备。」

这个落差为什么重要？三个原因：

第一，切换能力是议价能力的唯一来源。 如果你不能换供应商，你的续约价格就由对方定。90% 的人在意独立性，但只有 7% 做了准备——这 83 个百分点，就是把议价权交给别人的额度。

第二，切换能力是业务连续性的前提。 模型供应商出事故、涨价、改条款、限流——这些在 2026 年已经发生过很多次。Menlo 报告里那个「Anthropic 涨价的真相」（本栏目 10-12 已发）就是现成的例子。没有切换计划的企业，遇到这种事只有两个选择：等，或者接受涨价。

第三，切换能力是「防锁定」的真实成本所在。 「模型独立」听起来像个口号，它落到具体动作上是：

• 调用账能不能按模型拆开（能算出每个模型的用量和成本）
• 数据出口能不能打开（能不能把上下文和历史迁走）
• 提示词和评测能不能带走（能不能在另一个模型上复现效果）
• 编排层有没有多模型适配（能不能在不改业务逻辑的前提下换模型）

这四条里有任何一条做不到，「模型独立」就只是一句 PPT。

而第一条，恰好是本栏目之前写过的主题（11-02《上下文放在哪》、11-02《网关不是中间件》）。这不是巧合——调用账是切换能力的地基，也是授权能力的地基。

---

⚙️ 六、领码 SPARK：让授权从审批变成可审计的规则

现在把两份报告合起来看，企业的处境是：

• 钱已经花出去了（Menlo：平均超预算 2.5 倍，Agent 占 80% Token）
• 效果被相信（TCS：84% 认为提效是首要价值）
• 但权没给出去（TCS：10% 自主决策、9% 安全编排）
• 卡点在知识和治理（TCS：44% 知识在人身上、28% 有技能分类体系、7% 有切换计划）

这里有一个很反直觉的推论：企业现在最该做的不是「多买 AI 工具」，而是「把已经花掉的钱管明白」。

因为在权没给出去之前，每多部署一个 Agent 场景，都是在加深一笔「说不清」的账。而账说不清，授权就永远批不下来。

领码 SPARK 融合平台在这条链上的位置：

平台能力	对应两份报告里的哪个卡点
iPaaS 接数据	44% 的知识在人身上 → 先把可沉淀的部分沉淀成有来源、有口径的数据层。这不是一次做完的事，但不做就永远停在 44%
治理中心前置	「治理排到成本前面」的直接落地。判定标准、版本、血缘要在 Agent 上线前定好，不是出事后再补
全域守卫划权限	10% 自主决策的路径不是「一次放开」，而是「分层放开 + 每层可追溯 + 可回收」。权限跟着数据和能力走
与 Dify 分工	Dify 负责应用编排（这个 Agent 干什么），SPARK 负责数据接入与治理（它凭什么能拿这些数据、这次调用记到哪）。授权判定放在治理层，才不会随每次编排改需求而漂移

给一个可以直接用的授权分层思路（这是方法建议，具体分层标准需业务与合规专家共同确定）：

层级	Agent 能做什么	人的位置	先决条件
L1 只读	检索、汇总、生成建议	人执行	数据源已接、有口径
L2 草稿	生成可审阅的产出物（合同草稿、工单草稿）	人审核后执行	有评测标准、有回滚
L3 半自动	在明确边界内执行（填表、发通知）	人抽检 + 异常拦截	有权限边界、有 kill switch
L4 全自动	端到端执行既定流程	人看结果	有完整审计日志、有可复现回放

关键在于：升层靠的不是模型变强，而是治理条件被满足。 TCS 那个 9% 的数字（能安全编排工作流），本质上就是「已经到达 L3 以上」的企业比例。

有一条边界要说清楚：平台能让授权判定变得可执行、可追溯、可复审，但「某类操作能不能放到 L3」这个标准，平台不能替专家定。金融风控、医疗诊断、合同签署这些领域，标准必须由行业专家和合规一起定，平台做的是把判断固化下来并且能查。

---

✅ 七、可以带走的五条判断标准

1. 84% 到 10% 之间是 74 个百分点的落差。 这不是能力问题，是治理基础设施没建起来。TCS 自己的判断是：顾虑是「正当的」。

2. 两个 10% 不是一回事。 「看到营收提升」和「允许无审批自主决策」是两个不同问题的两个答案。授权和收益目前没有建立因果关系，所以顺序是「先补治理，再谈放权」。

3. 44% 的知识在人身上，是 Agent 编排不了工作的直接原因。 检索只能拿到写下来的知识。知识不落地，Agent 就只能靠猜——而靠猜的结果没法验证。

4. 90% 要模型独立，只有 7% 有切换计划。 这 83 个百分点是把议价权交出去的额度。切换能力落地成四条具体动作：调用账能拆、数据能迁、提示词能带走、编排层能适配。

5. 治理排到了成本前面，说明阶段变了。 从「要不要上」进入「上了怎么管」。这个阶段的稀缺资源不是工具，是「被明确指定的责任人」和「可追溯的调用账」。

---

💬 你怎么看

假设明天要在你的业务里放一个 Agent 自主执行，你会把它放在 L1、L2、L3 还是 L4？

更想听的是：你这个判断的依据是什么——是「模型够强了」，还是「我确认了它在哪几处会出错、能被追回、能被抽查」？

如果答案是第一种，说明我们其实还没准备好放权——那也不是坏事，TCS 的数据说 84% 的企业还在第一阶段。

---

本文数据来源

• TCS《TCS Enterprise AI Study: Intelligence that is real》，2026-11-04 发布新闻稿：https://www.tcs.com/who-we-are/newsroom/press-release/productivity-top-benefit-tcs-enterprise-ai-study
• TCS 研究页（含「Revenue growth, at just 10%」「Only 9% of respondents say their AI agents can securely orchestrate workflows using governed tools and permissions」「Just 28% maintain an enterprise framework or evolving skills taxonomy」「The more we know, the less we know」等表述）：https://www.tcs.com/insights/global-studies/tcs-enterprise-ai-study
• TCS 关键发现 PDF：https://www.tcs.com/content/dam/global-tcs/en/pdfs/insights/global-studies/report/enterprise-ai-study-key-findings.pdf
• Menlo Ventures《2026: The State of Enterprise AI》，2026-11-03 发布（用于本文另一半数据：部署支出 1768 亿美元、同比 5.4 倍、平均超预算 2.5 倍、采用率 55%→65%、Agent 占 OpenRouter Token 80%、智能体三条件）：https://menlovc.com/perspective/2026-the-state-of-enterprise-ai/
• 说明：文中「L1–L4 授权分层」为本文基于两份报告结论提出的方法建议，非任一报告原文；具体分层标准需由业务与合规专家确定
• 风险提示：TCS 调查样本为 1333 位决策者、25 国 12 行业，与 Menlo 的近 400 名美国决策者样本不同，两份报告的百分比不可直接相减或相加；本文不构成投资建议