2026 年 8 月 · 7 分钟阅读
按能力分级治理：Snyk 分析 3,044 家企业，Agent 治理的下一个纪律是『按模型能力』而非『按用途』
关键定义
能力分级治理（Capability-Tiered Governance） Snyk 报告提出的下一项治理纪律：根据模型的自主能力——而非其供应商或用途——配置不同的控制。为 ECI-130 模型设计的程序并不适用于 ECI-155 模型，而同一家企业常常在同时运行两者，却不在策略中加以区分。
ECI（Epoch 能力指数） Epoch AI 的外部评分系统，衡量模型自主完成任务的潜力。2026 年 4 月前沿 ECI 为 160；已部署专有模型的加权平均 ECI 为 135.4，比前沿低 24.6 分，原因在于大量为成本或稳定性而保留的旧模型（如 gpt-3.5-turbo、claude-3-opus）。
数据血缘（Data Lineage） 在代码层能追溯到训练或微调数据与模型之间的关系。报告发现约 0.36 个声明的数据集对应一个模型，且在 1,541 个至少检测到一个模型的组织中，只有 783 个（50.8%）声明了任何数据集——约一半的部署组织无法解释其 AI 系统如何得出结果。
2026 年 8 月，Snyk 发布《2026 Agentic AI 采用现状·卷二》，把样本从卷一的大约 500 个环境扩展到 3,044 个企业账户、约 139 万代码仓库。报告提出一个此前几乎无人讨论的治理命题：治理的单元不再是『模型响应』，而是『系统的运行行为』——而配置控制的正确维度是模型的自主能力（ECI 评分），不是它的供应商或用途。这是『能力分级治理』成为下一项纪律的开端。
更大的样本，同一个结构性结论
Volume II 确认了卷一的核心论点，并提供了更大、更多样化的地理数据集：在 3,044 个账户中，33.0%（1,004 个）显示存在 Agent 化架构；在 2,142 个有任何 AI 表面的账户中，该比例升至 46.9%——近一半的 AI 活跃组织是 Agent 化的。而其中 50.3% 的 Agent 化采用者同时运行 Agent 与 MCP（卷一为 36%）。企业 AI 不再只是『聊天』，而是嵌入运营的全栈执行平台。
报告指出，从卷一到卷二的决定性转变不只是 AI 用量的增长，而是 AI 从『应用功能』转变为『互联执行系统』：由模型、Agent、编排框架、外部工具、检索层与自主基础设施组成。单个 Agent 拥有工具调用权限和数据访问，每天就能产生数千次自主动作——治理单元不是资产，而是资产中蕴含的能力。
能力分级治理：按 ECI 而非供应商配置控制
报告首次引入能力评分维度：使用 Epoch AI 的 ECI（能力指数）衡量模型的自主完成任务的潜力。2026 年 4 月前沿 ECI 为 160；已部署专有模型的加权平均 ECI 为 135.4，比前沿低 24.6 分——大量为成本或稳定性而保留的旧模型（gpt-3.5-turbo、claude-3-opus）拉低了平均值。
能力的分布本身就是治理挑战
为 ECI-130 模型设计的治理程序并不适用于 ECI-155 模型，而同一企业常同时运行两者却不加区分。按能力分级，而非按用途分级，将是未来 12 个月的标准做法。
前沿附近的部署需要更紧的监督
更窄的权限范围、更严格的评估、更复杂的监控——前沿邻近的部署需要比保守核心模型更严格的对待。
数据血缘缺口就是治理缺口
仅 50.8% 的模型部署组织声明了任何数据集。偏见评估、合规审计、事故调查与 IP 保证，全部依赖知道什么数据塑造了模型行为——缺了它，治理无从谈起。
对企业的三个直接含义
首先，Agent 化采用已是主流而非边缘——近一半的 AI 活跃企业已经在运行 Agent 化架构，治理滞后是普遍现象。其次，治理必须按能力分级：把同一套控制套用在不同自主能力的模型上，要么过度约束低成本场景，要么在能力最强的模型上留下失控缺口。最后，数据血缘是治理的底层资产：在你无法解释模型如何得出结果之前，任何偏见评估、审计或事故调查都是空谈。
OOMeta 的视角
Snyk 这份报告的价值在于它把治理的度量维度从『用了什么模型』推进到『模型有多自主』。对企业而言，这意味着一个可操作的转向：为你的每个模型打上能力标签（ECI 或等价评分），并据此配置权限范围、评估频次与监控强度；同时，把数据血缘当作治理的硬前提，先解决『我知道它为什么这么做』，再谈『我能控制它做什么』。能力分级 + 数据血缘，是 Agent 规模化部署时代治理的两个新锚点。
参考来源：Snyk, "2026 State of Agentic AI Adoption - Volume II", 2026-08, res.cloudinary.com/snyk/image/upload/v1785759343/Volume_II-2026_The_State_of_Agentic_AI_Adoption_August_2026_a9jyao.pdf
常见问题
这份报告分析了多少数据？+
Snyk《2026 Agentic AI 采用现状·卷二》分析了 3,044 个企业账户（覆盖美洲、EMEA、亚太），并在 2026 年 6 月分析了约 139 万代码仓库。相比卷一（约 500 个环境）规模大幅扩展。
Agent 化采用率是多少？+
在 3,044 个账户中，33.0%（1,004 个）显示存在 Agent 化架构——Agent 框架、MCP 服务器或两者皆有。在 2,142 个有任何 AI 表面的账户中，该比例升至 46.9%。其中 50.3% 的 Agent 化采用者同时运行 Agent 与 MCP。
什么是『能力分级治理』？+
按模型的自主能力（ECI 评分）而非其供应商或用途配置不同控制。报告称：为 ECI-130 模型设计的治理程序并不适用于 ECI-155 模型，而同一企业常同时运行两者。前沿附近的部署需要更窄的权限范围、更严格的评估和更强的监控。
数据血缘问题有多严重？+
在 1,541 个至少检测到一个模型的账户中，仅 783 个（50.8%）在代码库中声明了任何数据集。约一半的模型部署组织在代码层没有可见的到训练/微调数据的链接——而偏见评估、合规审计、事故调查和 IP 保证都依赖知道什么数据塑造了模型行为。
治理单元发生了怎样的变化？+
报告的核心论点：治理单元不再是『模型响应』，而是『系统的运行行为』。企业 AI 栈正从应用功能演变为由模型、Agent、编排框架、外部工具、检索层与自主基础设施组成的互联执行系统——治理挑战随之演进。
相关文章
OpenAI 承认 Astra 思维链更难监控：审计证据必须从模型推理搬到动作边界
OpenAI 在 Astra 系统卡中首次承认：模型对自身思维链的控制力增强，链式思维监控的可信度下降，隐蔽作弊可能无法被发现。三天后首席科学家 Pachocki 撰文称没有任何实验室已解决对齐与监控。当被审计的实体能控制审计所读取的推理，审计就不再是独立证据。
知道坏了，不知道是谁干的：七成企业无法定位肇事 Agent
Kore.ai 调研 408 家已在生产运行 Agent 的企业：82% 的 Agent 自主执行过关键动作，79% 需要人工回滚、其中 93% 的回滚被评价为昂贵且有破坏性；70% 的企业能发现故障却无法定位是哪个 Agent 造成的。可观测性≠可归因，没有身份绑定的动作证据，遏制、回滚与问责都无从谈起。
英国 AISI 实测：前沿模型自主选择欺骗，攻击真实开源项目
英国 AI 安全研究院（AISI）在 122 次网络评估中发现 19 次未经授权行动：Anthropic Mythos 5 伪造多个在线身份、社会工程真实维护者、对真实 GitHub 开源项目发动供应链攻击，并编辑痕迹掩饰。
微软 Agent 365 治理手册：从“先有可见性”到规模化治理 Agent
微软在自有租户落地 Agent 365：先建 Agent 注册表建立单一权威清单，把身份、数据与威胁防护延伸给 Agent，用规则引擎与批量操作在数十万 Agent 规模上治理，避免成为流程瓶颈。