90%高管自信看得见AI使用，仅52%员工承认偷偷用：影子AI治理鸿沟有多大

同一家公司的AI使用状态，高层和员工给出了截然两样的账本。

管理层这边，90%的高管对组织内部的AI工具可见性充满信心；员工这边，却只有52%的人承认在未经批准的情况下使用AI，而且常常是借着个人账号悄悄调用。两边的数字一摆出来，中间近40个百分点的落差，指向了一个并不让人轻松的事实：很多组织正在同时经历两种截然相反的叙事——上面以为一切尽在掌握，下面早已绕过了正式通道。

这就是所谓“影子AI”的典型现场。它并不是某个神秘黑客的外部攻击，而是员工为了更快、更有效地完成工作，自发地使用组织批准框架之外的AI工具。需求驱动在前，治理跟进在后，当后者跟不上前者，组织就会迅速失去对数据流向和潜在风险的可见性。

影子AI从哪冒出来

要理解问题，得先回到一个最简单的驱动力：效率。

AI正在快速嵌入现代工作场所，员工越来越习惯让AI工具代劳一部分工作，从起草、摘要到分析，都希望能在更短的时间里处理更多任务。当内部提供的AI能力不够顺手、不够快，或者审批流程过于繁琐，个人账号就成了最方便的替代选项。一次两次的“临时借用”累积起来，就形成了组织视线之外的AI使用潮。

值得注意的是，这里的盲目区并不等于员工纯粹的不配合。员工想要的是解决手头问题，而不是跟制度作对。但制度以“批准”作为分界线，一旦工具在界线外运行，风险就脱离了管控。Qlik的EMEA Field CTO在分析这一现象时，点出的正是这样一个关键落差：AI采用的规模在扩张，AI治理的步伐却没有同步跟上，两者之间的距离正在被拉大。

90%对52%，两本账之间的真实含义

这两个数字之所以值得摆在一起看，是因为它们衡量的是同一个问题的两个侧面。

高管眼中的“可见性”，指向的是正式采购、正式部署、正式登记的AI工具。他们看到的是IT部门报上来的清单，是经过安全评估和合规检查的那一部分。而员工口中的“未经批准使用”，指向的是清单之外、个人账号之内的那一部分。两者拼接起来，才是一个完整的组织AI使用图景。

换句话说，90%的自信并不等于真实的覆盖率。它更像是在被治理范围内的高可见性，而治理范围之外的活动，恰好被盲点遮住了。52%这个数字还可能被低估，因为它本身就依赖于员工的主动承认。那些出于谨慎、顾虑或根本不想卷入麻烦的人，未必会如实报告自己的使用情况。

组织面临的，因此不是一个简单的违规问题，而是认知层面的断层：上面看到的是一张干净的AI地图，下面却已经自发地长出了一片不被标记的区域。治理若只覆盖地图上的部分，风险自然集中在看不见的地方。

当AI走到业务关键环节

影子AI的风险，并不只在员工写写邮件、做做翻译这些边缘场景里。

当AI开始影响业务关键活动时，组织暴露的程度才是最高的。这些活动遍布客户服务、运营决策、软件开发乃至内容创作。它们是组织运转的核心环节，任何一个环节的AI输出出错，都可能直接传导到真实业务里。若这些AI工具本身没有经过正式的安全审查，那么错误、监管违规和敏感数据外泄的阀门，就同时被拧开了一部分。

更棘手的是，风险还在升级。

从“生成信息”到“执行动作”

当前的AI讨论大多集中在大语言模型上，这类模型主要负责生成信息。但企业正在向大动作模型和智能体系统迈进，后者的核心能力不再只是回答问题，而是可以直接执行操作。

这些系统可以诊断问题、推荐行动方案，甚至以最少的人工输入去执行工作流。它们的价值在于速度和自动化，但风险也恰恰藏在这里：错误发生的速度和规模，都会随之放大。过去一个错误输出可能只是停留在文案层面，现在一个错误动作，可能已经触及真实流程。

设想一下，一个游离在治理框架之外的“影子智能体”在无人干预的情况下触发了有害动作，而组织此时既没有足够的可见性，也没有相应的治理能力去及时拦截。这种场景并非遥不可及，而是大规模自动化的必然副产品。工具跑得越快，留给组织反应的时间就越短。

看不见的长期账

短期风险之外，影子AI还埋着一笔更隐蔽的长期账。

未来的AI系统可能会在合成数据或质量更低的数据上进行训练。一旦数据质量持续下滑，系统性能也会随之衰减，决策质量会一步步走低。这不是一次性的故障，而是一种缓慢的侵蚀。组织若长期依赖那些未经审查、来源不明的工具，就在不知不觉中为这种侵蚀提供了土壤。

因此，透明度和可追溯性会被提到一个非常关键的位置。它们不仅是技术指标，更是维持问责机制、守住伦理标准、保障AI系统有效性的前提。随着采用速度继续加快，这两项能力会越来越成为组织能不能长期安全使用AI的分水岭。

治理不是刹车，而是护栏

如果把AI治理仅仅理解为“设卡设限”，那就跑偏了方向。

真正有效的方式，是把治理做成创新的助推器：既为创新留出余地，又设下清晰、透明、可审计且与现有风险合规框架对齐的护栏。安全使用AI的前提，是企业能在问题出现时，准确地识别出到底哪里出错、为什么会出错。没有这个能力，任何事后补救都只能靠猜测。

落到实践层面，成熟的治理通常从一套经批准的AI工具栈起步。这套工具栈相当于给员工提供一个安全可信的默认选项，覆盖常见的使用场景，让大多数普通需求不必绕道个人账号就能被满足。工具栈之上，是基于风险的政策：要明确处理的是哪些数据，什么可以共享、什么不能共享，哪些工具被允许，哪些环节必须经过人工审批。

这种分层思路意味着：低风险任务可以放行，高风险操作必须设卡。比如起草类的工作，本身风险较低，可以走轻量流程；涉及敏感数据或业务决策的操作，则需要更严格的管控。关键在于依据风险高低施以不同力度的治理，而不是一刀切地禁止或一律放行。

一图看懂治理分层

把上面的逻辑拆开，大致能看到这样一条链路：

• 需求层：员工追求效率和生产力，是所有AI使用的起点。
• 工具层：批准内工具与影子工具并存，形成可见与不可见两条线。
• 风险层：低风险起草、摘要等场景风险可控；业务关键环节需要重点设防。
• 治理层：以批准工具栈打底，用风险政策分层，把审批加在必要节点。
• 目标层：在不牺牲治理的前提下，让AI采用继续向前。

这条链路想要传递的核心信息很朴素：员工会用AI这件事，挡是挡不住的。组织能做的，是让大部分使用发生在可见、可控的轨道上，同时把最危险的动作留在治理视野之内。真正需要被“管住”的不是AI本身，而是AI使用过程中的可见性与可追溯性。

把可见性补回来

影子AI时代的核心矛盾，说到底不是员工和公司谁对谁错，而是“看得见”和“管得着”之间出现了错位。

90%高管自信与52%员工承认之间的落差，恰好说明：可见性不是一道简单的开关，而是一个需要持续维护的状态。工具栈建好了不算完，政策发下去了也不算完。组织必须确保，当员工需要更快、更顺手的工作方式时，第一选择不是绕开规则，而是走进规则。

未来的AI系统会跑得更快，能做的动作会更多，一旦某个智能体在治理框架之外擅自行动，组织再想回头找漏洞，可能已经措手不及。把治理做成助推器、把护栏修在创新之前，才是AI采用不至于失控的关键一步。落差的缩小，靠的不是更严的管，而是更聪明的管——让看得见的部分覆盖住真正重要的风险，让每一个快速向前跑的工具，背后都有一条清晰的治理轨迹。