95% 的 AI 智能體項目死在試點：缺的不是智能，是控制層
AI 已從內容生成走向自主行動：95% 的 agent 項目困在 pilot，進不了生產，因為缺的不是智能，而是運行時控制層。
原視頻在 YouTube 上放不出來，用音頻聽：
核心論點 · 點時間戳可跳到原聲
AI 架構本身就成了新的風險面
Manoj 給出信任變重要的三個原因：一，AI 從生成內容變成替你執行動作，動作可能持續幾分鐘到幾天；二，企業從單模型工作流轉向多智能體系統，OpenClaw 這類框架會把影響放大到可能是 ChatGPT 的千倍；三，policy 不再只在部署時執行，必須在 runtime 持續檢查每個工具調用和輸出。因此 AI 架構本身成了風險面，需要新的基礎設施層來管理 agent。
— Manoj Saxena問題不是構建 agent，而是控制 agent
引 MIT 報告：95% 的 agent 項目無法從 pilot 走到 production。原因是寫一個 agent 只要幾小時，上線卻要六七個月——風險合規要驗證內外規、安全要防它成為內部威脅、財務要防它燒穿 token 預算。Manoj 的結論是：問題不是構建 agent，而是控制 agent；這個環節沒人壓縮時間，TrustWise 做的就是給 agent 做生產前的「拼寫檢查」。
— Manoj Saxena控制層不是成本負擔，而是降本槓桿
agentic AI 的 token 經濟完全不同：一次輸入可觸發 20 到 50 個動作，消耗是兩年前生成式 AI 的 20 到 40 倍。TrustWise 用三類 shield（安全、合規、成本與碳）做 runtime 干預，宣稱實測降本 83%、安全提升 40%、延遲改善 60%。控制層不是負擔，反而是讓 agent 規模化的成本槓桿。
— Manoj SaxenaAI 不是應用，是會自己登錄的行動者
Manoj 區分了兩種軟件：過去 75 年建的是應用，應用等人輸入、規則不變；AI 是 actor，能自己登錄網站和數據庫，同一個輸入明天可能給出不同結果。因此企業棧要新增一層運行時控制層，位於模型/agent 編排層之上、用戶體驗層之下。他還預測三年後控制塔 90% 的用戶不是人類，而是 agent。
— Manoj Saxena互聯網上的主要用戶已經不是人
剛過去的一個月，互聯網上 agent 產生的流量首次超過人類流量。Manoj 把它比作當年 AT&T 網絡上數據流量超過語音流量，認為這是里程碑式的遷移：未來的企業棧會更多由 agent 以電子的速度操作，而不是人。由此出現 AX（agent experience）與 UX 之分，控制塔產品也要同時服務人和 agent。
— Manoj Saxena合規不是一層，是六層同時對齊
Agent 在行動時要同時對齊六層：聯合國人權憲章這樣的全球權利層、國家法律（新加坡 AI Act、美國、沙特不同）、行業規則（FINRA vs HIPAA）、公司價值觀、業務單元與工作負載層、客戶 SLA 與互動層。TrustWise 在 10 到 300 毫秒內完成對齊評估，任何一層失守都可能釀成災難，並且事後要能證明「牙籤穿過三明治」的完整路徑。
— Manoj Saxena知識圖譜管不住 agent 的運行時動作
知識圖譜只告訴你實體關係，上下文圖譜加上情境，世界模型加入物理規律，但都不足以控制 agent 的 runtime 行為。TrustWise 發明的是 semantic action layer：定義該 agent 在運行時允許執行的動作路徑，對齊所有層級。它像預計算的 Google 地圖，而不是每 10 米重算一次地圖的自動駕駛，這讓 AI 變得可確定、可證明、更快。
— Manoj Saxena幻覺可以是資產：10 個裡對 2 個就夠
Control Tower 的第一階段是 Guardian Agents，防止壞事發生；新發布的 Harmony AI 加入 Genesis Agents，基於 OpenClaw 讓一組 agent 像當年 Deep Blue 看到 95 步深一樣，在收入流失、欺詐等領域生成假設。Manoj 稱之為「有益幻覺」：10 個裡可能只有 2 個對，但這兩個可能是商業上的 game changer。這是他對垂直 AGI 和自主金融的起點。
— Manoj Saxena原話 · 已逐字校驗
At the end of the day, trust cuts down to does the AI and the model do what you intend it to do? That kind of the heart of is it aligned to your business and personal intent?
歸根結底，信任取決於 AI 和模型是否做你想讓它做的事，也就是是否與你的業務和個人意圖對齊。這正是問題的核心。
Manoj Saxena4:17
In fact, there was an MIT report that says 95% of agent projects are not able to move from pilots to production. And the reason is that you can write up an agent very soon, but risk and compliance need to make sure that it is following all the internal and external regulations.
事實上，MIT 報告稱 95% 的 agent 項目無法從試點走向生產。原因是你可以很快寫出一個 agent，但風險與合規要確保它遵守所有內外部法規。
Manoj Saxena20:56
we have demonstrated as much as 83% reduction in costs as we improved safety by 40% and latency by another 60%.
我們已經證明可以將成本降低 83%，同時安全提升 40%，延遲再改善 60%。
Manoj Saxena31:39
last month, the first time ever, the traffic on the Internet, agent traffic exceeded human traffic.
上個月，互聯網流量中 agent 流量首次超過人類流量。
Manoj Saxena45:12
There is a layer beyond that that we have invented and innovated called the semantic action layer, which is what are the allowable action paths for that agent at runtime that aligns to all those seven layers.
我們發明並創新的這一層叫語義動作層，它定義了該 agent 在運行時被允許執行的動作路徑，並與那七個層級對齊。
Manoj Saxena53:23
So what we are launching is the first prototype version of an open claw-based system where a group of agents can act as those machines that can go in and look 95 moves deep in domains like revenue leakage into fraud.
我們即將發布的是基於 open claw 的首個原型系統，一組 agent 可以像那些機器一樣，在收入流失、欺詐等領域深入看到 95 步。
Manoj Saxena58:35
數字與實體
| MIT 報告中 agent 項目從 pilot 到生產失敗率 | 95% | 20:56 |
| TrustWise 實測成本下降 | 83%（同時安全提升 40%、延遲改善 60%） | 31:39 |
| 一次 agent 輸入可觸發動作數 | 20-50 個 | 32:49 |
| 相比兩年前生成式 AI 的 token 消耗倍數 | 20-40 倍 | 32:49 |
| TrustWise 提供的預置控制與策略數 | 超 1100 個，覆蓋 17 項法規 | 42:08 |
| 某大型全球公司年底 agent 數量 | 100,000 個 | 7:25 |
| Hitachi 參與 OEM 的業務單元數 | 650 個 | 27:25 |
術語
- runtime governance運行時治理
- 在 agent 行動的當下檢查並約束行為，而非只在部署前或事後審計。
- AI control towerAI 控制塔
- 跨廠商、跨模型的 meta 控制平面，統一管理多個 agent 的合規、成本與安全。
- guardian agents守護智能體
- 帶人類在環、輸出確定性的控制型 agent，負責監督和約束業務 agent。
- semantic action layer語義動作層
- 記錄並執行 agent 在各層級對齊約束下的允許動作路徑，使行為可確定、可證明。
- trust posture management信任姿態管理
- 同時權衡安全、合規、成本與碳效率的 agent 治理方法。
收聽指南
企業 CTO/CIO、風險合規負責人，以及想理解 agent 落地卡點的 AI 創業者和投資人。
產品集成與四類部署模式（約 27:25-31:00）可略讀。