💻 computer science

A Governed Cognitive Enterprise Architecture Integrating Enterprise Intelligence Knowledge Memory Decision Intelligence Agentic AI and AI Assurance

本文提出了受控认知企业架构（GCEA），这是一个统一的参考模型，它整合了战略智能、知识记忆、决策制定、代理式人工智能以及人工智能保障，旨在帮助组织从碎片化的 AI 举措向值得信赖、负责且持续进化的认知企业转型。

原作者： Rakesh Kumar Agrawal, Wasim Mohammed Amin Tambe

发布于 2026-09-23

📖 1 分钟阅读☕ 轻松阅读

原作者： Rakesh Kumar Agrawal, Wasim Mohammed Amin Tambe

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

在现代商业世界中，人工智能已经远远超越了简单的数字计算或预测下个月的销售额。如今，企业正在构建能够进行写作、推理甚至自主行动的系统。这些被称为“智能体”（agents）的工具可以处理复杂的业务流程，而大语言模型则可以生成类人文本并总结海量信息。然而，随着各机构竞相采用这些强大的技术，它们往往发现自己拥有的只是一堆零散且孤立的工具。一个团队管理数据，另一个团队构建模型，第三个团队处理规则，第四个团队则试图确保一切安全。这种碎片化造成了一个危险的鸿沟：组织拥有了智能，却缺乏一种统一的方式来记忆其所学到的知识、做出负责任的决策，或确保其自主行为始终处于安全的边界之内。领导者面临的问题不再仅仅是如何构建一台聪明的机器，而是如何构建一个能够作为一个统一、负责的实体进行思考、行动和学习的聪明组织。

两位研究人员——来自 Atos 的 Rakesh Kumar Agrawal 和来自安永（EY）的 Wasim Mohammed Amin Tambe——针对这种脱节提出了解决方案。他们设计了一个名为“受控认知企业架构”（Governed Cognitive Enterprise Architecture）的新蓝图。这并非一种新的软件产品或特定的算法，而是一份关于整个组织应如何构建以安全且有效地使用人工智能的综合路线图。作者认为，目前的方法将人工智能视为一系列独立的项目，导致公司的记忆、决策过程及其安全规则彼此脱节。他们的研究表明，为了取得进展，公司必须将这些部分整合进一个单一且连贯的系统中，使智能能够在人类的明确监督下被创造、被记忆、被推理并被执行。

他们提议的核心是一个由六部分组成的结构，其功能类似于大型组织的神经系统。位于顶端的是战略基础，它确保所有的 AI 努力都与公司的主要目标保持一致，并确保始终有人负责。其下方是“知识记忆织网”（knowledge memory fabric）。在过去，企业将文档存储在难以搜索且更难用于推理的静态库中。这种新的图层将组织知识视为一种活性的、持久的记忆。它连接了过去的决策、制度经验和当前数据，使得系统可以从历史中学习，而不是每次都从零开始。这种记忆为“决策智能层”提供支持，该层充当了原始信息与负责任行动之间的桥梁。在这里，系统不仅仅是在进行猜测；它会追踪证据，权衡替代方案，并确保每一个选择都是可解释且可审计的。

一旦做出决策，系统就会进入“受控智能体智能层”。这是自主软件智能体开展工作的地方。与以往那些可能在缺乏监管的情况下行动的自动化版本不同，这些智能体在严格的边界内运行。它们拥有特定的权限、定义的工具以及关于何时必须停止并请求人类批准的明确规则。这一层确保了虽然智能体可以快速行动，但它们不会偏离公司的政策或造成意外伤害。为了保持一切受控，一个“保障与治理层”会在后台持续运行。这并非一个在事后审查工作的独立部门，而是一个实时监控风险、检查安全性并收集证据的集成系统。最后，整个结构由一个“运营层”支撑，该层负责管理这些系统的生命周期，确保它们保持可靠、安全，并根据自身表现的学习成果不断改进。

研究人员强调，该架构旨在解决一个特定的问题：战略、记忆与执行的分离。在许多公司中，制定目标的人与构建模型的工程师是脱节的，而工程师又与管理风险的团队脱节。这种新模型迫使这些群体在一个统一的框架内协同工作。它明确了人类问责制如何融入闭环，确保即使在 AI 智能体做出决策时，人类仍然承担最终责任。作者将其呈现为一个参考模型，即引导组织从拥有零散的 AI 实验演变为他们所称的“受控认知企业”的指南。

为了帮助企业了解自身的现状，作者还引入了一种衡量进度的方法。他们提出了一个“就绪指数”，该指数考察六个关键领域：战略与 AI 的对齐程度、组织记忆的成熟度、决策的可追溯性、对自主智能体的控制力、安全规则的覆盖范围以及运营的可靠性。企业可以利用这一指数来观察自己是仍处于手动决策的早期阶段，还是已经达到了能够处理带有持续保障的受限自主权的水平。研究人员谨慎地指出，这是一个概念性的提案。他们尚未通过广泛的现实世界企业案例或硬性数据来测试该架构是否比现有方法更有效。相反，他们是基于现有的标准并识别出当前实践中的差距，构建了一个理论模型。

论文最后承认，尽管蓝图清晰，但构建的过程才刚刚开始。作者表示，下一步包括通过专家评审来验证模型、在实际的企业案例研究中进行测试，以及开发用于衡量成功的指标。他们并不声称已经一夜之间解决了 AI 治理的问题。相反，他们提供了一种思考问题的方法论，将战略、记忆、决策和安全连接在一起。通过将智能视为一种统一的企业能力，而非一系列孤立的工具，这一框架为那些希望在掌控未来的同时利用人工智能力量的组织提供了前进的路径。

技术摘要：受控认知企业架构 (GCEA)

1. 问题陈述

本文指出，现代企业在采用 AI 过程中存在关键的架构碎片化问题。虽然组织加速了 AI 能力的部署——涵盖从预测模型、大语言模型 (LLM) 到自主智能体和检索系统——但这些举措往往处于孤岛状态。作者认为，现有的企业架构无法提供一个统一的模型来连接：

战略意图与运营执行。
组织记忆（知识留存）与推理及决策。
自主智能体执行与人类问责及治理。
AI 运维 (LLMOps/MLOps) 与持续业务价值衡量。

这种碎片化导致了智能资产的脱节、决策可追溯性薄弱、AI 问责不明以及智能体自主权失控。现有的框架（如 TOGAF、知识管理、RAG、智能体 AI、AI 治理、LLMOps）虽然解决了特定领域的议题，但缺乏一个整合的参考架构，将智能视为一种内聚的、受控的企业能力，而非一系列孤立的技术集合。

2. 研究方法

本研究采用了概念架构研究方法。其方法论包括：

文献综述： 审查企业架构 (TOGAF, Zachman)、知识管理、决策智能、智能体 AI、AI 治理 (NIST RMF, ISO/IEC 42001) 以及运维 (MLOps/LLMOps) 领域的现有标准与框架。
差距分析： 识别连接战略对齐、持久记忆、决策推理、自主执行与保障机制之间缺失的统一模型。
架构建模： 提出受控认知企业架构 (GCEA) 作为参考模型。该模型通过正式且结构化的方式进行定义，并将六个特定的能力领域进行整合。
评估框架： 开发了一种基于四个维度（架构完整性、能力集成、治理对齐和成熟度评估）的概念性评估方法，并引入了认知企业就绪度指数 (CERI) 作为提议的评估工具。

注：论文明确指出，经验验证、案例研究以及 CERI 的定量评分属于未来工作，而非本研究的结果。

3. 核心贡献：GCEA 模型

其核心贡献是定义了受控认知企业架构 (GCEA)，这是一个将六个层级整合进单一操作系统中的统一参考架构。该架构被正式表示为 $GCEA = (S, K, D, A, G, O, H)$ ，其主要流程为 $S \rightarrow K \rightarrow D \rightarrow A \rightarrow G \rightarrow O$ ，并伴随一个持续学习的反馈循环 $O \rightarrow K \rightarrow D$ 。

六个集成层：

战略智能基础 (S)： 将企业战略、运营模式和治理机制与 AI 赋能的认知能力相连接。它定义了战略意图、所有权和价值优先级。
知识记忆织物 (K)： 超越静态存储库，定义持久、可复用的语义、情景和程序化记忆。它将机构经验和既往决策直接连接到推理与智能体执行。
决策智能层 (D)： 将知识与洞察转化为可问责的决策。它将决策过程视为一个涉及证据、上下文、推理、人类判断、行动和结果学习的生命周期，确保决策具有可解释性和可审计性。
受控智能体智能层 (A)： 定义自主智能体如何在企业约束下运行。它引入了“受限自主权”，将智能体嵌入严格的身份、权限、工具使用和升级机制中，以防止不受控的自动化。
AI 保障与治理层 (G)： 将风险管理、政策执行和证据链直接嵌入架构之中。它确保认知活动是可审查、可审计且符合人类权威的。
AI 运维与持续演进层 (O)： 超出技术层面的 LLMOps，将运营监控、可靠性和成本控制与企业记忆、决策质量及业务成果相联系，从而创建用于持续改进的反馈循环。

支持性框架：

论文整合了特定的能力模型作为 GCEA 框架下的实现示例：

企业数字大脑（针对知识记忆）。
决策智能架构（针对决策层）。
智能体企业蓝图（针对智能体层）。
企业 AI 保障框架（针对治理层）。

成熟度模型与评估：

论文提出了一个包含五个等级（从“数据企业”到“受控认知企业”）的认知企业成熟度模型，以及认知企业就绪度指数 (CERI)。CERI 从六个维度进行评估：战略对齐、知识记忆成熟度、决策可追溯性、智能体治理、AI 保障覆盖率以及运营可靠性。

4. 结果与主张

作为一个概念性研究，本文并未呈现实验数据或经验结果。相反，其“结果”在于架构定义与理论论证：

架构完整性： GCEA 模型成功映射了战略、记忆、推理、行动、保障与运维之间的关系，解决了问题陈述中所识别的碎片化问题。
集成机制： 论文展示了如何将此前分离的框架（如 RAG、智能体 AI、治理）映射到一个连贯的企业系统中，使智能成为一种受管理的业务能力。
人机问责制： 该模型明确定义了“人类问责边界 (H)”，确保自主权受到人类监督、批准和升级机制的约束。
成熟度视角： 提议的成熟度模型为组织从碎片化的 AI 实验向受控认知企业演进提供了路径。

5. 意义与范围

论文声称其意义主要体现在两个方面：

理论贡献： 它将“受控认知企业”重新定义为一个架构构件。它认为智能不应仅仅被视为一种技术资源（模型/应用），而应作为一种必须通过记忆、推理、决策问责和反馈循环来体现的企业能力。它通过将认知能力作为一阶构件，扩展了企业架构理论。
实践贡献： 它为首席信息官 (CIO)、企业架构师和治理团队提供了一个可重用的参考模型，用于设计 AI 战略、定义控制边界并规划能力演进。它提供了一套通用的词汇，用于连接战略意图与运营端的 AI 执行。

局限性与未来工作：
作者保持了审慎的态度，承认 GCEA 目前是一个概念性参考架构。

它需要通过专家评估和企业案例研究进行经验验证。
CERI 评分机制需要通过定量验证以确保可靠性和预测效用。
实现模式必须在不同的行业领域和技术栈中进行测试。
本文并不声称取代现有标准（如 TOGAF、NIST、ISO），而是通过指定这些标准可以治理的认知企业能力模型来对其进行补充。