流程大咖说 | AI Agent 如何跨部门编排工作：从"任务自动化"到"端到端流程重构"

引言：当AI智能体开始跨越部门边界协同工作时，企业该如何建立与之匹配的治理架构？哈佛商业评论（2026年9-10月刊）《How AI Agents Orchestrate Work Across Silos》一文给出了前瞻性视角。与此同时，沃尔玛技术团队公开的AI治理实践，为我们提供了可借鉴的落地样本。本文将两者结合，探讨企业AI治理的框架设计与实践路径。

▼

过去三年企业投入 AI 的主战场，是把单个岗位的单个任务做得更快——写周报、生成代码、总结合同。这类投入确有回报，但两位作者在对沃尔玛、Medtronic 等公司的一线调研中发现了一个反直觉的结论：

真正拖慢企业的，从来不是某个任务做得慢，而是任务与任务之间的交接。一个采购决策要经过需求部门提出、财务核算成本、供应链评估产能、法务审合规、管理层拍板——每一段单独看都不慢，但串起来就是几周。原文的表述很直接："最重要的决策从来不是在单个任务内做出的，而是从许多范围很窄的任务串联中涌现出来的。"

这解释了一个很多企业都遇到的怪现象：单点 AI 工具越用越多，但"最重要的决策"跑起来还是那么慢——因为工具优化的是节点，没人优化连接节点的那条线。

这条线之所以难优化，本质原因是信息被部门化隔离了。财务知道真实成本结构，供应链知道产能弹性空间，一线知道客户的真实容忍度——这些信息从来没有被写进一份"跨部门共享文档"，而是散落在各部门员工的经验和判断里。作者给出的诊断框架很朴素但很关键：在决策链的每一个环节上问一句，AI 现在缺的是什么信息？这个信息谁手里有？这直接决定了这一步该由 AI 做、人做，还是两者以什么方式配合做。作者称之为"人+AI"模型——不是人审核 AI 的输出，而是人在 AI 缺信息的关键节点上，把自己的专业判断"喂"给系统，AI 再把整合后的结果继续往下传。

用一个具体场景把上面的框架落地——门店缺货补单决策，这是零售业最典型的跨部门链条，涉及门店运营、供应链、采购、财务四个部门。

改造前（线性人工流转）：门店系统发现某 SKU 库存低于阈值 → 人工填补货申请单 → 供应链部门人工核对该 SKU 在配送中心的实际库存和车次排期（1天）→ 采购部门核对该供应商的合同价格是否触发阶梯折扣（1天）→ 财务部门核对该品类月度预算余量（半天）→ 层层邮件确认后回传门店（半天）。全流程 3 天左右，且任何一环人手不足就会积压。

改造后（agent 编排端到端流程）：门店的库存 agent 检测到缺货信号后，不是发一张单子等审批，而是同时向供应链、采购、财务三个部门各自的 agent 发出并行查询——供应链 agent 直接查配送中心实时库存和车次容量并返回可交付窗口；采购 agent 核对合同条款自动判断是否触发折扣区间；财务 agent 核对预算余量、若接近上限自动升级给人审核。三个部门的 agent 几乎同时返回结果，由编排层（orchestrator）把三份结果拼成一个完整方案，正常情况下几分钟内出结果；只有触发预算红线或合同异常这类需要人拍板的分支，才会转给对应部门的人。

这里最关键的变化不是"变快了"，而是调度方式从线性变成了部门内并行——供应链、采购、财务三个 agent 是同时被唤起、各自处理自己权限范围内的子任务，而不是像人工流程那样必须排队等前一环节交接。编排层做的事，是把"一个端到端项目"拆解成多个可以并行执行的任务包，分发给对应部门的 agent，再把结果按业务逻辑拼回一条决策链。这正是文章强调的重点：改变的不是每个部门内部怎么干活，而是部门之间怎么被调度和拼接。

沃尔玛的公开资料（其技术团队负责人 Jake Mannix 今年的公开撰文）讲的其实是上面这套编排能落地之前，必须先解决的一个更底层的问题：当成百上千个部门自建的 agent 在系统里同时跑起来之后，系统会不会失控。

沃尔玛的判断很直白：规模一旦上去，"单 agent 系统"这个概念就不再有意义，一切都默然变成多 agent 系统——不管你设计的时候有没有考虑到，各部门的 agent 之间必然会互相触发、互相影响,局部的小决定会累积成全局效应。这时候如果没有强协议约束，自主性不会带来灵活性，只会带来失控：一个环节的小误判会在多轮 agent 间被放大，最后炸出一个波及全局的大问题，而且事后连"是哪个 agent 在哪个环节做错了判断"都很难复盘。

为解决这个问题，沃尔玛没有去限制各部门自建 agent 的自由度（这恰恰是它的组织优势，让熟悉业务的人自己建 agent），而是要求每个 agent 必须携带一份"身份证"——他们称之为 agent card。这份身份证不是文档，是可以被机器读取、在运行前就能被检查的结构化契约，里面写清楚：这个 agent 声明自己能做什么、不能做什么;它能碰到什么级别的数据；它的输出可信度和来源如何标注;它对外能不能代表某种审批或承诺。所有 agent card 汇总在一个中央注册表里，任何一个 agent 要调用另一个 agent 或工具之前，系统会先用"linter"（静态检查器）在运行前扫一遍——比如自动标记出"声称有人工审核但实际没有强制走审核流程"的 agent，或者"接触敏感数据又同时具备对外输出权限"的危险组合。

这套设计恰好回应了你担心的那类风险——一个 agent 冒充更高权限的身份去影响另一个部门的 agent，这在沃尔玛的架构里理论上应该在"运行前静态检查"这一关就被拦下来，因为身份和权限是写在机器可读的契约里、由注册表统一核验的，不是靠 agent 之间互相"自称"来建立信任的。这也是为什么原文反复强调一句话："信任必须被携带，而不能被假设"——如果信任只存在于某个 agent 的自我声明里，而不是被外部系统结构性核验，跨部门协作的 agent 网络就必然会被这类伪装攻破。这不是危言耸听，是沃尔玛把它当成头号设计约束来防的问题。

企业的规则和 Policy 通常不是不存在，而是分散存在于各部门的文档、口头惯例、老员工的经验里，从没有被写成一份"任何系统都能读懂"的规范。人执行这些规则时，靠的是隐性理解和上下文常识——"这种情况一般要走一下财务的眼"，这句话对人来说是常识，对 agent 来说什么都不是，除非它被显式写成一条可执行的规则。

这正是沃尔玛架构里"声明意图和实际执行代码分离"这一步存在的原因：规则不能只留在人脑子里，必须被抽出来单独变成一份可以被推理、被机器检查的治理登记表。这一步做不到，规则就永远是隐形的，agent 只能按训练数据里的统计模式去猜"大概应该怎么做"，猜错了也没人能追责到具体哪条规则被违反。换句话说，agent 落地最大的隐性成本，往往不是买 agent 或搭编排层，而是先把散落在各部门脑子里的隐性规则，一条条翻译成机器能读的显性契约——这个工作量常常被完全低估。

综合报告发现和沃尔玛的实践，落地卡点集中在三处：

难点一：组织不知道自己的"隐性规则"有多少，因为从没人统计过。一旦要把 Policy 变成机器可读契约，才发现同一件事在不同部门有三种不写在纸上的默契做法，谁都没意识到彼此不一致——这个"发现不一致"的过程本身就很痛，但躲不过去，越晚发现代价越大。这也是我们反复强调“流程智能”的原因所在，把流程里的Policy显性化、标准化、系统化、AI化（被推理）。

难点二：多 agent 一旦互相调用，责任边界立刻模糊，出了问题没法复盘。沃尔玛的判断是传统的"事后靠人工调日志复盘"的监控方式在多 agent 系统里完全失效，必须把可观测性设计进系统起点,而不是出事后才想起来查。这也是穿透式监管的核心要求，可观测性设计进流程和系统，而且事前和事中！

难点三：把 MCP 这类工具协议直接当成组织的治理层，会把自己和某一代技术框架焲死焲牢。沃尔玛的经验是要在工具调用协议之上单独加一层"虚拟接口层"，只声明 agent 的能力、边界和身份，不绑定具体用哪个协议实现——这样底层技术怎么迭代，上层的治理规则不需要重写。工具和插件的Harness，也需要进行可观测性设计！

分步路线图：

第一步，不要从"最重要的决策"开始，从一个跨两到三个部门、频率高、后果可控、能清楚定义"对错"的流程开始——补货决策就是典型样本：频率够高能积累经验，出错代价可控，成功与失败的标准很客观。反面例子是直接从"定价策略"或"人事决策"这类高风险、判断标准本身就模糊的场景切入,这类场景连"什么算做对"都吵不清楚，AI 判断力再强也没有稳定的评判基准，风险和摩擦都会立刻爆炸。

第二步，先把这个流程里各部门手里真正掌握的信息和隐性规则通过流程智能+人工智能盘清楚、写下来，哪怕暂时不上系统。这一步做实了，后面的 agent 契约设计才有地基，跳过这一步直接建 agent，等于让 agent 继续猜谜。

第三步，给这个流程里的每个 agent 建立最小可用的"身份契约"——它能碰什么数据、能替谁做主、遇到什么情况必须转人工——先做轻量版,不用一次做到沃尔玛那种全公司注册表的复杂度。

第四步，把"人在哪个环节介入"设计成流程的固定节点，而不是失败后的补救动作。按 HBR 报告的建议，具体做法是在这条决策链的每一步都问一遍：AI 在这一步缺什么信息，这个信息目前谁手里有——把这个人接入的那个节点直接嵌进流程设计里（Human in the Loop, 一开始非常重要，可以通过红黄绿给Agent 打分），而不是等 agent 出错了才把人拉进来兜底。

第五步，等第一个流程稳定运行几个月、暴露的坑基本填完，再横向复制到下一个跨部门流程,而不是一开始就想着"一次性打通全公司的端到端流程"。规模化的风险从来不是技术做不到，是治理和信任机制没跟上规模,沃尔玛用真实的代价换来的经验就是这一条。以终为始，是从“流程切片”开始。

这场变革真正重构的不是"任务怎么被自动化"，而是"部门之间的信任怎么被结构化地建立起来"——技术能解决执行效率，但只有把隐性规则显性化、把身份和权限做成可核验的契约，跨部门的 agent 协作才不会在规模化的第一天就失控。这也是为什么沃尔玛先花大力气解决"能不能信任"，而不是急着炫耀"多快"。