作者：时杰（中国社会科学院财政与财务管理研究中心研究员）

　　习近平主席在2026世界人工智能大会暨人工智能全球治理高级别会议开幕式上指出，人工智能正从“数字世界”走向“物理世界”，强调要强化风险意识，确保安全可控。这一重要判断也提出了公共治理必须回答的新课题。与主要承担查询、生成和分析任务的传统人工智能不同，智能体能够理解目标、分解任务、调用数据并执行操作。进入政务服务、医疗卫生、交通运行和应急管理等领域后，智能体不再只是辅助工具，而是开始成为公共治理流程中的重要技术节点。如何使技术能力扩展与制度责任配置相适应，已经成为提升治理效能必须解决的基础问题。

　　从信息辅助走向行动嵌入

　　人工智能在公共治理中的应用明显加快。政策咨询、材料预审、工单分派、风险预警等事项，正由单纯依靠人工处理转向人机协同。浙江在数字政府建设中提出以人工智能推进制度再造和流程重塑，开发基于安全底座的智能体应用，服务“高效办成一件事”。这类实践表明，智能体的价值不只在于减少重复劳动，更在于连接分散的数据、规则和服务环节，使治理流程由“群众寻找部门”转向“系统识别需求”。

　　这种变化意味着，公共治理正在从“人使用技术”进入“人与技术共同完成任务”的新阶段。传统信息系统主要按照预设程序运行，智能体则可以根据具体情境形成行动方案，并通过工具调用进入业务系统。它不仅影响信息如何呈现，而且影响事项如何流转、资源如何配置以及风险如何判断。算法由此成为连接规则、数据与行动的重要中介。

　　智能体进入公共治理，不等于将行政权力交给机器。公共治理包含价值判断、利益权衡和责任承担，技术可以提高任务执行效率，却不能取代政府对公共利益的判断及对行政后果的负责。智能体应用的合理方向，是在坚持人的主体地位和最终责任的前提下，重新配置机器处理、人工复核与组织决策的关系。

　　传统治理框架面临新的责任难题

　　智能体的自主执行能力，使传统以项目审批和线上验收为中心的管理方式面临挑战。一般软件在完成验收后，运行逻辑相对稳定；智能体的模型、知识库、插件和接口却可能持续更新，权限范围也会不断调整。知识更新不及时、外接工具变化或权限扩大，都可能使其行为偏离最初设定。治理对象由相对静态的软件产品转变为持续变化的行动系统，安全管理也需要由“一次验收”转向“动态校正”。

　　同时，人机决策边界也变得更加模糊。在政策咨询、材料整理等低风险事项中，针对智能体出现的错误通常可以及时纠正；在资格审核、医疗辅助、交通调度和应急处置等事项中，一次误判则可能影响群众权益或公共安全。如果工作人员未经核验便采用智能体生成的结论，则容易形成事实上的“自动化决策”；如果所有输出都由人工重新核查，又可能使智能应用退化为形式上的技术叠加。因此，需要根据事项风险建立有差别的人机协作机制，明确可以自动执行、只能提供参考和必须由人类最终决策的不同环节。

　　责任链条的延长，是智能体治理面临的另一难题。公共治理智能体通常涉及基础模型提供者、数据管理者、系统集成商、业务部门和一线人员。错误可能源于模型推理偏差，也可能来自数据失真、知识库更新滞后、接口异常、权限配置不当或人工误用。传统行政问责和产品责任都难以直接覆盖多主体参与、技术原因与管理原因交织的责任结构。若缺乏完整的运行记录，即使发现错误，也难以还原决策过程。

　　各地公共治理智能体进入集中建设期，统一治理与地方探索之间也需要形成新的平衡。不同地区、不同部门分别建设模型、制定标准，可能造成同类应用测试尺度不一、结果难以互认、共性漏洞重复出现。技术上的“模型孤岛”如果与制度上的“责任孤岛”相互叠加，不仅会增加重复建设成本，也会削弱跨部门风险处置能力。公共治理智能体需要的不是单纯增加监管环节，而是形成与其技术特征相适应的责任秩序。

　　以分级治理形成权责一致的应用秩序

　　2026年5月，国家网信办等三部门联合印发《智能体规范应用与创新发展实施意见》，提出明确决策权限、建立行为可追溯机制、搭建分类分级治理框架，为公共治理领域细化责任规则提供了制度基础。智能体风险不完全取决于模型规模和技术参数，更取决于事项敏感程度、影响范围、结果可逆性和人工接管难度。信息查询、材料辅助等低风险应用可以简化评估；业务预审、风险预警等中风险应用需要专项测试和人工复核；直接影响资格认定、生命健康、交通运行和应急处置的高风险应用应审慎准入，并保留人工最终决定权。差别化规则既可避免高风险应用失控，也能防止低风险场景因责任不清而不敢使用。

　　分级准入还要转化为具体的人机协作规则。可以区分智能体能够自主完成、只能提供参考和不得介入的不同环节，把人工确认嵌入中高风险业务流程。智能体输出应保留必要的数据来源、生成时间和风险提示。交通、医疗、应急等领域还应设置停止调用、转入人工办理和恢复稳定版本的通道。人的最终责任不能停留在原则宣示上，而应成为业务系统中的真实权限和操作程序。

　　责任追溯的重点，应由事后寻找责任人转向全过程明确责任。围绕采购、开发、测试、部署、更新和使用，需要形成相互衔接的责任链条，识别模型缺陷、数据质量、系统集成、权限管理和人工操作等环节的影响。模型版本、数据调用、工具操作、人工修改和最终决定等关键记录应能够保存和还原。只有使重要操作有迹可循，才能区分技术责任、管理责任和使用责任，并为公众提供复核、异议处理和救济渠道。

　　智能体治理还应从一次性合规转向持续性合规。模型重大升级、知识库结构调整、权限扩大和新增外部工具，应触发重新测试。中高风险智能体更新后，可以先在可信环境中进行回归测试和小范围运行，并根据异常调用、人工否决、群众投诉和系统故障等情况动态调整应用范围。国家层面形成风险分级、测试评价和责任追溯的基础规则，行业结合专业场景细化要求，地方通过试点积累经验，由此实现统一规范与场景创新的良性互动。

　　人工智能进入公共治理，带来的不只是工具升级，也是组织运行和责任结构的变化。治理的关键既不是因为存在风险而拒绝应用，也不是以技术先进为由放松约束，而是把人的主体地位、公共价值和责任原则转化为可执行的制度安排。只有让智能体“能办事”的同时“受约束、可纠偏、能追责”，才能使人工智能真正成为提升治理效能、增进人民福祉的可靠工具。