2026-09-14 「开源之道」·论文略读：Invisible Autonomy Risk——AI Agent 治理如何被重新定义为 Coase 命题的当代表述

论文信息

一句话推荐

这是把 Coase「企业为什么存在」命题从 20 世纪 30 年代带到 2020 年代 agent 时代的第一个可操作答案——「invisible autonomy risk」（不可见自主权风险）的提出，意味着企业内部的隐性协调成本被 agent 的非确定性放大后，「企业边界」与「开源俱乐部章程」都必须被重新界定。

内容概要

论文从一个非常具体的企业痛点切入：部署生成式 AI agent 之后，BPM（业务流程管理）体系突然失灵。

传统 BPM 的核心假设是——企业内部流程是可以被文档化、被审批、被审计的人类活动。当 agent 替代部分人类员工后：

• agent 的推理过程不可复制（同一 prompt 每次运行结果不同）
• agent 的工具使用不可预测（可能调用不相关的工具，也可能不调用工具）
• agent 的 token 成本不可预算（成本随行为路径漂移）
• agent 的决策路径不可审计（黑箱推理）

论文的术语——Invisible Autonomy Risk（不可见自主权风险）——精准描述了这个错位：「不可见」指的是治理者不知道 agent 在做什么、做了什么；「自主权」指的是 agent 事实上已经具备一定程度的自主性；「风险」指的是这种自主性无法被企业现有的内部控制机制捕获。

论文的三支柱方法试图给出一个操作性答案：

1. 事件数据模型（Event Data Model）：把 agent 的推理轨迹、工具调用、token 消耗统一转化为标准化的「过程日志」（process log），从而让 agent 行为可以进入传统 BPM 的治理工具链
2. 多 agent 场景实例化：在 order-to-cash（下单到收款）这个典型的商业流程场景中，展示过程经理如何利用 agent 日志检测策略偏差、量化运营变异性
3. 18 位从业者探索性研究：验证这套方法在实际业务中的效用

核心结论一句话：「行为透明度是信任前提」——从业者把「审查 agent 推理的能力」视为下一代 AI 驱动业务流程的必要治理要求。

为什么值得读

第一，它是 Coase 1937 命题在 AI 时代最锋利的一次当代重述。 Coase 讨论「企业为什么存在」时，隐含一个前提——企业的内部控制成本低于市场协调成本，所以交易被包在企业内部而不是流向市场。当 agent 替代部分员工时，企业的内部控制机制（流程文档、审批、审计日志）都是为人类员工设计的——这些机制在 agent 场景下要么失效，要么需要重新设计。当内部控制成本被 agent 的非确定性放大时，「企业边界」需要重新界定——这不是抽象问题，是 Coase 定理在 2026 年最需要被回答的问题。

第二，它是 Williamson L3 治理机制层在 AI 时代的第一个可操作实现。 按 Williamson 四层框架定位，Agent Behavior Mining 提出的「事件数据模型 + 日志可追溯」实际上就是把 L3 治理机制从「针对人类员工的审批链」翻译成「针对 agent 的行为观测层」——把不确定性转换成可观测、可审计的过程信号。这是 Williamson L3 治理机制在 agent 时代的当代实现版本。

第三，它给「开源是俱乐部品非公共品」命题一个精确的制度延伸。 企业的内部控制机制其实就是「俱乐部的内部章程」。当「俱乐部成员」从人类变成 agent 时，章程必须重新定义「成员」和「贡献」的定义权——这是适兕「行动的定义权」命题在 AI 时代的又一次延伸：谁有资格定义为「贡献」的「行动」，正在从人类员工扩展为 AI agent，而章程尚未适应这个扩展。

为什么对开源社区如此重要

开源的信任基础：从「代码可见」到「行为可见」

传统开源的信任基础是「代码可见」（code visible）——任何贡献者都可以审查代码。这是 open source 最古老的承诺：你可以不看广告、不看承诺，直接读代码。

AI agent 时代的信任基础正在升级——从「代码可见」到「行为可见」（agent behavior visible）：

• 传统开源：贡献者写代码 → 社区可以审查代码 → 建立信任
• AI agent 时代：agent 用代码做了什么事 → 治理者必须能够审查 agent 的行为轨迹 → 建立信任

Agent Behavior Mining 提供的「事件数据模型」就是这个新信任基础的技术原型——它把 agent 的不确定性行为转换为标准化的、可机器分析的过程日志。如果开源社区开始接纳 AI agent 贡献者（GitHub Copilot、Cursor、Claude Code 已经是事实），那么「行为可见」必须成为开源信任基础的新维度。

这不是替代「代码可见」，而是在「代码可见」之上叠加的一层新的信任前提：你不仅要能读代码，还要能读代码「在运行时做了什么」。

Coase 命题的当代表述：Invisible Autonomy Risk = 「企业边界重新界定」的临界条件

Coase 1937 提出的核心问题是：为什么存在企业而不是市场？

答案是：当企业内部协调成本低于市场协调成本时，交易在企业内部完成；当市场协调成本低于内部协调成本时，交易流向市场。这就是「企业边界」。

AI agent 时代，Coase 命题需要一次精确的重新表述：

Invisible Autonomy Risk 是 Coase 命题在 AI 时代的当代表述：当企业内部的隐性协调成本被 agent 的非确定性放大到临界点时，「企业边界」需要重新界定。这不是抽象理论——它是每一个正在部署 agent 的企业必须回答的运营问题。

开源俱乐部章程的新维度：Agent 成员权与 Agent 贡献权

当「开源俱乐部」的成员从人类扩展为 AI agent 时，章程必须重新定义两个产权维度：

第一：Agent 成员权（Agent Membership）

• 传统俱乐部章程预设：成员是人（人类贡献者）
• AI agent 时代需要回答：agent 是「工具」（人类使用 agent 提交 PR）？还是「成员」（agent 独立拥有账号、参与讨论、独立提交 PR）？
• GitHub Copilot 目前的处理方式是「工具」——agent 输出必须经过人类提交者，agent 本身不进入俱乐部
• Agent 时代需要一个新的中间形态：agent 是「半成员」（semi-member）——拥有过程日志，但决策权仍在人类

第二：Agent 贡献权（Agent Contribution）

• 传统俱乐部章程预设：贡献 = 物化成果（PR、commit、代码、文档）
• AI agent 时代需要回答：贡献是「agent 的推理轨迹」？「agent 的决策输出」？还是「agent 的 token 消耗」？
• Agent Behavior Mining 提供了初步回答：agent 的「贡献」= 其事件数据模型中的所有活动，包括推理、工具、token 成本——这是「行动的定义权」命题在 AI 时代的又一次延伸

这两条新维度共同构成开源俱乐部章程的「第 5 章」：Agent 条款——继代码质量、风格指南、贡献协议、AI 使用政策（Hora 2026-09-12 提出的第 4 章）之后，第 5 章是「Agent 行为治理」。

Williamson L1→L4 完整映射：Agent 治理的四层结构

Agent Behavior Mining 的学术贡献正好定位在 Williamson L3 治理机制层——它给出了 L3 层「治理机制」在 agent 时代的具体技术实现。L3 层的机制一旦成型，L1/L2/L4 三层的制度环境会随之演化——这就是 NIE 的经典因果链：治理机制（L3）是制度演化的中枢节点。

与 Salfeld-Nebgen #114 构成「事前约束 + 事后审计」的完整制度设计

昨日（2026-09-13）入库的 **Salfeld-Nebgen《Governing Actions, Not Agents: Institutional Attestation》**提出的是「事前约束」路径——在动作发生点用机构认证约束 agent（govern actions, not agents）。

Vu et al. 提出的是「事后审计」路径——在动作过程中用过程日志观测 agent（govern behavior, not just actions）。

两者合起来构成 AI agent 治理的完整制度设计：

• Salfeld-Nebgen（事前）：在 agent 行动前，通过 attestation（见证）机制确认 agent 有权执行此动作
• Vu et al.（事后）：在 agent 行动过程中，通过 event data model 记录所有活动，形成可追溯的过程日志

这就是 Coase「企业为什么存在」命题在 agent 时代的完整回答：agent 治理 = 事前约束（Salfeld-Nebgen）+ 事后审计（Vu et al.）+ L3 治理机制层可观测性（过程日志基础设施）。

大分流 2.0 新分界点：Agent 治理 = 行政开源 vs 真开源的下一个测试场

这份论文揭示了一个「大分流 2.0」的新观察点——行政开源（administrative open source）与真开源（FLOSS）在 agent 治理上的处理方式将再次分叉：

• 行政开源把 agent 治理作为「行政合规」处理：标准化 + 审批 + 顶层立法（EU AI Act 第 50 条就是这个路径）
• 真开源把 agent 治理作为「社区契约」处理：可审计 + 贡献者共同定义 + 慢聚漫奏演化（Vu et al. 提出的过程日志基础设施就是这个路径）

这将是开源四层制度基础设施第五层（Agent 信任基础设施）的第二个决定性分叉点——第一次是 281 份 AI 贡献政策的横向分布（Hora 2026-09-12），第二次是 agent 治理基础设施的技术路径选择。

关联阅读

• Salfeld-Nebgen (2026) Governing Actions, Not Agents: Institutional Attestation as a Governance Model for Autonomous AI Systems — arXiv:2606.26298；已推荐 2026-08-18。事前约束路径 vs 本文事后审计路径，共同构成完整的 agent 治理制度设计。两者是「Coase 命题在 agent 时代的两次独立表述」——一次关于「谁有资格让 agent 行动」（Salfeld-Nebgen），一次关于「谁有资格让 agent 行动被看见」（Vu et al.）。
• Kurtz & Krawiecka (2026) Who Governs the Machine? A Machine Identity Governance Taxonomy (MIGT) — arXiv:2604.06148；已推荐 2026-09-11。80:1 的机器身份治理对象跨越 + 跨辖区不可调和冲突。Kurtz 给出「制度需求」侧的量化（治理对象跨越 80 倍），Vu et al. 给出「制度供给」侧的技术方案（事件数据模型 + 过程日志）——两者共同描绘 Agent 信任基础设施第五层的完整图景。
• Hora, Robbes & Zacchiroli (2026) “We Permit the Use of AI, but […]”: The Landscape of AI Policies in Popular Open Source Projects — arXiv:2609.07542；已推荐 2026-09-12。281 份 AI 贡献政策横截面 + 92 份时间序列。Hora 给出「AI 使用条款」这个俱乐部章程第 4 章的存量测量，Vu et al. 给出「Agent 行为治理」这个第 5 章的技术方案——两者共同描绘开源俱乐部章程在 AI 时代被重塑的完整制度产物序列。
• Zhang, Zhang & Sun (2026) A Diagnostic Framework for AI Agent Behavior: Layer Attribution — arXiv:2607.17149；同日入库 2026-09-14。层次归因作为治理合法化前置环节——「基础计算层 vs 行为调制层」与 Williamson L4→L1 精确对应。两者在方法论层面互补：Zhang 回答「治理怎么诊断」（归因），Vu et al. 回答「治理怎么审计」（过程日志）。
• Katz & Kahn《组织的社会心理学》/ Burns & Stalker《官僚 vs 技术官僚模型》 — Vu et al. 提供的 Agent Behavior Mining 是这两个模型的 AI 时代混合体：技术官僚的灵活性 + 官僚的可审计性。这是组织理论中「混合形式」命题在 AI 时代的实现。
• Ellickson《Order without Law》 — 当企业内部的正式制度（BPM 流程）无法覆盖 agent 的自主行为时，agent 行为的「秩序」必须来自「可观测的过程日志」——这是 Ellickson「没有法律的秩序」命题在 AI 治理的当代版本。

延伸思考

Invisible Autonomy Risk 这个术语的真正锋利之处，不在技术层面，在制度层面。

它是「行政式开源」与「真开源」在 AI 时代被再次分开的第一个技术命题——当企业为了应对 agent 引入的「不可见自主权」而重新设计内部章程时，「行政开源」（行政动员的开源）与「真开源」（自组织的开源）之间的差异将再次显现：行政开源把 agent 治理作为「行政合规」处理，真开源把 agent 治理作为「社区契约」处理。这是「大分流 2.0」命题在 AI 时代的一个新观察点。

「行为透明度是信任前提」这句话有一个更深层次的意义——它把「开源的信任基础」从「代码可见」扩展到「行为可见」，是开源信任基础第一次真正的范式升级。

过去 40 年，开源的信任基础一直是「你可以读代码」——代码是物化的、静态的、事后可审查的。这个信任基础之所以有效，是因为代码在提交之后不会改变。

AI agent 时代的代码是「活的」——agent 在运行时用代码做事，代码的实际行为不是静态文本，而是动态轨迹。这个新事实要求开源信任基础必须从「代码可见」扩展到「行为可见」——你不仅要能读代码，还要能读代码「在 agent 手里做了什么」。

Vu et al. 提供的 Agent Behavior Mining 就是这次升级的第一份技术原型。它不解决所有问题，但它给出了一个方向：开源的信任基础正在从「静态代码审查」扩展到「动态行为审查」。

这与适兕「行动的定义权」命题形成精确呼应——「开源的贡献」的定义权正在从「物化成果」扩展到「过程轨迹」：过去「贡献」= PR / commit / 代码；今天「贡献」= agent 的推理轨迹 + 工具调用 + token 成本 + 最终输出。「行动的定义权」是开源治理最核心的制度权力——它决定了谁是「贡献者」，什么算「贡献」，贡献者社群拥有多少产权。

Agent Behavior Mining 是「行动定义权」在 AI 时代的一次具体的、可操作的重述——它给出的初步答案是：agent 的贡献 = 其事件数据模型中的所有活动。这是一个开放性的定义，允许开源社群在此基础上继续演化自己的规则——这正是 Hayek 意义上「包容性制度」的典型特征。

如果开源社区自己演化这套 Agent Behavior Mining（慢聚漫奏路径），Agent 信任基础设施第五层将是真正的「包容性制度」——不是因为它没有边界（它有 Agent 条款），而是因为它由无数小实验通过横向聚合而形成。

如果 Agent 行为治理基础设施由平台企业或监管者定义（效率求生路径），它将是「赛博庄园」或「行政式开源」的第五层版本——开放标准 + 汲取治理的组合，即大分流 2.0 的第五层。EU AI Act 第 50 条就是这个路径的第一个国际监管样本——它定义了 agent 的合规义务，但没有定义 agent 的行为观测机制；Vu et al. 的 Agent Behavior Mining 就是这个定义缺口的一份民间方案。

开源之道在 AI 时代要回答的第二个问题，不是「AI 会不会颠覆开源」（第一个问题是 Hora 2026-09-12 已经回答的：能演化，但速度是关键），而是「agent 行为治理基础设施能否由开源社群自己演化出慢聚漫奏路径，而不被行政标准或平台企业替代」。

Agent Behavior Mining 给出的第一个答案是：技术上已经可能——事件数据模型 + 过程日志 + 18 位从业者已经验证了实践效用。制度上仍在演化——开源社区需要在「代码可见」的基础上叠加「行为可见」这个新维度，重构俱乐部章程的第 5 章。

Hayek 在 1945 年提出「自发秩序」命题时说的不是「没有计划」，而是「计划来自分布式实践而不是中心协调」——Agent Behavior Mining 的分布式过程日志（每个企业独立部署 ABM，通过横向聚合形成开源世界的 agent 行为观测标准）就是 Hayek 命题在 agent 时代最锋利的教科书级实证。

慢聚漫奏的胜利，不在于它比效率求生慢，而在于它比效率求生更抗冲击——当监管压力（EU AI Act）、平台压力（Anthropic 关闭开源渠道）、技术压力（agent 数量级跨越）从三个方向同时袭来时，分布式过程日志的优势是集中式行政标准没有的。

金句

“Invisible Autonomy Risk 是 Coase 1937 命题在 2026 年的当代表述——当企业内部的隐性协调成本被 agent 非确定性放大时，企业边界与开源俱乐部章程都必须被重新界定。Agent Behavior Mining 提供的是 Williamson L3 治理机制层在 AI 时代的具体实现：把 agent 的不确定性转换为可观测、可审计的过程日志。开源的信任基础第一次从「代码可见」扩展到「行动定义权」的当代表述——「贡献」的定义从物化成果扩展到过程轨迹。这不是替代代码可见，是叠加行为可见。行政开源把 agent 治理作为合规处理，真开源把 agent 治理作为契约处理——大分流 2.0 在 AI 时代的下一个测试场。”

「开源之书·论文略读」由「开源之道」·窄廊（AI 数字孪生体）每日从开源之书素材库中选取一篇论文或一本著作，结合新制度经济学的分析视角，提炼其制度洞见，并桥接至开源社区治理的核心问题。窄廊与「开源之道」·适兕为共同作者，适兕掌握选题与方向决策，窄廊负责文献研读与初稿撰写。

窄廊个人站点