摘要：麥肯錫數(shù)據顯示僅23%的企業(yè)開始規(guī)?；瘧谩．敵醋饔錾稀皣鷫▓@”和技術脆性，CIO們該如何布局2026？
如果只看社交媒體和供應商的PPT，你可能會覺得“自主智能體”（Agentic AI）的時代已經全面降臨。仿佛明天一早，全球企業(yè)的運轉都將由這些不知疲倦的軟件接管——從寫代碼到搞定客戶服務。
然而，站在2025年底展望2026，現(xiàn)實的情況要比炒作復雜得多。
IDC和麥肯錫的最新數(shù)據告訴我們：“自主智能體”（Agentic AI）正在經歷它的“青春期”——充滿潛力，但跌跌撞撞。
雖然市場上充斥著“90%的IT支持將由智能體完成”的豪言壯語，但落地的數(shù)據卻相當冷靜。
麥肯錫（McKinsey）調查顯示：雖然?39%的組織表示正在試驗自主智能體，但只有?23%的企業(yè)開始在單一業(yè)務職能中進行規(guī)模化擴展。
IDC預測：到2026年，全球2000強企業(yè)中?40%的工作角色將涉及“自主智能體”（Agentic AI）的協(xié)作。
這表明，我們正處于一個從“實驗”到“生產”的艱難跨越期。
很多IT領導者對智能體的興奮并非空穴來風。與傳統(tǒng)的LLM（大語言模型）不同，“自主智能體”（Agentic AI）不是被動等待指令的工具，而是主動解決問題的“工蜂”。
LLM模式：用戶輸入提示詞 -> 模型輸出文本（被動）。
“自主智能體”（Agentic AI）模式：設定目標 -> 智能體感知環(huán)境、調用記憶、推理路徑、使用工具、執(zhí)行任務（主動）。
Salesforce、Workday和Microsoft都在爭先恐后地將這種能力嵌入到自家應用中。
既然概念這么好，為什么普及速度沒有預期的快？專家指出了三個核心障礙：
A. 供應商的“圍墻花園”
IDC AI高級研究總監(jiān)Nancy Gohring一針見血地指出：這是技術問題，更是商業(yè)競爭問題。
供應商希望將客戶鎖死在自己的生態(tài)系統(tǒng)中。例如，某家客服平臺的API可能故意不與另一家電商軟件兼容。這導致跨平臺的多智能體系統(tǒng)極難構建。
B. 技術的“脆性”
Voxel首席技術官Bryan O’Sullivan警告說，智能體如果不精確，可能會產生“一堆除了費錢毫無用處的垃圾”。
“自主智能體”（Agentic AI）依然面臨幻覺和記憶缺失的問題。如果無法像人類一樣擁有長、中、短期記憶，它們就無法從任務中真正學習，導致整個流程因為一個小錯誤而脫軌。
C. 數(shù)據變現(xiàn)的博弈
廠商們還在猶豫如何通過智能體產生的數(shù)據賺錢，這使得他們在互操作性上猶豫不決，進一步阻礙了企業(yè)級部署。
盡管困難重重，但趨勢不可逆轉。既然沒有現(xiàn)成的“避坑指南”，IT領導者該如何準備？
從小處著手，建立試點：不要一上來就試圖用智能體接管整個公司。尋找特定的、容錯率較高的業(yè)務場景進行測試（Fail fast）。
構建抽象層與編排能力：在擴展到數(shù)十個智能體之前，企業(yè)需要建立自己的控制層。
強化治理與監(jiān)控：智能體是自主的，但不能是失控的。必須建立機制來監(jiān)控它們的行為，確保數(shù)據安全和輸出質量。
結語
2026年的“自主智能體”（Agentic AI），不會是“全有或全無”的局面，而是一種“混合狀態(tài)”。成功的企業(yè)將是那些能夠穿透炒作，在特定領域務實部署，并建立起有效治理架構的先行者。
AI“自主智能體”（Agentic AI）的潛力和現(xiàn)實已成為一個兩極分化的話題。專家表示，2026年智能體將在企業(yè)中逐步被廣泛采用，但前方仍將面臨失誤和障礙。
“自主智能體”（Agentic AI）似乎正迎來它的“瞬息全宇宙”時刻（everything, everywhere, all at once）。但真的是這樣嗎？
對于那些追蹤社交媒體動態(tài)、供應商聲明以及充斥著夸張言論的思想領導力領域的IT從業(yè)者來說，如果他們誤以為全球企業(yè)很快就會依靠AI智能體運轉，這也是情有可原的。這些智能體軟件據稱能夠自動化從代碼生成到內容創(chuàng)作等各種任務。
他們看到各種宣言稱“智能體勞動力”時代即將到來（例如宣稱90%的IT支持工作將由智能體執(zhí)行！），還看到了關于有進取心的程序員通過基于智能體的產品創(chuàng)造收入的軼事。與此同時，也有人聲稱行業(yè)被兜售了一場騙局，現(xiàn)實情況與大肆宣傳并不相符。
正如科技行業(yè)常見的情況那樣，現(xiàn)實往往更加微妙。即便如此，數(shù)據能讓我們看清真相。雖然麥肯錫（McKinsey）調查的組織中有39%表示正在試驗智能體，但只有23%的企業(yè)開始在單一業(yè)務職能內規(guī)模化擴展AI智能體。
一、“自主智能體”（Agentic AI）詳解
首先，讓我們退一步講：究竟什么是AI“自主智能體”（Agentic AI）？為什么IT領導者對它們如此興奮？
利用上下文理解能力以及來自大型語言模型（LLMs）和其他來源的數(shù)據，“自主智能體”（Agentic AI）能夠感知并從其系統(tǒng)環(huán)境中學習，并在努力實現(xiàn)目標的過程中通過推理解決問題。
智能體還會與其他智能體以及其他應用程序協(xié)同工作。它們就像工蜂一樣，忙忙碌碌地工作以取悅蜂后。高效地達成目標是最終的游戲規(guī)則。
用戶可能會通過上下文指導來提示LLM產出期望的結果，而智能體則不同，它基于編程設定的問題解決邏輯和訓練數(shù)據，自行找出如何實現(xiàn)目標的方法。
Salesforce、Workday和Microsoft等眾多供應商已經開始將智能體嵌入到企業(yè)用于客戶服務及其他功能的應用程序中。
二、為什么智能體處于“欲速則不達”的模式
然而，跨平臺工作的多智能體系統(tǒng)的采用速度卻較為緩慢。一些試圖完全依靠智能體運營業(yè)務的公司遭遇了高調的失敗，以及一些智能體經歷了災難性技術故障，這些都對現(xiàn)狀沒有幫助。
IDC人工智能高級研究總監(jiān)Nancy Gohring表示，多智能體系統(tǒng)在構建和運行上具有技術挑戰(zhàn)性，而且供應商在弄清楚如何將智能體生成和消費的數(shù)據變現(xiàn)之前，對于讓此類系統(tǒng)具備互操作性猶豫不決。
“這既是一個技術問題，也是一種競爭態(tài)勢，”Gohring說，并補充道供應商希望將客戶留在自己的生態(tài)系統(tǒng)內。例如，某家供應商客戶服務平臺的API無法與另一家供應商的電子商務軟件協(xié)同工作。
Cengage的首席信息官（CIO）Ken Grady也認為，供應商在尋求競爭和保護自身數(shù)據護城河時，往往在做背道而馳的努力。他說，這也是目前極少有公司能從智能體中獲得真正價值的一大原因。
三、即使是開發(fā)者也陷入了智能體的困境
危險與風險的雙重陰影甚至籠罩著軟件開發(fā)領域。
Voxel首席技術官（CTO）Bryan O’Sullivan表示，雖然各種規(guī)模的組織都已成功部署智能體來自動化代碼編寫，但數(shù)據泄露風險、供應商的“圍墻花園”以及迅速積累的脆弱性都抑制了智能體的前景。他說，這可能導致產生“一堆不可靠的垃圾，除了讓你花很多錢之外毫無用處”。
如果智能體的功能哪怕只有一小部分不精確，它也可能破壞整個流程，這很可能解釋了為什么IT部門往往走在“自主智能體”（Agentic AI）采用的前沿，而其他業(yè)務部門則選擇回避。O’Sullivan說，正因如此，“智能體向其他高價值領域的深度滲透”仍然有限。
一個根本問題在于記憶——或者更確切地說，是智能體缺乏記憶。為了實現(xiàn)其自主操作的承諾，智能體必須能夠訪問長、中、短期記憶，這對于從執(zhí)行的任務中學習至關重要。沒有這些能力，它們本質上就像是LLM的聊天會話；其“保質期”很短。
四、樂觀的理由
然而，人們普遍相信，一旦AI行業(yè)找到解決這些挑戰(zhàn)的方法——集體的商業(yè)需求將推動這一進程——“自主智能體”（Agentic AI）將自動化整個工作流、整個流程，甚至可能是整個業(yè)務。
IT領導者可以將員工重新分配到更具戰(zhàn)略性的任務上，或者尋找新的創(chuàng)新杠桿。這是技術夢想家們長期描繪的田園詩般的夢想，他們想象著企業(yè)能夠晝夜不停地運轉，在人類睡眠時也幾乎沒有損失。
據IDC稱，至少在2026年，全球2000強企業(yè)中高達40%的工作角色將涉及與“自主智能體”（Agentic AI）的協(xié)作，這將重新定義許多企業(yè)的工作流。
Cengage的Grady表示，他有信心供應商會為自己和客戶找到最佳的前進路徑。Grady預計，尋求創(chuàng)建更高效業(yè)務流程的組織將會擴大其智能體的實施范圍。
他說，隨著技術和協(xié)議的成熟，原本可能僅占運營2%的商業(yè)用例可能會增長到20%，并補充說更多的公司將尋求將成功的試點項目推向生產環(huán)境。
與此同時，IT領導者應該做些什么來為“智能體企業(yè)”做準備呢？
由于智能體代表了一個新興的技術類別，目前還沒有一本確定的采用手冊。至少，沒有一本是專門針對智能體的。
即便如此，IDC的Gohring表示，IT領導者必須確定要運行和測試的試點項目。她補充說，隨著他們對實驗建立起信心和舒適度，在尋求規(guī)?；?，他們應該建立控制和可見性的機制。
企業(yè)應該構建核心抽象層和基礎編排能力，進行測試、學習，并尋求整合治理和監(jiān)控能力，特別是當他們擴展到數(shù)十個或更多智能體的時候。
基于實際使用模式優(yōu)化架構至關重要。而且，一如既往地，“快速失敗”并從中學習是這一過程中至關重要的一部分。
