Gartner 2027年十大战略技术趋势：智能体治理成企业新课题

Gartner 研究副总裁高挺打了个比方：眼下 AI 或许算得上全球最聪明的“数字员工”，可一旦走进企业，它的记性只剩 3 秒钟。

模型本事越来越大，对企业的业务规则、过往决策和实际运营却一无所知；智能体已经能自己写代码、调工具、跑任务，企业却还没做好管这些“数字员工”的准备。更直接的一点是，AI 写代码的速度已经快过人工审核。眼下企业要掂量的是：生成的代码能不能用、敢不敢上线、出了事谁来担责。

11 月 3 日，Gartner 对 2027 年十大战略技术趋势作出解读。2026 年的重点还放在 AI 原生开发、多智能体系统、物理 AI 这类技术应用上，2027 年的风向则明显转向自主智能体治理。AI 上下文平台、智能体身份、AI 编码智能体框架、自主式暴露修复等技术扎堆出现，说明企业正碰上一个新难题：怎么让 AI 拿到更大的自主权，又不至于踩过业务和安全的红线。

在高挺看来，2027 年企业比拼的重点已不单是模型强弱，而是能否把人与 AI 的关系重新理一遍，讲清楚智能体能看什么、用什么、干什么。

Gartner 把这十项趋势归成三个方向：突破语言模型能力边界的非文本 AI、管理自主智能体的平台、构建企业长期技术自主权的基础设施。对应的正是 AI 从辅助工具变成数字生产力，以及企业 IT 架构跟着发生的变动。

大语言模型之外，寻找新的能力边界

大语言模型跑得快，让 AI 在文字理解、内容生成和知识问答上进步很大。可真实的企业业务并不止于文字，还牵扯复杂的数值计算、语音交互和物理环境。Gartner 的判断是，下一阶段 AI 会顺着这三个方向去突破语言模型的能力边界。

大型定量模型（Large Quantitative Model，LQM）专为复杂计算和数值预测而设。它从观测、实验和仿真数据里学真实系统的运行规律；大语言模型靠预测下一个 Token 来完成计算，LQM 的路子不同，更看重数学关系、物理约束和复杂系统建模。

高挺不认为两者是谁替代谁。简单的数学题犯不着专门去调 LQM，但放到汽车空气动力学设计、能源调度、风险建模这类专业场景里，LQM 给出的预测更可靠。企业也可以走混合架构：大语言模型负责听懂需求、拆解任务，LQM 负责模拟计算，关键结果再交给传统求解器复核。

Gartner 预测，到 2030 年，LQM 将在 25%的预测和建模任务中取代大语言模型。

语音推理模型（Speech Reasoning Model）想改的是传统语音 AI 的处理路子。以往语音系统一般得先把声音转成文字，再交给大语言模型去理解和推理。原生语音推理模型能直接处理音频，中间环节少了，语气、情绪这些文字转录容易丢的信息也留了下来。

比如客户说一句“好吧，就这么办”，光看文字很难分清他是满意还是勉强接受，语音推理模型却能结合语调和上下文读懂真实意图。

这样一来，AI 语音服务就有机会从传统的客服应答，延伸到复杂业务处理、主动预约、提醒和销售沟通。Gartner 预测，到 2030 年，超过 70%的企业语音交互将由语音模型自主处理，而 2026 年这一比例还不到 10%。

世界模型（World Model）要处理的问题更难一层：让 AI 看懂物理世界，并预测某一步行动之后会发生什么。

杯子从桌上掉下去为什么摔碎，大语言模型能用文字解释；世界模型想的则是杯子被不同方向一推会怎么动、会不会掉、可能撞上什么。一个擅长解释世界，一个试图模拟世界的变化。可世界模型要真进现实环境，还卡着一道坎：仿真到现实鸿沟（Sim-to-Real Gap）。

虚拟环境里的摩擦力、传感器误差、设备磨损，跟真实世界对不齐，训练数据也很难盖住所有极端情况。结果就是，模型在模拟环境里表现再好，也不代表能直接上手真任务。

Gartner 预测，到 2030 年，40%的机器人应用将引入世界模型，而 2025 年这一比例还不到 1%。高挺认为，未来三年工业机器人更可能先跑出可复制的商业价值，仓储物流、搬运、分拣和生产线这类标准化场景尤其如此。消费级空间计算则还得过硬件普及和用户体验这两关。

他还认为，世界模型要商业化，未必非得等机器人完全成熟。三维场景生成、虚拟环境和互动数字内容对物理准确性的要求相对低一些，商业模式可能来得更早。放长了看，等物理预测能力和仿真到现实迁移能力都提上来，世界模型才有机会进一步走进工业仿真和机器人控制。

AI 进了企业却不知道企业在做什么

模型能力越来越强，企业却未必能直接沾光。高挺用“只有 3 秒钟的记忆”来形容当前 AI 进入企业后的状态：推理能力可能很强，却不清楚企业正在做什么、有哪些业务规则、该依据什么信息行动。

AI 上下文平台（AI Context Platform）要解决的就是这件事。它把企业的实时数据、知识和业务规则连起来，给智能体一套统一的业务语义，让 AI 不光理解任务，还知道企业当下的运营状态。

高挺把它比作新员工入职培训。一个能力很强的人，不了解公司的业务、客户和工作流程，也没法直接独立处理复杂任务。智能体一样需要一份企业说明书，否则推理能力再强，也可能因为不懂实际业务而做错操作。

Gartner 预测，到 2027 年，优先做好 AI 就绪数据语义的企业，代理型 AI 准确率最高可提升 80%，成本最多可降低 60%。

不过，AI 上下文平台会不会长成独立的基础设施市场，高挺的判断跟市场上一些观点不一样：他认为不会。企业真正的竞争壁垒，是自身攒下的数据、业务规则和历史决策经验，而不是买一套通用上下文产品。

高挺把企业 AI 体系拆成三层来看。最底下是模型层，企业主要做的是挑供应商；中间一层是智能体层，靠 Harness 和 Skill 能做出一些差异；真正最难复制的，是最上面那层企业自己的数据和上下文。两家企业哪怕同处一个行业，业务流程和决策经验也可能差得很远。

这也就意味着，企业别指望买一家供应商的产品，就把整套 AI 上下文体系一次性建起来。高挺的建议是优先选开放、可互操作的模块化方案，用 REST API、OpenAPI 和 MCP 等标准把上下文服务和智能体连起来，别被单一供应商锁死。业务部门管业务规则的持续更新，IT 部门管平台和标准建设。

Harness 可能会消失，但企业现在离不开它

上下文平台管的是告诉 AI 企业正在做什么，AI 编码智能体 Harness 管的则是约束 AI 应该怎么做。

Gartner 预测，到 2028 年，拥有 AI 编码智能体框架（AI Coding Agent Harness）的企业，上线后的软件缺陷会比没有相关框架的企业少 60%。

不过高挺并不觉得 Harness 会一直重要下去。他的判断是，模型能力往上走，Harness 的重要性可能慢慢减弱。

道理不复杂：眼下企业之所以需要复杂的提示词、Skill 和 Harness 来控制，是因为模型还不够稳，得靠外部机制约束它的行为。等新一代模型能更好地理解任务、遵循规范，过去要复杂 Harness 才能干的活，企业可能一句简单指令就够了。

所以 Harness 近期还是重要，长期看可能逐渐淡化。这也意味着，企业不该把某一种具体的控制框架当成永久性的技术壁垒，该沉淀下来的是业务规范、开发标准和验证能力。

相比之下，AI 智能体身份是企业绕不开的长期问题。

每个智能体都得有唯一身份、明确权限和对应的人类负责人，不能让智能体借用员工账号，更不能让权限在不同智能体之间随意传递。高风险操作还要设人工审批，并按任务和上下文动态授权。Gartner 预测，到 2028 年，25%的企业安全事件将追溯至 AI 智能体滥用。

自主式暴露修复（Autonomous Exposure Remediation，AER）走的是另一条路，把 AI 引进安全漏洞的自动化处理。它想打通资产盘点、漏洞发现、验证、修复方案生成、测试和上线，让企业从发现问题转向快速修复。

Gartner 的研究数据是，修好一个漏洞平均要耗掉约 50 天。AI 让漏洞被发现的节奏和攻击的节奏同时提了上去，靠人工修补已经越来越吃力。Gartner 的判断是，到 2030 年，将有三分之一的组织依靠人机协作的自动修复，在 48 小时内持续处置那些高度可被利用的安全暴露。

这几项技术放在一起说明一件事：企业管理 AI 不能只盯着模型，还得建一套覆盖知识、身份、权限和执行过程的治理体系。

软件开发成本打下来了，传统 SaaS 先受到冲击

AI 带来的另一个变化，可能直接改写软件行业的商业模式。

Gartner 提出的可抛弃型应用（Disposable Applications），说的是企业针对短期、特定的业务需求即时生成应用，任务完成就主动退役。

以前软件开发和维护成本高，企业一般倾向于买一套系统长期用。可当 AI 把开发成本大幅拉低，一次产品发布、一项临时营销活动或一次年度财务核对，都可能不再需要买一套长期软件来维护。

Gartner 预计，到 2031 年，80%的新应用会变成用完即弃、方便替换的形态。高挺的看法是，这对传统 SaaS 商业模式确实构成冲击，功能简单、差异化有限的工具型软件首当其冲。以前企业为某项功能得找专业供应商采购，往后让 AI 直接生成一个够用的应用就行了。

但 ERP、CRM 等核心企业系统不会因此迅速消失。高挺特别强调，这类软件真正的壁垒不是代码，而是里面沉淀的行业 Know-how 和业务逻辑。比如制造业 ERP 系统，包含了大量生产制造流程和管理经验，企业买的不只是一套软件，更是长期沉淀下来的行业知识。所以受冲击的更可能是边缘化、标准化的软件需求，而不是所有企业软件。

可抛弃型应用也不等于企业可以放任员工随意生成程序。高挺认为，IT 部门得提供统一平台和安全护栏，把数据权限、版本管理和安全检查前置。应用完成任务后要退役，但其中有价值的部分也应该能纳入长期正式系统。

另一项跟企业软件架构相关的趋势是主权技术（Sovereign Tech）。它强调的是企业从芯片、服务器、云平台到数据库、应用和模型，都具备自主控制关键技术栈的能力。核心不只是数据存在哪里，而是当关键供应商无法继续服务时，企业有没有权利和能力维持系统运行。

地缘政治格局在调整，AI 基础设施领域的竞争也在升温，企业如果只押一家供应商，这种依赖有可能转化为业务风险。高挺给出的建议是，把开放技术生态、本地部署和本地合作伙伴用足；同时未必要追最新的技术，上一代成熟方案往往也能对上实际需求。

十项趋势里，还有一项时间跨度更长的技术：湿件即服务（Wetware-as-a-Service，WaaS）。

它的思路是用活体生物组织搭出神经网络，再借助反馈训练让它胜任特定任务。高挺举例说，研究人员可以用近似强化学习的办法训练生物神经网络，让它一步步学会打乒乓球游戏。

这类生物计算能力未来或许能通过云端订阅的方式提供。企业不用自己建生物实验室，也能调用相应的计算资源。Gartner 认为，它可能成为硅基计算之外的一条长期探索路径，不过眼下还处在早期阶段，不该被当成现有 AI 芯片的直接替代品。

企业要重新设计的，其实是整套生产体系

从技术成熟度看，语音推理模型、AI 上下文平台、AI 编码智能体框架和主权技术，大多处在未来 1 至 3 年的发展阶段；AI 智能体身份和可抛弃型应用落在 3 至 5 年这一档；大型定量模型、世界模型、自主式暴露修复和湿件即服务要全面成熟，需要的时间更长。落到中国企业身上，Gartner 认为 AI 上下文平台、智能体身份和 AI 编码智能体框架是值得普遍关注的基础能力。具体到行业，选择方向各有不同：金融企业应重点盯住上下文、身份和大型定量模型；医疗行业可以探索上下文平台与语音推理模型；制造业值得提前布局大型定量模型和世界模型；互联网及软件企业则要重点评估 AI 编码智能体框架和可抛弃型应用会给软件研发模式带来什么影响。

高挺给 CIO 的建议是，投资原则可以概括为“近期创造业务价值、中期建设核心能力、长期保留技术选择权”。近期先投那些能改善运营效率、软件交付和智能体可靠性的技术；中期把企业专有的数据、上下文和治理体系建起来；世界模型、生物计算这类长期趋势，则靠小规模试点和生态合作留住技术储备。

但选哪项技术，还不是最要紧的事。更关键的是企业怎么重新定位 AI 的角色。

高挺认为，企业要是始终把 AI 当助手，潜台词就是认定 AI 不如人，每项工作都得由人来安排、由人来检查。可今天的 AI 在不少数字化任务上已经能达到甚至超过人的水平。企业若还沿用围绕人类员工搭起来的管理方式，AI 的生产力就很难充分发挥出来。

这就意味着，人与机器的分工需要重新划定：哪些任务能交给智能体独立完成，哪些数据可以访问，哪些操作必须走审批，出了问题又该由谁负责。CIO 的职责也不只是采购模型、部署系统、管理 IT 资源，还得参与到企业自主系统的架构设计和运营规则制定中去。

模型能力仍然重要，但企业能不能让智能体安全、稳定地进入业务流程，或许才是下一阶段真正的竞争分水岭。