Gartner 2027 十大技术趋势：智能体治理成企业新战场

Gartner 研究副总裁高挺打了个比方：眼下的 AI 或许算得上全球最聪明的数字员工，可一旦进了企业，它的记忆只有 3 秒钟。

模型一天比一天聪明，却摸不清企业的业务规则、过往决策和实际运营状况。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。更扎手的是，AI 生成代码的速度已经跑到了人类审核前面。代码能不能用、敢不敢上线、出了事谁来担责，成了企业眼下必须回答的问题。

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、多智能体系统和物理 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，说明企业正撞上一个新问题：怎么把更大的自主权交给 AI，同时又保证它不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经不只是模型强弱，而是能不能把人与 AI 的关系重新理顺，把智能体能看到什么、使用什么、执行什么界定清楚。

Gartner 把这十项趋势归入三个方向：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，以及帮企业建立长期技术自主权的基础设施。这三块对应的是 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

大语言模型这几年进步很快，AI 在文字理解、内容生成和知识问答上已经相当能打。可企业面对的真实业务不止于文字，还有复杂的数值计算、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）针对的就是复杂计算和数值预测。它靠观测、实验和仿真数据去学真实系统的运行规律。大语言模型做计算依赖下一个 Token 预测，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的关系。简单的数学题没必要专门去调 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。企业还可以走混合架构：大语言模型负责理解需求、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，25%的预测和建模任务将由 LQM 取代大语言模型来完成。

语音推理模型（Speech Reasoning Model）想改的是传统语音 AI 的处理路子。以前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、情绪这些在文字转录中容易丢掉的信息也能留下来。

举个例子，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，语音推理模型则能结合语调和上下文判断出真实意图。

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%的企业语音交互会由语音模型自主处理，2026 年这个比例还不到 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，并且预判某个行动会带来什么后果。

杯子从桌上掉下来为什么会摔碎，大语言模型能用文字解释清楚；世界模型想做的，是预测杯子被不同方向推动后会怎么动、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。不过世界模型要真正走进现实环境，还得跨过一道坎：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，跟真实世界对不上号，训练数据也很难把所有极端情况都覆盖到。结果就是，模型在模拟环境里表现再好，也不等于能直接上手真实任务。

Gartner 预测，到 2030 年，40%的机器人应用会引入世界模型，2025 年这一比例还不到 1%。高挺判断，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要过硬件普及和用户体验这两关。

他还提到，世界模型商业化不必等机器人完全成熟。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没那么高，商业模式可能更早跑通。往长远看，物理预测能力和仿真到现实迁移能力上去之后，世界模型才有机会进一步进入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，企业却未必能直接吃到红利。高挺用“只有 3 秒钟的记忆”来描述 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）瞄准的正是这一点。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。

高挺拿新员工入职培训作比。一个人能力再强，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操作出错。

Gartner 预测，到 2027 年，优先把 AI 就绪数据语义做好的企业，代理型 AI 准确率最高能提升 80%，成本最多可降低 60%。

至于 AI 上下文平台会不会长成独立的基础设施市场，高挺的判断跟市面上一些观点不一样：他认为不会。企业真正的竞争壁垒是自己攒下的数据、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；最上面那层是企业自己的数据和上下文，这部分最难被复制。同一个行业里的两家公司，业务流程和决策经验也可能差得很远。

所以，企业别指望买一家供应商的产品，就能把整套 AI 上下文体系一次建齐。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，防止被单一供应商锁死。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 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，软件上线后的缺陷数量会比没有相关框架的企业少 60%。

不过高挺不认为 Harness 会一直重要下去。他的判断是，模型能力往上走，Harness 的分量可能慢慢变轻。

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，得靠外部机制压着它的行为。等新一代模型能更好地理解任务、遵循规范，企业也许一句话就能干完过去要复杂 Harness 才能干的活。

所以 Harness 短期内仍然重要，长期看可能逐步淡化。这也说明，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便传递。高风险操作还应设置人工审批，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到 AI 智能体滥用。

自主式暴露修复（Autonomous Exposure Remediation，AER）把 AI 引进了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、测试和上线这几道环节，让企业从发现问题转向快速修复。

按 Gartner 的研究，一个漏洞平均得花上大约 50 天才能修好。AI 在帮人更快发现漏洞的同时，也让攻击变快了，靠人工修复越来越跟不上。Gartner 预测，到 2030 年，三分之一的组织会用人机协作的自动修复，在 48 小时内持续处理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，可能直接动到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，任务做完就主动退役。

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 把开发成本大幅压低，一次产品发布、一项临时营销活动或者一次年度财务核对，都可能不再需要买一套长期软件来维护。

高挺认为，传统 SaaS 商业模式确实会受到冲击，功能简单、差异化有限的工具型软件尤其明显。Gartner 则预测，到 2031 年，80%的新应用会变成可抛弃、易于替换的。企业以前可能要找专业供应商买某项功能，以后直接用 AI 生成一个满足需求的应用就行。

但 ERP、CRM 这类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 系统里装着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便生成程序。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，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，而是关键供应商没法继续服务时，企业有没有权利和能力让系统继续跑下去。

地缘政治在变，AI 基础设施竞争也在加剧，企业对单一供应商的依赖可能变成业务风险。高挺建议企业用足开放技术生态、本地部署和本地合作伙伴，同时不必一味追最新技术，成熟的上一代方案同样可能满足实际需求。

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）。

它想用活体生物组织构建神经网络，通过反馈训练让网络完成特定任务。高挺举例说，研究人员可以用类似强化学习的方式训练生物神经网络，让它慢慢学会打乒乓球游戏。

这类生物计算能力往后或许会以云端订阅的形式对外提供，企业不用自己搭生物实验室，也能调用相应的算力资源。Gartner 判断，它有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。

企业真正要重做的，是整套生产体系。

面向中国企业，Gartner 点出了三项值得普遍关注的基础能力：AI 上下文平台、智能体身份和 AI 编码智能体框架。落到具体行业，方向各有侧重——金融企业应把上下文、身份和大型定量模型放在优先位置；医疗行业可以试水上下文平台与语音推理模型；制造业适合提早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。

按技术成熟度划分，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 智能体身份与可抛弃型应用落在 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，时间还要更久。

高挺给 CIO 的投资原则是“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”。近期把钱投向能改善运营效率、软件交付和智能体可靠性的技术；中期搭起企业专有的数据、上下文和治理体系；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。

可比挑哪项技术更关键的，是企业怎么重新定位 AI 的角色。

高挺的说法是，企业若一直把 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和检查。可今天的 AI 在不少数字化任务上已经追平甚至超过人的水平。管理方式还围着人类员工转，AI 的生产力就很难充分释放。

这意味着人与机器的分工要重新划定：哪些任务交给智能体独立完成，哪些数据它可以访问，哪些操作必须走审批，出了问题又该由谁担责。CIO 的职责也不再限于采购模型、部署系统和管理 IT 资源，还要参与企业自主系统的架构设计与运营规则制定。

模型能力当然还是重要的，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。