AI越来越聪明，企业却快管不住了：Gartner 2027年十大趋势，智能体治理成新战场

“今天的 AI 可能是世界上最聪明的数字员工，但进入企业后，只有 3 秒钟的记忆。”这是 Gartner 研究副总裁高挺对当前企业 AI 处境的一个比喻。

模型越来越聪明，却不了解企业的业务规则、历史决策和实际运营情况；智能体已经能够自主编写代码、调用工具和执行任务，企业却还没有准备好管理这些数字员工。一个更直接的问题是，AI 生成代码的速度已经超过人类审核的速度。现在企业要考虑生成的代码能不能用、敢不敢上线，以及出了问题由谁负责。

11 月 3 日，Gartner 发布 2027 年十大战略技术趋势解读。与 2026 年侧重 AI 原生开发、多智能体系统和物理 AI 等技术应用不同，2027 年的趋势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集中出现，反映出企业正在面对一个新问题：如何让 AI 获得更大的自主权，同时确保它不会越过业务和安全边界。

高挺认为，2027 年企业竞争的重点，已经不只是模型有多强，而是能否重新组织人与 AI 之间的关系，明确智能体可以看到什么、使用什么、执行什么。

Gartner 将十项趋势归纳为三个方向：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，以及构建企业长期技术自主权的基础设施。背后对应的，是 AI 从辅助工具走向数字生产力，以及企业 IT 架构随之发生的变化。

大语言模型的快速发展，让 AI 在文字理解、内容生成和知识问答方面取得了巨大进步。但真实世界的企业业务远不止文字，还涉及复杂数值计算、语音交互和物理环境。Gartner 认为，下一阶段 AI 将沿着这三个方向突破语言模型的能力边界。

大型定量模型（Large Quantitative Model，LQM）就是为复杂计算和数值预测设计的模型。它通过观测、实验和仿真数据学习真实系统的运行规律，与大语言模型依赖下一个 Token 预测来完成计算的方式不同，LQM 更侧重数学关系、物理约束和复杂系统建模。

高挺认为，两者并不是替代关系。简单的数学题没有必要专门调用 LQM，但在汽车空气动力学设计、能源调度、风险建模等专业场景中，LQM 能够提供更可靠的预测。企业也可以采用混合架构，让大语言模型负责理解需求和拆解任务，LQM 负责模拟计算，再通过传统求解器复核关键结果。

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）则试图改变传统语音 AI 的处理方式。过去，语音系统通常需要先将声音转换成文字，再交给大语言模型理解和推理。原生语音推理模型可以直接处理音频，不仅减少中间环节，还能保留语气、情绪等文字转录容易丢失的信息。

例如，客户说一句“好吧，就这么办”，单看文字很难判断他究竟满意还是勉强接受，但语音推理模型可以结合语调和上下文理解真实意图。

这让 AI 语音服务有机会从传统客服应答走向复杂业务处理、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%。

相比之下，世界模型（World Model）要解决的问题更加复杂：让 AI 理解物理世界，并预测采取某项行动后可能发生什么。

大语言模型可以通过文字解释杯子从桌上掉下来为什么会摔碎，世界模型则试图预测杯子受到不同方向的推动后会如何运动、是否掉落，以及可能发生什么碰撞。前者擅长解释世界，后者试图模拟世界的变化。但世界模型距离真正进入现实环境还有一道难关：仿真到现实鸿沟（Sim-to-Real Gap）。

虚拟环境中的摩擦力、传感器误差、设备磨损，与真实世界并不完全一致，训练数据也很难覆盖所有极端情况。因此，模型在模拟环境中表现出色，并不意味着能够直接胜任真实任务。

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有可能率先形成可复制的商业价值，尤其是仓储物流、搬运、分拣和生产线等标准化场景。消费级空间计算则仍面临硬件普及和用户体验等挑战。

同时，他认为，世界模型的商业化也不一定要等待机器人完全成熟。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较低，可能更早形成商业模式。长期来看，随着物理预测能力和仿真到现实迁移能力提升，世界模型才有机会进一步进入工业仿真和机器人控制。

模型能力越来越强，企业却未必能直接从中受益。高挺用“只有 3 秒钟的记忆”形容当前 AI 进入企业后的状态：它可能拥有很强的推理能力，却不了解企业正在做什么、有哪些业务规则，以及应该依据什么信息采取行动。

这正是 AI 上下文平台（AI Context Platform）要解决的问题。它通过连接企业实时数据、知识和业务规则，为智能体提供统一的业务语义，让 AI 不仅理解任务，还能了解企业当前的运营状态。

高挺将其比作新员工入职培训。一个能力很强的人，如果不了解公司的业务、客户和工作流程，也无法直接独立处理复杂任务。智能体同样需要一份企业说明书，否则即使推理能力再强，也可能因为不了解实际业务而做出错误操作。

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，高挺对 AI 上下文平台是否会形成独立的基础设施市场，给出了不同于市场上一些观点的判断：他认为不会。企业真正的竞争壁垒，是自身积累的数据、业务规则和历史决策经验，而不是购买一套通用上下文产品。

他将企业 AI 体系分为三层：底层是模型层，企业主要负责选择供应商；中间是智能体层，可以通过 Harness 和 Skill 形成一定差异化；最上层是企业自己的数据和上下文，这才是最难复制的部分。即使两家企业处于同一个行业，其业务流程和决策经验也可能存在很大差异。

这也意味着，企业不能指望通过采购一家供应商的产品，就一次性建立完整的 AI 上下文体系。高挺建议优先采用开放、可互操作的模块化方案，通过 REST API、OpenAPI 和 MCP 等标准连接上下文服务与智能体，避免被单一供应商锁定。业务部门负责持续更新业务规则，IT 部门负责平台和标准建设。

如果说上下文平台负责告诉 AI 企业正在做什么，那么 AI 编码智能体 Harness 负责约束 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，上线后的软件缺陷将比没有相关框架的企业少 60%。

但是，高挺并不认为 Harness 会一直重要。他判断，随着模型能力提升，Harness 的重要性可能逐渐减弱。

原因很简单：今天企业需要复杂的提示词、Skill 和控制 Harness，是因为模型还不够稳定，需要外部机制约束其行为。当新一代模型能够更好地理解任务、遵循规范时，企业可能只需要一句简单指令，就能完成过去需要复杂 Harness 才能执行的工作。

因此，Harness 近期仍然重要，但长期可能逐渐淡化。这也意味着，企业不应把某一种具体的控制框架当成永久性技术壁垒，而应将业务规范、开发标准和验证能力沉淀下来。

企业需要为每个智能体建立唯一身份、明确权限和对应的人类负责人，而不是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。高风险操作还应设置人工审批，并根据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）则将 AI 引入安全漏洞的自动化处理。它试图连接资产盘点、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 研究显示，漏洞平均需要约 50 天才能得到修复。随着 AI 同时加速漏洞发现和攻击，传统人工修复方式已经越来越难跟上节奏。Gartner 预测，到 2030 年，三分之一的组织将借助人机协作的自动修复，在 48 小时内持续处理高度可被利用的安全暴露。

这几项技术共同说明，企业管理 AI 不能只关注模型本身，还必须建立一套覆盖知识、身份、权限和执行过程的治理体系。

Gartner 提出的可抛弃型应用（Disposable Applications），指的是企业针对短期、特定业务需求即时生成应用，任务完成后便主动退役。

过去，软件开发和维护成本较高，企业通常倾向于购买一套系统长期使用。但当 AI 大幅降低开发成本，一次产品发布、一项临时营销活动或一次年度财务核对，都可能不再需要购买和维护一套长期软件。

Gartner 预测，到 2031 年，80%的新应用将是可抛弃的、易于替换的。高挺认为，这确实会冲击传统 SaaS 商业模式，尤其是功能简单、差异化有限的工具型软件。企业过去可能需要向专业供应商购买某项功能，未来却可以直接利用 AI 生成满足需求的应用。

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，而是其中沉淀的行业 Know-how 和业务逻辑。例如，制造业 ERP 系统包含了大量生产制造流程和管理经验，企业购买的不只是一套软件，更是经过长期沉淀的行业知识。因此，受到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。

可抛弃型应用也不意味着企业可以放任员工随意生成程序。高挺认为，IT 部门需要提供统一平台和安全护栏，将数据权限、版本管理和安全检查前置。应用完成任务后需要退役，但其中有价值的部分也应该能够纳入长期正式系统。

另一项与企业软件架构相关的趋势是主权技术（Sovereign Tech）。它强调企业从芯片、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。其核心不只是数据存储在哪里，而是当关键供应商无法继续服务时，企业是否有权利和能力维持系统运行。

在地缘政治变化和 AI 基础设施竞争加剧的背景下，企业对单一供应商的依赖可能成为业务风险。高挺建议企业充分利用开放技术生态、本地部署和本地合作伙伴，同时不必一味追逐最新技术，成熟的上一代方案同样可能满足实际需求。

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

它试图利用活体生物组织构建神经网络，通过反馈训练让其完成特定任务。高挺举例称，研究人员可以利用类似强化学习的方式训练生物神经网络，让其逐渐学会完成乒乓球游戏。

未来，这类生物计算能力可能通过云端订阅提供，企业不必自行建设生物实验室，就可以调用相关计算资源。Gartner 认为，这可能成为硅基计算之外的一种长期探索方向，但目前仍处于早期阶段，不应将其视为现有 AI 芯片的直接替代品。

对于中国企业，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。具体行业则需要根据自身业务选择不同方向：金融企业应重点关注上下文、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需要重点评估 AI 编码智能体框架 和可抛弃型应用对软件研发模式的影响。

从技术成熟度来看，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，主要处于未来 1 至 3 年的发展阶段；AI 智能体身份和可抛弃型应用处于 3 至 5 年阶段；大型定量模型、世界模型、自主式暴露修复和湿件即服务的全面成熟，则需要更长时间。

高挺建议 CIO 采用“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”的投资原则。近期优先投入能够改善运营效率、软件交付和智能体可靠性的技术，中期建设企业专有的数据、上下文和治理体系，对于世界模型和生物计算等长期趋势，则通过小规模试点和生态合作保持技术储备。

高挺认为，如果企业始终把 AI 当作助手，潜台词就是认为 AI 不如人，需要人来安排和检查每一项工作。但今天的 AI 在不少数字化任务中已经能够达到甚至超过人的水平。如果企业仍然沿用围绕人类员工建立的管理方式，就很难充分发挥 AI 的生产力。

这意味着，企业需要重新定义人与机器的分工：哪些任务可以由智能体独立完成，哪些数据可以访问，哪些操作必须经过审批，以及出现问题时由谁负责。CIO 也不再只是负责采购模型、部署系统和管理 IT 资源，还需要参与企业自主系统的架构设计和运营规则制定。

可以看出，模型能力仍然重要，但企业能否让智能体安全、稳定地进入业务流程，可能成为下一阶段真正的竞争分水岭。