ALL INTELLIGENCE
InfoQ 中文T2·Industry

Gartner Unveils 2027 Top Tech Trends, Agent Governance Takes Center Stage

By 褚杏娟Original title: 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
62AI Score

Gartner released its top 10 strategic technology trends for 2027, shifting focus from raw model capability to governing autonomous agents, including AI context platforms, agent identity, and AI coding agent frameworks. Gartner argues the competitive edge now lies in redefining human-AI division of labor, and forecasts that Large Quantitative Models will replace LLMs in 25% of prediction and modeling tasks by 2030.

Full Report

Contents5 sections

“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。

 

大语言模型之外,寻找新的能力边界

 

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。

 

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。

 

Harness 可能会消失,但企业现在离不开它

 

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。

 

相比之下,AI 智能体身份是企业无法绕开的长期问题。

 

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。

 

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,可能直接影响软件行业的商业模式。

 

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。

 

企业要重新设计的是整套生产体系

 

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。

 

但比选择哪项技术更重要的,是企业对 AI 角色的重新定位。

 

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。