生成式AI的竞争正在从“谁的模型参数更大”转向“谁能把AI稳定地嵌入业务流程”。2026年8月27日，Gartner发布中国数据、分析和人工智能技术成熟度曲线，将代理型AI、生成式AI、物理AI以及AI基础能力的变化放在同一观察框架中。报告释放出的关键信号是，企业投资重点已经不只是采购模型，而是建设智能体工程、数据就绪度、治理机制与安全护栏。相关内容已由Gartner官方信息及新浪科技报道交叉核验。[1][2] citeturn1view4turn1view1
从生成内容转向执行任务
Gartner指出，代理型AI已经超越生成式AI，进入期望膨胀期并成为企业关注焦点；与此同时，生成式AI正在滑向泡沫破裂低谷期，企业开始强调可验证的业务价值。这并不意味着大模型失去作用，而是意味着模型正在从独立产品转变为智能体系统中的推理与交互组件。Gartner官方说明新浪科技报道 citeturn1view4turn1view1
对企业而言，智能体的价值不在于多生成一段文字，而在于能否调用工具、读取授权数据、执行多步骤任务，并将结果写回业务系统。例如，客服智能体可以完成问题识别、知识检索、工单创建和服务记录更新；采购智能体可以辅助收集需求、比较规则、准备审批材料，但关键决策仍应由责任人完成。投资评估因此需要从回答准确率扩展到任务成功率、人工接管率、异常恢复时间和单位任务成本。
智能体工程成为新的建设重点
智能体进入生产环境后，企业面对的已经不是简单的模型接入问题，而是一套持续运行的工程系统。模型可能出现输出波动，外部工具可能发生接口变化，业务规则也会不断调整。企业需要建立任务编排、权限控制、状态管理、测试评估、运行监控、版本回滚和人工接管机制，避免智能体在链路较长时累积错误。
Gartner此次还关注前沿部署工程师，也就是直接进入客户业务或价值流，将需求转化为技术方案，并把使用反馈送回产品团队的专业角色。不过，官方材料同时提醒，这种交付模式可能面临成本较高、回报不确定和投资回收周期较长等问题，在以项目制为主的环境中尤其容易被异化为一次性驻场服务。[1][2] citeturn1view4turn1view1
更可持续的做法是组建小型跨职能团队，由业务负责人确定价值目标，数据人员处理口径与质量，工程人员负责集成和监控，安全与合规人员设定边界。团队每次只选择一个流程闭环，先验证可控性和收益，再逐步增加工具、数据源与自动化权限。
数据治理从后台工作走向AI前台
智能体能否可靠执行任务，很大程度上取决于它访问的数据是否准确、及时、可解释。如果客户、合同、库存或产品数据存在重复、缺失和口径冲突，智能体只会以更快速度放大问题。Gartner明确提出，AI项目越来越依赖数据就绪度、治理机制、安全护栏和工程化能力，这些基础环境的重要性已经超过模型技术本身。官方新闻稿交叉核验报道 citeturn1view4turn1view1
企业可以围绕智能体任务建立最小可用的数据治理闭环，而不是先建设范围过大的治理平台。具体工作包括明确关键字段负责人、统一业务术语、标注数据来源与更新时间、按角色设置访问权限，并保留智能体的检索、调用、决策建议和执行日志。对于财务、法务、人事等敏感场景，还应设置强制复核节点，确保高风险动作不能由智能体单独完成。
企业投资可以按三层配置
- 价值层：优先选择规则相对清晰、频率较高、结果可衡量的任务，设定节省时间、处理质量、风险事件和单位成本等指标。
- 工程层：建设智能体编排、工具接入、评测、可观测性、身份权限和人工接管能力，避免把试验脚本直接当成生产系统。
- 治理层：明确数据使用边界、责任归属、审计要求和停机条件，使每一次自动执行都有依据、可追踪并可撤销。
预算安排也应从“模型采购费”转向全生命周期成本。除了模型调用，还要计算数据清洗、系统集成、评测集维护、安全测试、业务培训和持续运营投入。只有把这些成本纳入评估，企业才能判断智能体是在创造可持续价值，还是制造新的技术债务。
总结
本次成熟度曲线更新反映出的核心变化，是中国企业AI建设从能力展示走向系统经营。代理型AI带来了新的自动化空间，但真正决定成败的不是智能体数量，而是任务边界是否清晰、数据是否可信、权限是否受控、运行是否可观测。企业下一阶段更合理的投资方向，是以具体业务闭环为牵引，同步补齐智能体工程和数据治理能力，在可验证、可接管、可审计的前提下逐步扩大自动化范围。
事件及资料日期：Gartner官方新闻稿发布于2026年8月27日，曲线图资料标注来源时间为2026年7月；新浪科技交叉核验报道发布于2026年8月27日。资料来源：Gartner官方新闻稿、新浪科技报道。 citeturn1view4turn1view1
