摘要：麦肯锡数据显示仅23%的企业开始规模化应用。当炒作遇上“围墙花园”和技术脆性，CIO们该如何布局2026？
如果只看社交媒体和供应商的PPT，你可能会觉得“自主智能体”（Agentic AI）的时代已经全面降临。仿佛明天一早，全球企业的运转都将由这些不知疲倦的软件接管——从写代码到搞定客户服务。
然而，站在2025年底展望2026，现实的情况要比炒作复杂得多。
IDC和麦肯锡的最新数据告诉我们：“自主智能体”（Agentic AI）正在经历它的“青春期”——充满潜力，但跌跌撞撞。
虽然市场上充斥着“90%的IT支持将由智能体完成”的豪言壮语，但落地的数据却相当冷静。
麦肯锡（McKinsey）调查显示：虽然 39%的组织表示正在试验自主智能体，但只有 23%的企业开始在单一业务职能中进行规模化扩展。
IDC预测：到2026年，全球2000强企业中 40%的工作角色将涉及“自主智能体”（Agentic AI）的协作。
这表明，我们正处于一个从“实验”到“生产”的艰难跨越期。
很多IT领导者对智能体的兴奋并非空穴来风。与传统的LLM（大语言模型）不同，“自主智能体”（Agentic AI）不是被动等待指令的工具，而是主动解决问题的“工蜂”。
LLM模式：用户输入提示词 -> 模型输出文本（被动）。
“自主智能体”（Agentic AI）模式：设定目标 -> 智能体感知环境、调用记忆、推理路径、使用工具、执行任务（主动）。
Salesforce、Workday和Microsoft都在争先恐后地将这种能力嵌入到自家应用中。
既然概念这么好，为什么普及速度没有预期的快？专家指出了三个核心障碍：
A. 供应商的“围墙花园”
IDC AI高级研究总监Nancy Gohring一针见血地指出：这是技术问题，更是商业竞争问题。
供应商希望将客户锁死在自己的生态系统中。例如，某家客服平台的API可能故意不与另一家电商软件兼容。这导致跨平台的多智能体系统极难构建。
B. 技术的“脆性”
Voxel首席技术官Bryan O’Sullivan警告说，智能体如果不精确，可能会产生“一堆除了费钱毫无用处的垃圾”。
“自主智能体”（Agentic AI）依然面临幻觉和记忆缺失的问题。如果无法像人类一样拥有长、中、短期记忆，它们就无法从任务中真正学习，导致整个流程因为一个小错误而脱轨。
C. 数据变现的博弈
厂商们还在犹豫如何通过智能体产生的数据赚钱，这使得他们在互操作性上犹豫不决，进一步阻碍了企业级部署。
尽管困难重重，但趋势不可逆转。既然没有现成的“避坑指南”，IT领导者该如何准备？
从小处着手，建立试点：不要一上来就试图用智能体接管整个公司。寻找特定的、容错率较高的业务场景进行测试（Fail fast）。
构建抽象层与编排能力：在扩展到数十个智能体之前，企业需要建立自己的控制层。
强化治理与监控：智能体是自主的，但不能是失控的。必须建立机制来监控它们的行为，确保数据安全和输出质量。
结语
2026年的“自主智能体”（Agentic AI），不会是“全有或全无”的局面，而是一种“混合状态”。成功的企业将是那些能够穿透炒作，在特定领域务实部署，并建立起有效治理架构的先行者。
AI“自主智能体”（Agentic AI）的潜力和现实已成为一个两极分化的话题。专家表示，2026年智能体将在企业中逐步被广泛采用，但前方仍将面临失误和障碍。
“自主智能体”（Agentic AI）似乎正迎来它的“瞬息全宇宙”时刻（everything, everywhere, all at once）。但真的是这样吗？
对于那些追踪社交媒体动态、供应商声明以及充斥着夸张言论的思想领导力领域的IT从业者来说，如果他们误以为全球企业很快就会依靠AI智能体运转，这也是情有可原的。这些智能体软件据称能够自动化从代码生成到内容创作等各种任务。
他们看到各种宣言称“智能体劳动力”时代即将到来（例如宣称90%的IT支持工作将由智能体执行！），还看到了关于有进取心的程序员通过基于智能体的产品创造收入的轶事。与此同时，也有人声称行业被兜售了一场骗局，现实情况与大肆宣传并不相符。
正如科技行业常见的情况那样，现实往往更加微妙。即便如此，数据能让我们看清真相。虽然麦肯锡（McKinsey）调查的组织中有39%表示正在试验智能体，但只有23%的企业开始在单一业务职能内规模化扩展AI智能体。
一、“自主智能体”（Agentic AI）详解
首先，让我们退一步讲：究竟什么是AI“自主智能体”（Agentic AI）？为什么IT领导者对它们如此兴奋？
利用上下文理解能力以及来自大型语言模型（LLMs）和其他来源的数据，“自主智能体”（Agentic AI）能够感知并从其系统环境中学习，并在努力实现目标的过程中通过推理解决问题。
智能体还会与其他智能体以及其他应用程序协同工作。它们就像工蜂一样，忙忙碌碌地工作以取悦蜂后。高效地达成目标是最终的游戏规则。
用户可能会通过上下文指导来提示LLM产出期望的结果，而智能体则不同，它基于编程设定的问题解决逻辑和训练数据，自行找出如何实现目标的方法。
Salesforce、Workday和Microsoft等众多供应商已经开始将智能体嵌入到企业用于客户服务及其他功能的应用程序中。
二、为什么智能体处于“欲速则不达”的模式
然而，跨平台工作的多智能体系统的采用速度却较为缓慢。一些试图完全依靠智能体运营业务的公司遭遇了高调的失败，以及一些智能体经历了灾难性技术故障，这些都对现状没有帮助。
IDC人工智能高级研究总监Nancy Gohring表示，多智能体系统在构建和运行上具有技术挑战性，而且供应商在弄清楚如何将智能体生成和消费的数据变现之前，对于让此类系统具备互操作性犹豫不决。
“这既是一个技术问题，也是一种竞争态势，”Gohring说，并补充道供应商希望将客户留在自己的生态系统内。例如，某家供应商客户服务平台的API无法与另一家供应商的电子商务软件协同工作。
Cengage的首席信息官（CIO）Ken Grady也认为，供应商在寻求竞争和保护自身数据护城河时，往往在做背道而驰的努力。他说，这也是目前极少有公司能从智能体中获得真正价值的一大原因。
三、即使是开发者也陷入了智能体的困境
危险与风险的双重阴影甚至笼罩着软件开发领域。
Voxel首席技术官（CTO）Bryan O’Sullivan表示，虽然各种规模的组织都已成功部署智能体来自动化代码编写，但数据泄露风险、供应商的“围墙花园”以及迅速积累的脆弱性都抑制了智能体的前景。他说，这可能导致产生“一堆不可靠的垃圾，除了让你花很多钱之外毫无用处”。
如果智能体的功能哪怕只有一小部分不精确，它也可能破坏整个流程，这很可能解释了为什么IT部门往往走在“自主智能体”（Agentic AI）采用的前沿，而其他业务部门则选择回避。O’Sullivan说，正因如此，“智能体向其他高价值领域的深度渗透”仍然有限。
一个根本问题在于记忆——或者更确切地说，是智能体缺乏记忆。为了实现其自主操作的承诺，智能体必须能够访问长、中、短期记忆，这对于从执行的任务中学习至关重要。没有这些能力，它们本质上就像是LLM的聊天会话；其“保质期”很短。
四、乐观的理由
然而，人们普遍相信，一旦AI行业找到解决这些挑战的方法——集体的商业需求将推动这一进程——“自主智能体”（Agentic AI）将自动化整个工作流、整个流程，甚至可能是整个业务。
IT领导者可以将员工重新分配到更具战略性的任务上，或者寻找新的创新杠杆。这是技术梦想家们长期描绘的田园诗般的梦想，他们想象着企业能够昼夜不停地运转，在人类睡眠时也几乎没有损失。
据IDC称，至少在2026年，全球2000强企业中高达40%的工作角色将涉及与“自主智能体”（Agentic AI）的协作，这将重新定义许多企业的工作流。
Cengage的Grady表示，他有信心供应商会为自己和客户找到最佳的前进路径。Grady预计，寻求创建更高效业务流程的组织将会扩大其智能体的实施范围。
他说，随着技术和协议的成熟，原本可能仅占运营2%的商业用例可能会增长到20%，并补充说更多的公司将寻求将成功的试点项目推向生产环境。
与此同时，IT领导者应该做些什么来为“智能体企业”做准备呢？
由于智能体代表了一个新兴的技术类别，目前还没有一本确定的采用手册。至少，没有一本是专门针对智能体的。
即便如此，IDC的Gohring表示，IT领导者必须确定要运行和测试的试点项目。她补充说，随着他们对实验建立起信心和舒适度，在寻求规模化之前，他们应该建立控制和可见性的机制。
企业应该构建核心抽象层和基础编排能力，进行测试、学习，并寻求整合治理和监控能力，特别是当他们扩展到数十个或更多智能体的时候。
基于实际使用模式优化架构至关重要。而且，一如既往地，“快速失败”并从中学习是这一过程中至关重要的一部分。
