2026年企业AI预测：CIO面临碎片化、商品化与智能体推进挑战

ChatGPT重新点燃AI投资热潮三年后，企业关注焦点正从改进大语言模型转向在其基础上构建智能体系统。

供应商正将智能体能力整合到工作流程中，涵盖副驾驶、自主自动化以及用于优化工厂性能的数字孪生。但许多概念验证正与复杂现实发生碰撞，包括智能体失控、非结构化数据质量差距以及新的合规风险。

未来一年，专家预测四大趋势：

LAM面临其他智能体方法的竞争

对大语言模型的兴奋激发了对LAM潜力的兴趣，这种模型能够读取屏幕并代表用户执行操作。

大语言模型开创性谷歌论文的主要作者Ashish Vaswani共同创立了Adept AI，专注于LAM潜力。Adept AI推出了ACT-1，一个"动作Transformer"，旨在将自然语言命令转化为企业中执行的动作。这一努力尚未获得显著关注。同时，Salesforce推出了xLAM模型系列，结合仿真和评估反馈循环。

但数字咨询公司Protiviti董事总经理Patrick Anderson表示，尽管围绕自动驾驶AI浏览器和操作系统有很多炒作，进展参差不齐，市场令人困惑。

"当前参与者在模仿LAM最终寻求做的事情方面取得了良好进展，但他们缺乏上下文感知、记忆系统以及在操作系统级别构建的用户行为模型训练，"Anderson解释道。"围绕LAM也存在误解，与简单地将大语言模型与自动化结合相比。"

一个挑战是生态系统中真正LAM模型的有限可用性。例如，微软已开始推出AI来在PC上执行操作，但Anderson说LAM方面仍处于研究阶段。供应商之间的这种差异导致市场混乱。

表面上，供应商产品似乎是能够执行自动化的大语言模型（即Copilot和Copilot Studio，或Gemini和Google Workspace Studio）。微软还在其智能体框架中展示了"计算机使用"功能，预览了LAM类型功能。

"然而，这些方法仍缺乏适应性学习和避免重复错误所需的记忆系统和上下文感知——这些是LAM的关键能力，"Anderson说。

AI和数据咨询公司Indicium的CTO Vitor Avancini警告说，LAM在当前迭代中也带来更高风险。生成文本是一回事，在物理世界中触发动作会引入现实世界的安全约束。仅这一点就会减慢企业采用速度。

"话虽如此，LAM代表了大语言模型之外的自然下一步，因此大语言模型采用的快速增长将不可避免地加速LAM研究，"Avancini说。

与此同时，智能体系统进展更快。它们没有LAM的物理能力，但在多样性和适应性方面已经超越了传统基于规则的系统。"通过正确的编排、工具和保护措施，基于智能体的自动化正在成为一个强大的平台，远在LAM达到主流可行性之前，"Avancini说。

智能体原语逐渐成熟

早期智能体AI工具的主要用例之一是弥补大语言模型在规划、上下文管理、记忆管理和编排方面的固有局限性。到目前为止，这主要通过"胶水代码"完成——用于将不同组件连接在一起的手动、脆弱脚本。随着这些能力成熟，方法正从定制构建的变通方案转向标准化基础设施。

从胶水代码到标准化原语

数字咨询公司Bridgenext企业AI高级副总裁兼首席架构师Sreenivas Vemulapalli预测，在未来一年，许多企业将把这种手动编排视为资源浪费。供应商将创建新的"智能体原语"——智能体构建块——作为AI平台和企业软件套件中的商品化产品。

企业的战略价值不在于"构建智能体的'大脑'"或连接它的管道，Vemulapalli说，而在于定义和标准化这些智能体使用的工具。

"真正的竞争优势将属于那些已经精心记录、保护并将其专有业务逻辑和系统作为高质量、智能体可调用API暴露的企业，"Vemulapalli说。

为什么编排正在成为临时优势

与此同时，AI和数据咨询公司Asperitas的智能体AI使能主管Derek Ashmore说，早期采用者的现实需要构建临时内部平台来填补当前空白。他说，他看到的领先公司中有10%-20%正在建立内部"智能体平台"来处理规划、工具选择、长期运行工作流程和人在回路控制等任务，因为现成的副驾驶还不能提供他们今天需要的可靠性、可审计性和策略控制。

Ashmore说他看到了进展，因为公司从临时胶水代码和"脆弱工具连接"转向可重用模式。这些更成熟的公司现在正在小范围原语上趋同。这些包括标准化工具接口、智能体共享记忆/状态、策略和护栏层，以及在现实工作流程中测量智能体行为的评估框架。同时，供应商正在快速产品化这些相同的原语，明确表明今天许多自制管道将被商品化。

"明智之举是将低级智能体编排视为临时优势，而非永久资产，"Ashmore说。

建议：不要过度投资定制规划器和路由器，因为您的云或平台提供商将在一年内为您提供。相反，将资金投入到无论哪个智能体框架获胜都将持续存在价值的地方。未来一年的良好投资包括：

组织还应该预期"智能体引擎"本身将成为可替换组件。

"现在使用它来学习什么有效，但要构建您的堆栈，以便您可以在供应商创新成熟时进行交换——而您的真正差异化存在于没有平台供应商能为您提供的领域模型、策略和评估数据中，"Ashmore说。

物理AI转向基于云的经济模式

英伟达CEO黄仁勋一直承诺物理AI将重塑企业的各个方面，包括智能工厂、流线型物流和产品改进反馈循环。过去一年，英伟达在发展其Omniverse平台以协调不同工具和工作流程中的3D数据集方面取得了实质性进展。

英伟达的Apollo框架使得使用更快AI模型进行训练变得更容易。另外，IEEE已批准了第一个空间网络标准，这可能进一步支持这一愿景。

Cambridge Consultants情报服务执行副总裁Tim Ensor说，物理AI在过去一年中已显著成熟，推动了真正理解世界的AI发展新时代。

"我想象我们将看到这些模拟器如何演进，以提供我们训练物理AI系统所需的东西，让它们变得更高效、更有效，特别是在它们与世界互动的方式上，"Ensor说。

Avancini预测，2026年，物理AI蓝图（如英伟达生态系统）和开放互操作性标准的结合将开始重塑工业研发。这些生态系统降低了构建仿真、机器人工作流程和数字孪生的门槛。

曾经需要大量资本支出和专业工程团队的工作将转向基于云的、按仿真付费的运营支出模式，为以前仅限于小竞争对手的先进机器人技术和仿真能力开放机会。

这一转变威胁到历史上依赖专有硬件和高价集成服务的传统封闭花园供应商。Avancini说他相信竞争前沿将转向使用仿真FinOps管理云仿真支出，并使用OpenUSD等开放标准避免供应商锁定。

数据质量问题阻碍智能体AI，迫使新投资

未来一年，企业将越来越多地发现数据质量问题阻碍AI计划的新方式。大语言模型能够将非结构化数据集成到新流程和工作流程中。但非结构化数据管理供应商Komprise联合创始人Krishna Subramanian说，由于绝大多数这些数据是在许多工具和应用程序中收集的，没有考虑数据质量，组织面临障碍。

"非结构化数据质量差的一个主要原因是来自过多副本、无关、过时版本和冲突版本的数据噪声，"Subramanian说。

Anderson同意，虽然组织渴望采用AI，但许多组织"没有充分考虑改善数据质量所需的成本和时间表"。即使完成了重要的清理工作，他说，这通常反映单一时间点。不检查上游输入，新的"泄漏"可能继续造成数据质量问题。

AI可以帮助，但不是魔法棒。它可以协助处理文档、识别坏数据来源和标准化。关键优先事项是构建元数据和业务术语表，建立对大语言模型推理理想的数据语义层，而不是结构化数据本身。

随着大语言模型越来越多地用于为结构化数据生成SQL而不是对其进行推理，语义层在现在和未来的智能体AI中变得重要。

数据隐私和安全护栏重塑AI架构

AI供应商一直在展示在极大数据集上训练的好处。但一些对企业工作流程最有用的数据面临隐私和安全担忧。未来一年，这可能推动对隐私保护机器学习技术的投资，如安全飞地、联邦学习、同态加密和多方计算。

"我们确实看到在企业和政府部门环境中训练AI面临一些挑战，因为我们需要训练模型的数据在某种程度上是敏感的，"Ensor说。

未来一年，联邦学习将成熟，使模型能够在边缘本地训练而不是集中化。同时，合成数据创新将使在类似副本上训练模型变得更容易，而不会暴露敏感数据。企业还将探索新的批准和授权流程来访问数据。

但所有这些方法都需要费力的过程来在更好的AI和确保合规性与安全性之间取得适当平衡。

"不幸的是，解决这个问题没有银弹，因为适当管理消费者和个人数据绝对关键，"Ensor说。

Q&A

Q1：LAM和传统的大语言模型有什么区别？

A：LAM（大动作模型）不仅能理解和生成文本，还能读取屏幕并代表用户执行实际操作。与大语言模型相比，LAM具备上下文感知、记忆系统和用户行为模型训练等关键能力，但目前在生态系统中可用性有限，而且在物理世界中触发动作带来更高的安全风险。

Q2：企业应该如何应对智能体AI中的数据质量问题？

A：企业需要投资数据清理工作，建立元数据和业务术语表，创建适合大语言模型推理的语义层。同时要识别和消除数据噪声，包括过多副本、过时版本和冲突版本。AI可以协助处理文档和标准化工作，但需要检查上游输入以防止新的数据质量问题。

Q3：物理AI将如何改变企业的运营模式？

A：物理AI结合英伟达Omniverse等平台和开放互操作性标准，将把原本需要大量资本支出和专业工程团队的仿真、机器人工作流程转向基于云的按需付费模式。这将降低构建数字孪生和先进机器人技术的门槛，威胁传统封闭系统供应商，推动企业采用开放标准避免供应商锁定。