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