2026年AI智能体就绪度基准报告

费恩·哈尔珀博士，TDWI研究副总裁 ...........................基准：代引言：代理浪潮正在来临…… 3 代理型人工智能的采用 4 企业可能低估的代理型人工智能要素 4 代理型人工智能准备度框架…… 5 代理型人工智能准备度评估结果理型AI准 组织与能力准备……8 数据与情境准备……11 技术与工程准备 14 治理与控制准备……15 实施准备 18 © 2026 by TDWI, a divisionof 1105 Media, Inc. All rightsreserved. Reproductions inwhole or part are prohibitedexcept by written permission.Email requests or feedback toinfo@tdwi.org. Product andcompany names mentionedherein may be trademarks and/or registered trademarks oftheir respective companies. In-clusion of a vendor, product, orservice in TDWI research doesnot constitute an endorsementby TDWI or its management.Sponsorship of a publicationshould not be construed as anendorsement of the sponsororganization or validation ofits claims. This report is basedon independent research andrepresents TDWI’s findings;reader experience may differ.The information contained inthis report was obtained fromsources believed to be reliableat the time of publication.Features and specificationscan and do change frequently;readers are encouraged to visitvendor websites for updatedinformation. TDWI shall notbe liable for any omissions orerrors in the information in thisreport.备度 结论 方法论……………21 针对系统或工具，并评估其结果。 引言：能动浪潮将至 实际上，这意味着智能体系统可以执行端到端任务。例如，智能体系统不仅会简单总结供应商合同，还可能检索这些合同，分析价格趋势，将其与外部市场数据进行比较，并建议甚至启动重新谈判的工作流程。这些系统不仅仅是提供咨询建议；它们是具有执行操作能力的。 人工智能正在进入一个新阶段。最初，生成式AI的采用迅速增长，这种增长通常由易于获取的工具推动，这些工具能够生成文本、代码和内容。如今，它已演变为更高级的形式：不仅生成，还能行动的系统。在这一新的浪潮中，通常被称为“自主AI”（agenticAI），组织正朝着能够在企业环境中进行推理、规划和执行任务的系统发展。 代理型人工智能的一个显著特征是使用代理：负责特定任务的模块化组件以及协调这些代理如何交互的机制。在更高级的应用场景中，多个代理会在结构化的流程中协作，每个代理都贡献其专门的能力，如数据检索、分析、通信或执行。这种多代理范式使组织能够将复杂流程分解为协调的步骤，但也需要仔细的设计、治理和控制。 这一转变具有重要意义。生成式AI降低了使用AI的门槛，使组织能够快速进行实验，通常无需在数据或基础设施方面进行深度投资。因此，AI的采用迅速增长。然而，许多早期部署仍局限于提高生产力，例如起草内容或总结信息。相比之下，智能体AI引入了自动化整个工作流程和决策过程的可能性。它代表着一种向跨工具、数据和业务流程的协调系统转变的趋势。这可能带来巨大的变革和颠覆。 这正是自主型AI与生成型AI最显著的区别。生成型AI系统主要产出结果，而自主型系统则采取行动。它们会与API交互、触发工作流、更新系统，并影响现实世界的结果。因此，风险更高，潜在的风险面也往往更大。错误不再局限于给出错误答案；它们可能会在工作流中蔓延，影响下游决策，并产生运营风险。 本质上，自主型AI建立在与生成式AI相同的基础技术之上，但在此基础上扩展了更多功能。与仅根据提示生成输出不同，自主系统通过持续的感知、推理、行动和学习循环来运作。它从环境中收集信息，结合上下文进行解读，确定行动方案，并执行。 现实情况是，许多组织仍处于这一旅程的早期阶段。尽管代理型人工智能的概念正在获得越来越多的关注， 在许多情况下，人工智能的采用是一个渐进的过程。组织沿着成熟度曲线发展，先在较简单的系统上积累经验，然后再转向更复杂的系统。挑战在于，许多人低估了成功实现这一转变所需的努力。 真正的企业级实施（尤其是大规模运行的多智能体系统）仍然有限。许多组织正在尝试使用单智能体系统，或以有限的自动化方式扩展生成式AI的应用场景。完全协调、自主的系统仍在发展中。 哪些公司可能低估了自主AI的潜力？ 代理型AI采纳 对自主型人工智能的兴趣很高，但当前的采用情况仍不均衡。TDWI的研究表明，尽管组织正在积极探讨自主型人工智能，但相对而言，只有少数组织将其应用从实验阶段推进到了生产环境。事实上，不到10%的组织表示已经在生产环境中部署了多智能体系统，这凸显了雄心与执行之间的差距。 本报告的定性研究中发现了一个主题：组织往往高估了其对能动式人工智能的准备程度，而低估了其真正所需。这包括数据基础、管理新型数据类型，以及上下文、技能和治理的重要性。在定量结果中，同样的模式也很明显：组织正在构建能力，但进展不均衡，尚未整合成一个协调一致、适用于企业的坚实基础。在许多情况下，组织已经部署了系统的部分组件，但系统本身尚未完全建立。 组织通常从易于获取的工具开始，例如现成的生成式AI应用程序，然后转向整合企业数据的更定制化的解决方案。接着，它们会尝试检索增强生成（RAG）和单代理系统，最后才着手处理更复杂、协调性更强的业务流程。 数据基础是其中一个重要的差距。许多组织认为现有的分析或机器学习投资已经足够。实际上，自主系统对数据提出了根本不同的要求。数据不再仅仅是可用，还必须持续可靠、受管理并附带上下文信息，以支持自主决策。例如，在自主系统中，错误可能会累积。工作流某一环节中的数据质量问题可能会引发后续环节的问题，而这些问题往往更难以纠正。 然而，每一步都引入了额外的复杂性。从生成式AI转向自主式AI不仅仅是渐进式的改进，它需要在架构成熟度、治理和运营规范方面达到不同的水平。因此，许多组织仍停留在试点或概念验证阶段。根据TDWI的研究，虽然许多组织表示已构建自定义的AI助手或尝试基于代理的系统，但真正实现这些能力规模化运营的却寥寥无几。 组织也低估了情境的重要性。自主系统 这不仅需要数据，还需要语义理解，即对业务逻辑和意图的理解。这包括定义、关系和业务含义，它们能够实现准确的解释。没有这些，即使高质量的数据也可能产生不可靠的结果。 可靠性，以及保持信任。许多举措在这一阶段停滞不前，并不是因为技术失败，而是因为支持能力尚未到位。 一个关键问题在于，组织常常将构建或实验代理的能力等同于准备就绪。实际上，代理系统所处的运行环境与传统的数据分析或生成式人工智能有很大不同。它们需要持续访问受信任且具有上下文的数据、明确的流程以及对行为的清晰约束。如果没有这些要素，那些在孤立场景中看似有效的系统，一旦面对现实世界的复杂情况，可能会失效。这导致了数据中出现的一个更广泛的现象：组织可能认为自己比实际准备程度更先进。 另一个常被忽视的领域是处理非结构化数据的复杂性。尽管生成式AI使文本的访问和分析变得更加容易，但组织机构往往缺乏确保其质量和相关性的流程和指标。诸如分块、上下文窗口和预处理等问题变得至关重要，但却不被充分理解。 技能和组织准备度也可能成为主要的制约因素。许多组织缺乏设计、部署和管理自主系统所需的专业知识。这不仅包括技术技能，还包括解释系统行为、调试工作流程以及实施治理控制的能力。 本报告将更详细地探讨这些领域。 代理型AI准备框架 组织机构对自主型人工智能的准备程度如何？ 治理本身经常被低估。随着系统变得越来越自主，对监督、政策执行和风险管理的需求也在增加。然而，许多组织仍然依赖临时应对措施，或假设现有的控制机制已经足够。实际上，具有自主性的AI需要新的治理模式，以应对动态的、多步骤的工作流程以及系统层面的交互。 为了解答这个问题，TDWI开发了“自主型AI就绪度评估”框架，该框架旨在通过五个维度评估组织从实验阶段过渡到企业级部署的能力。 组织与能力准备度。 这一维度评估的是是否该组织有人，有领导对齐和所需的文化支持代理型人工智能。它包括诸如高管支持，战略清晰度资金、熟练人才的可获得性、人工智能组织内的整体素养，以及理解和管理AI驱动的能力 最后，组织常常低估运营挑战。从成功的试点过渡到生产系统是一个巨大的飞跃。这需要将人工智能集成到实际工作流程中，管理规模，并确保 系统。它回答的问题是：该组织是否具备成功采用和管理自主型人工智能所需的能力和协同一致？ 对AI行为实施护栏措施。它回答的问题是：该组织是否有必要的控制和治理措施，以安全地部署和管理自主AI系统？ 准备度。这一维度评估组织将自主AI从实验阶段推进到生产阶段并随时间持续改进的能力。它包括部署流程、工作流集成、人机交互模型、监控与反馈机制，以及基于性能对系统进行扩展和优化的能力。它回答的问题是：组织能否在实际应用场景中成功实现自主AI的部署、扩展和持续改进？ 该维度评估组织数据是否能够有效支持具备情境推理和行动能力的自主AI系统。它包括数据可用性、质量、一致性、跨系统集成、对结构化与非结构化数据的支持，以及是否存在语义含义和元数据以提供业务情境。它回答了以下问题：组织的数据是否值得信赖、易于访问且具有充分的情境化，足以驱动自主AI？ • 技术与工程准备度。该维度考察技术环境/架构是否具备支持自主AI的能力，以及是否具备相应的工程人才。它包括平台和基础设施、集成能力、对编排和工具使用的支持、可扩展性，以及构建和维护自主系统所需的工程资源。它回答的问题是：组织的技术栈和工程能力是否能够支持大规模自主AI工作流的开发与执行？ 这些维度之所以设计成这样，是因为自主AI不仅仅是一项技术挑战，更是一项企业挑战。其成功取决于数据、架构、治理、技能和组织流程的协同一致。组织可能在某个维度上表现先进，但在另一个维度上则相对落后。例如，一家公司可能拥有强大的领导层支持，但却缺乏支持自主系统所需的数据基础设施。或者，它可能具备技术能力，但治理却不足。这可能会成为一个问题。 代理型人工智能有潜力通过自动化流程和缩短周期时间，从根本上改变工作方式。另一方面，它也引发了关于准备情况的关键问题。组织是否具备支持这些系统所需的数据基础、治理结构、技能和运营能力？此次评估旨在探讨这些问题。 • 治理、风险与控制准备。这一维度评估组织管理与代理型人工智能相关风险的能力，并确保其负责任地使用。它包括政策框架、数据访问控制、监控与可观测性、可审计性、合规性以及相关机制。 确保准备就绪。就代理型人工智能的准备阶段而言，它们主要处于准备阶段，即组织正在积极地定义和对齐能力（见图1）。在某些领域，它们已经进入下一步，即建立核心基础。然而，这里有个转折点，即组织仍在完善诸如数据和治理基础等核心要素。 进一步