2026智能体AI落地现状报告 第二卷

3000多个企业代码库揭示了AI实际是如何被构建的 SNYK.iO 第一卷曾问“企业中的AI正在变成什么？”，第二卷则问“既然我们现在能看到更多，遍布全球更多地方，它实际上看起来是怎样的？” 2026年1月，Snyk 发布了这项研究的首版，该研究数据来源于超过500个企业环境的 AI-BOM 远程监控信息。 简而言之：企业中的AI比模型库所显示的规模更大，其集中度高于供应商叙述所暗示的程度，其能力超出大多数治理程序的设计范围，对外部基础设施的依赖程度超过其之前的任何传统软件类别，并且在结构模式上，跨地域表现出惊人的一致性。 研究发现，正在发生结构性转变：人工智能不再被作为孤立的功能部署，而是作为拥有自身供应链、依赖关系和涌现的自主行为的互联系统来部署。 第二卷将该范围扩展至美洲、EMEA 和亚太地区的 3,044 个企业账户，并分析了 2026 年 6 月的约 139万个代码仓库。 第一卷和第二卷之间的关键转变，并不仅仅是AI应用的增长。它是从将AI视为应用功能，转变为将其视为一个由模型、智能体、编排框架、外部工具、检索层和自主基础设施组成的相互连接的执行系统。 更大的、地理分布更广泛的数据库证实了结构性的假设。它还揭示了一些小样本无法看到的情况：AI供应商格局的显著重新排序、组织在一旦承诺采用后采用代理式架构的明显模式、企业实际部署的模型能力的首次洞察，以及不同地区AI采用情况的比较。 企业AI技术栈正变得具有组合性、可操作性，并且日益自主。治理挑战也正以同样快的速度演变。 这份报告是安全治理领导者接下来需要进行的对话的实证基础。 一瞥：报告中的关键指标 代理式采用已加速。 • 所有组织中，有33.0%采用了代理架构（代理或MCP服务器），较第一卷的28.4%有所上升 • 任何具有AI接口的组织中，采用率为46.9% • 在采用代理架构的组织中，50.3%同时运行代理和MCP，较第一卷的36%有所上升 自主AI的传播不止于此——它正深入到全栈执行平台。 2.人工智能的碳足迹大约是模型数量所暗示的三倍。 • 每个仓库 0.080 个模型（仅模型视图） • 每个仓库 0.241 个总AI 组件（系统级视图） 模型是庞大的人工智能供应链中可见的一端——并且这个乘数效应适用于各个版本和地区。 3. 服务提供者的格局正在多元化。 • OpenAI 从模型出现次数的 43.6% 下降至 34.0% • Anthropic从 3.5% 上升至 10.5%；前四名仍占约 71% 到2025年末的“双供应商世界”正让位于更广泛、分布更核心的格局。 4. 深度而非数量，决定了人工智能的成熟度。 • 媒体与娱乐行业平均每个账户约有472个AI组件；教育领域正成为一个新的高密度垂直领域。 • 技术与IT领域在绝对数量上领先，但在强度上排名第四 最依赖人工智能的行业，是指其产品能够被自主和多模态系统直接转换的行业。 5.企业部署的是有能力的而非前沿的模型——而开源技术仍显落后。 • 平均专有模型得分为 135.4 ECI，比 160 的前沿水平低约 25 分；• 接近前沿的模型（155–159 ECI）出现 1,874 次，均为专有模型；• 开放权重模型落后于封闭前沿约 4个月 / 约 8 ECI 分。 领先优势在于生产，但大部分工作负载运行较为保守——而本地化与开放性（对前沿性的权衡）正成为一个核心架构决策。 6. 外部依赖主导着人工智能技术栈。 • 77.4%的AI工具来自第三方包；定制工具的比例约为1:3.4 人工智能供应链安全是具有新行为维度的一体化软件供应链安全。 7. 数据血缘关系仍然是薄弱环节。 • 仅50.8%的带模型账户声明了任何数据集；每个模型约0.36个数据集 一半的模型部署组织无法解释其模型所使用的数据——在所有地区都是如此。 8. 人工智能在工程工作中的占比正变得越来越大。 • 每位开发者 0.30 个 AI 资产，较第一卷（约每 3-4 位开发者 1 个）的 0.18 个有所增加 人工智能相对于员工数量的密度在六个月内增长了约三分之二。 9. 这些模式是全局性的。• AMER和EMEA展现出相同的结构模式；差异在于程度和供应商偏好。 一个为某个地区的AI现实而构建的治理框架，很大程度上会转移到另一个地区。 第一章：从实验到能动系统 最初以提示词和聊天界面为实验对象的技术，现已发展成熟为直接嵌入企业运营的智能代理系统。本章将探讨人工智能的普及程度、其嵌入的深度，以及组织从“聊天”转向“行动”所取得的进展。 代理式架构加速了发展，采用者正全力以赴。 从生成式人工智能向具身式人工智能的转变已被广泛预测。第一卷展示了其开端。第二卷则表明其正在加速并巩固为全栈部署。 在分析的3,044个账户中，有33.0%（即1,004个账户）显示出代理式架构的证据——包括代理框架、MCP服务器或两者兼有。若仅限于检测到任何AI表面的2,142个账户，代理式采用率则上升到46.9%——几乎占所有AI活跃组织的一半。 这些1,004名采用者的构成揭示了更深层次的故事：262名仅部署了代理框架，237名仅部署了MCP服务器，而505名则两者都部署了。这意味着50.3%的代理采用者正在运行完整的技术栈——包括代理逻辑以及为代理提供工具、服务和数据访问能力的连接性MCP基础设施。 与第一卷的比较： 率和构成都发生了变化。第一卷报告了28.4%的代理式采用，其中36%的采用者运行了双层。第二卷显示采用率为33.0%，超过50%的采用者运行了双层。代理式采用不再仅仅是扩散——它正在深化。 这很重要，因为从生成式AI到代理式AI的转变，从根本上是从交互系统到执行系统的转变。传统的生成式系统生产的是供人类消费的输出。 自主系统调用工具、检索信息、协调工作流、访问企业系统并自主执行操作。治理单元不再是标准响应。它是系统的运行行为。 含义 • 在人工智能活跃的组织中，自主采用已成为主流。近半数已从基于提示的人工智能转向自主系统。 • 风险面在加剧，而非仅仅是增长。采用率的适度上升掩盖了部署中代理基础设施的巨大上升，因为采用者越来越多地构建完整的技术栈，而非单层的实验。 • MCP已成为标准基础设施。随着“两者兼具”成为主流模式，MCP已从一项有趣协议转变为赋能型企业的连接纽带。在部署基础超出改造范围之前，发展MCP特定治理的窗口期已到来。 当组织采用代理模式时，构建完整的执行架构现已成为主流方法，而非特例。 代理或MCP服务器的存在标志着成熟，但这并不能体现AI嵌入的深度。真正的采用体现在密度和构成上——即存在多少组件以及它们集成得多紧密。 仅根据模型衡量，在分析的约139万个仓库中，AI密度约为每个仓库0.080个组件。当包含完整的运营AI堆栈——框架、MCP服务器、检索系统、向量数据库、数据集和支持工具——密度上升到约0.241。完整的运营AI表面大约是模型中心清单所显示的三倍。 平均而言，每个部署的模型都伴随着大约两个额外的AI组件。AI很少作为独立模型部署；模型被嵌入到支持组件的网络中，这些组件能够实现数据摄取、编排、执行和集成。 与第一卷的比较： 与第一卷保持一致：六个月前，一个较小的样本显示出了相同的3倍模式。第二卷则证实了这一模式在规模和跨区域的情况。对于安全领导者而言，关键不在于精确的密度数字——这个数字会随着可见的存储库不同而变化——而在于那个保持不变的比率：模型清单仅捕捉了实际AI足迹的三分之一左右。 含义 • 以模型为中心的治理覆盖了其足迹的第三。依赖模型数量的组织低估了其真实的AI表面。 • 系统的运营复杂性随系统规模增长，而非模型。每个支撑组件都增加了依赖关系、集成点和故障模式。 • 治理必须超越模型。数据集、工具、框架和第三方软件包对风险状况有重要贡献。 “模型是冰山一角，构图是冰山。” 大多数组织要么不部署模型，要么大规模运营 模型数量的分布显示出很大的跨度： •Mid (6–25): 469 (15.4%)•Heavy (26–100): 327 (10.7%)•Power (100+): 197 (6.5%) • 无（0个模型）：1,503个账户（49.4%）•测试中（1个）：184个（6.0%）• 轻量级（2-5个）：364个（12.0%） 大约一半的账户在其仓库中没有直接检测到模型——但未声明模型并不意味着没有AI表面。其中许多账户仍然使用AI包、工具或数据集，通过第三方服务使用AI，而未在代码中声明模型标识符。另一方面，重型和电力层级合计（524个账户，17.2%）运行着规模表明平台级集成的模型集群。 与第一卷的比较： 第一卷描述了一种“杠铃”模式——组织倾向于在两端聚集而非中间。这里更细粒度的分层也证实了同样的模式：一端是一个庞大的“未声明模型”群体，另一端则是有相当数量的多模型和重度部署群体。这反映了分布式系统的发展方式——一旦工作负载成熟，组织很少会在单一数据库或运行时上进行标准化。 含义 • 人工智能风险管理必须为投资组合运营而设计。每个模型都带来其自身的提供方风险、能力概况、更新频率和行为。 • 一种为“我们使用的模型”而构建的治理方法，在答案为“我们根据工作负载使用的数十种模型”时就会失败。 多模型是生产型模式；单模型是原型型模式。 第二章：人工智能供应链的形态 随着人工智能从实验阶段转向基础设施阶段，其供应链呈现出独特的形态：核心集中于模型提供者，边缘则分散于工具层面，且高度依赖外部资源。本章将阐述模型的提供者是谁，其许可方式如何，以及依赖关系源自何方。 如果卷二中的某一发现与2025年末主要供应商的叙述相矛盾，那便是这一个。 基于超过41.5万个可识别的模型实例： 有三点尤为突出。OpenAI的领先优势大幅缩小——自第一卷以来已缩小近十个百分点。它仍然是明显的领导者，但其主导地位不再绝对。Anthropic已成为顶级供应商——从3.5%跃升至10.5%，是数据集中最显著的变动之一。而开放生态系统正占据可测量的份额——HuggingFace社区类别（多个出版商的整合群体）翻了一番以上。 尽管存在多元化，集中度依然是现实：前四大供应商仍然占据了约71%的可识别模型出现次数。这并非碎片化——而是集中的核心从两个供应商扩展到了四个。这在结构上类似于云基础设施市场的发展演变：由少数集中的基础供应商 surrounded byproliferating ecosystem layers（被不断扩展的生态系统层所包围）所构成。其结果是混合的现实——能力核心高度集中，而编排和工具边缘高度碎片化。 含义 • 基于将 OpenAI 作为默认选项建立的供应商风险策略需要更新。现在许多企业同时实质性依赖三家或四家供应商。 “单入口易受攻击”模式与数据不符。每个供应商都带来其自身的停机概况、重大变更模式和安全态势。 • 供应商库存必须保持最新。一年前的“我们使用OpenAI”评估很可能不再反映生产现实。 双供应商世界正变成四供应商世界——而供应商组合如今成了一个动态目标。 专有技术主导部署，即便开源技术主导可用性。 专有模型的使用比例约为开源模型的2倍，尽管有远更多样化的开源模型可供选择。开源生态系统虽然广阔但较浅：存在许多模型，但规模部署的却很少。 与第一卷一致： 专有部署份额已增长——从第一卷的57%增长至今天的63.8%。这与普遍预期相悖，即开源正在缩小企业中的部署差距。（注释：第二卷将非专有份额细分为更细致的类别——开源、未知、非商业性、仅限研究——因此部分变化反映了分类更加细致，而不仅仅是开源使用量的下降。） 但更可能的驱动力并非分类，而是能力。正如第三章所示，开放权重的模型落后于前沿技术约四个月和八个ECI点，并且生产环境中得分最高的开放模型仍未能达到专有模型所达到的前沿邻近水平。正是那六个月，代理式采用加速的同时，企业也为了提升能