跨越影响力鸿沟：Gartner拆解2026企业AI成熟度与价值落地路径

当前，企业人工智能（AI）的应用正陷入一种喧嚣与静默并存的怪圈。一方面，大模型技术以日为单位疯狂迭代，朋友圈和小红书上充斥着各种炫酷的AI用例，企业管理层对AI的焦虑与期待也被推向了前所未有的高度；但另一方面，绝大多数企业在喧嚣过后，却发现高额的投入并未在财报上转化为直接的财务价值，大量的AI项目依然停留在测试或规划的沙盒之中，无法真正跑进复杂的生产环境中。面对“必须投、必须做，但必须证明回报”的双重考量，企业急需解开AI采用率高、但企业级能力却未真正建立的死结。

近日，在Gartner 2026大中华区科技行业高管交流大会期间，Gartner管理副总裁孙鑫接受了媒体的线上采访。他从企业甲方视角对“企业成熟度”进行了深度解读，并结合Gartner的最新调研数据，为身处AI一号位的企业管理者以及供应商拆解了企业AI落地面临的真实挑战与未来趋势。

跨越影响力鸿沟，从“要不要做”走向“交付可量化价值”

当前市场上存在一个非常明显的差异，即顶尖AI实验室的模型能力正在以每隔一个半月到三个月的速度快速更替，而企业自身的能力并没有得到同等比例的增长。这种供给侧与需求侧之间的巨大差距，被Gartner称为“影响力鸿沟”。这一鸿沟导致大模型厂商在发展上遭遇困难，同时也使得客户在切换AI供应商时面临选择挑战。谁能帮助客户跨越这道鸿沟，谁就更有机会将创新转化为真正的业务成功，这也让企业AI一号位承受着越来越大的价值交付压力。

企业当前面临的压力已经不再是“要不要去做AI”，而是“怎么样交付可以量化的AI价值”。调研显示，管理层和董事会对AI的期待持续高涨，77%的CEO认为未来三年内AI将对其所在行业产生最重大的影响。然而，不到30%的AI领导者表示其CEO对生成式AI的投资回报给予高度评价，这意味着有超过70%的主管层对AI能否带来实际的业务回报仍存有疑虑。在财务侧，仅有11%的CFO表示在过去一年中已经从AI中获得了实际的财务价值。尽管存在这种矛盾的期待点，但在2026年，依然有88%的企业会继续对生成式AI或传统AI进行资金投入。企业当下的状态是“必须投、必须做”，但同时也必须证明回报，这迫使市场急需一套全新的价值衡量体系来测算AI的实际结果。

在评估市场机会时，不能只看执行能力等当下的单一维度，还要看企业是否具备前瞻性的竞争力，从而能够穿越炒作，找到属于自身DNA的业务助力点。连接企业当前执行与未来价值的纽带是客户所处的成熟度。当前，很多大模型厂商的核心任务已经从寻找产品市场匹配（PMF）转向寻找新的“PVF”（People Vision Fit），即AI一号位与AI产品所带来的远见是否匹配。很多厂商今天面临的真正问题并非缺乏创新，而是误判了客户的成熟度，并在AI价值观上产生了不太正确的判断。

突破生产化瓶颈，建立企业级学习与评估系统

企业AI成熟度需要经历从规划、试验、稳定化、扩展到引领的演进过程。当前，大部分大中华区企业的卡点普遍发生在试验到稳定化的阶段，即组织模式从“AI实验室”向“AI卓越中心”推进的过程。企业面临的普遍现象是Demo和概念验证（POC）做得很好，但一旦进入复杂的生产环境实现稳定输出时就会被卡住。调研数据显示，虽然业务侧对AI采用的热情很高，但真正进入规模化生产的案例仍然非常有限。以智能体为例，目前仅有16%的企业已将Agentic AI（代理式AI）部署到生产环境。从2025年到2026年，这一比例仅从9%增长到16%，相较于市场的热闹，实际落地表现较为平静。

那些AI部署较为成功的企业，通常做对了两件事情：建立“学习能力”和“评估能力”。学习能力意味着企业需要形成一个企业级的反馈循环，能够像整理错题集一样根据过去的错误推导出正确路径，而不仅仅是少数员工个体在使用AI工具。评估能力则是指制定明确的AI标准和新的业务指标，用以定义和衡量AI带来的价值。如果缺乏这两个核心能力，企业虽然在初期会产生快速的部署行为，但很快就会进入概念验证饱和却无法产生业务价值的停滞期。随着投入的增多，如果未在一开始定义好问题，Token（词元）的消耗会越来越多，证明ROI的压力也会随之增强。Gartner预测，到2028年，随着企业机构自动分析和决策实施规模的扩大，至少20%的数据和分析AI用例预算将分配给评估设计、控制与反馈循环机制。供应商需要将这种学习系统与评估系统嵌入到产品中，主导后POC阶段的全流程，而不是仅仅将AI作为工具推销给客户。

从数据就绪到上下文管理，将静态记录转化为行动资产

在Gartner总结的影响业务价值的32个“AI特质”习惯中，数据基础、治理能力、AI技术、业务对齐以及灵活丰富的预算是最有效的5个习惯。其中最底层、最核心的习惯是数据基础。当前企业面临的瓶颈往往不是模型不够强，而是底层不具备AI就绪的数据（AI Ready Data）。调研显示，仅有4%的客户认为自己已经实现了数据AI就绪，37%的客户觉得有望实现，大量的客户仍在此处挣扎。

进一步的研究发现，比数据本身更深层次的瓶颈，在于企业未能将数据组织成AI真正需要的“上下文”。2026年AI的关键词就是“上下文”，企业面对的差距不是模型差距，而是结构化语义、语义清晰度、工作流上下文的差距。许多企业过去建立的语义层完全由IT定义，未对业务的真正需求进行定义，从而形成了“语义层负债”。如果上下文缺失，再强的模型也无法稳定产出企业级价值。企业AI的瓶颈已经从模型能力转向了上下文的组织能力。

当企业真正建立起语义建模和上下文管理后，其高效能支持AI用例的概率可提高到2倍以上，AI的准确度能够提升40%以上，相同准确率下词元的消耗可以减少到70%。Gartner预测，到2028年，越来越多构建AI应用的软件工具会默认内置上下文工程能力，这直接使代理式AI的准确率提升30%以上。未来真正的赢家不只是控制模型的人，而是更擅长控制企业级上下文的人。

这也推动了数据属性的根本转变：数据正在从静态的“System of Record（记录系统）”变成可以直接让企业发起工作流和采取行动的“System of Action（行动系统）”。重点不再是单纯地把数据存下来，而是让AI基于这些数据去干活，数据开始从静态资产变成推动业务执行和价值创造的核心输入。

引入前线部署工程师，构建系统级的AI执行层

AI是一个横贯组织上下的一把手项目，当其影响到数据治理、开发、组织和技术素养时，就必须具备与之匹配的运营模型、组织模型和角色分工。目前在中国区，仅有8%的企业通过AI实现了营业收入增长，大量投入仅表现为“增加了生产力”。Demo之所以容易，是因为它发生在受控环境中，而要在复杂的业务实况中执行AI，就必须补上一层包含前线部署工程师（FDE）、基于已有数字化能力的编排能力以及智能体训练环境的“AI执行层”。

在人类与AI交互的升级过程中，已经从提示工程（解决如何问问题）、上下文工程（管理变量与前置条件）演进到如今的驾驭工程（Harness Engineering，实现交互的结构化与控制）。目前哪怕是全球顶尖的大模型，其保持清醒和聪明的区间大概也只占到整个上下文窗口的40%左右。当对话超出聪明区间，AI就会进入讨好模式，说出“你说的实在是太对了”并开始犯错。驾驭工程并不是简单地在模型中堆积更多信息，而是通过精细控制和“工匠精神”，提供一个“刚刚够用的上下文”，以提升精准度和适应性。

为了解决AI落地的最后一公里问题，前线部署工程师（FDE）的角色变得至关重要。FDE融入业务团队，具备领域知识，负责将AI能力真正翻译成企业业务流程并落入运营中。Gartner预测，到2028年，超过50%的AI技术与服务供应商将利用FDE来加速AI解决方案的落地，而当前这一比例仅为10%；到2030年底，超过一半的新产品经理将拥有FDE履历，如今这一比例不到1%。这也意味着软件工程师将面临转型：一部分向技术更深处演进，成为赋能业务的技术人员；另一部分则向业务侧转型，成为塑造产品意图的FDE。厂商需要将FDE的驻厂服务转化为提升产品能力的机制，将编排、训练、可靠性和监控能力转变为产品的默认属性。

此外，关于AI的控制权与所有权（Ownership）正在成为长期竞争优势的来源。如果企业仅仅调用外部高度商品化的共享模型，产出的结果将逐渐趋同。长期优势取决于企业接通的私有上下文与顶尖模型的结合。Gartner预测，“模型即产品”将成为重要形态，企业开始希望掌握AI的持续优化与掌控权。到2028年，将有20%的企业选择把AI工作负载部署到本地数据中心，重新思考控制权，而2025年初这一比例仅约2%。

针对不同模型的选择问题上，分析师则表示：在未来的企业实践中，不同企业会根据自身需求选择不同的路线。在多模型混合的状态下，先进的国外模型可用于新能力的探索，而国内模型则在成本结构上具备优势，两者将共同服务于企业的AI尝试。中小微企业则需要关注大模型的上游需求，在工作流入口侧寻找创新机会。AI的价值从来不是一个单点功能，而是一个需要被层层搭建起来的系统。正如温布尔登网球场草地上因不同时代球员打法变化而自然留下的磨损轨迹一样，企业的AI成长也无法通过一次性交付达成，而是需要通过长期的学习、执行、评估和控制共同走出来。