企业 AI 已不再是未来的愿景，而是已全面投入实际运营。模型能力的进步速度超过了大多数组织的吸收能力，而性能成本却在持续下降。全球范围内，AI 投资预计将在 2026 年达到 2.5 万亿美元，同比增长 44%。
对许多企业而言，这笔投资带来的是碎片化。智能可能在各处孤岛中积累，例如销售智能体不知道未解决的客服工单，或者营销系统在进行内容个性化时看不到财务部门已经掌握的客户信息。每个职能单独来看可能表现良好，但企业整体学到的东西很少，可用于行动的信息也更少。
下载报告
AI 从工具向运营模式的转变——我们在本报告中称之为“智能体化转变”——所要求的，比更好的模型或更快的基础设施更为根本。它需要实时连接人员、流程和数据，并具备治理和控制能力，以可靠地基于这些智能采取行动。
这意味着要同时重新思考架构和运营模式。第一，重建数据基础设施，以可访问性而非数据量为目标。第二，用可组合架构取代固定的技术栈，使其能够随模型和工具的变化而演进。最后，解决 AI 主权问题，包括智能在哪里运行、由谁控制，以及它如何跨越组织和司法管辖区边界运作。
主要发现如下：
企业 AI 的扩展问题是结构性的。流程优先的公司正在拉开差距。全球 AI 支出急剧上升，模型能力的进步速度超过了大多数组织的整合能力。然而，大多数企业仍未通过 AI 实现收入增长，也未从根本上重新思考其运营方式。那些产生持续回报的公司有一个共同的纪律。它们将流程重新设计视为模型选择之前的工作，为技术的演进方向而构建，而不是在部署后改造角色和工作流程。对它们而言，智能体化转变始于运营模式。
数据就绪度，而非数据丰富度，才是让 AI 可复合的关键。大多数企业发现得太晚：拥有数据和拥有 AI 就绪的数据是两件截然不同的事。一个主权化、可组合的基础——在数据所在之处查询和准备数据，无需迁移或集中化——可以将原始数据资产转化为 AI 智能体能够据以行动的智能。随着数据驻留法律、多云环境和结构性复杂性使集中化越来越不切实际，对模型运行位置和数据存放位置的主权控制，才是保持这种适应能力的关键。
下载报告。
本内容由 Insights 制作，Insights 是 MIT Technology Review 的定制内容部门，而非其编辑团队。本内容由人类研究和撰写，任何可能使用的 AI 工具仅限于在人类监督下的生产流程。