企业AI采用的差距：80%拥有agent，11%实现规模化

采用已不再是重点。超过80%的财富500强企业拥有有效的AI agent，高德纳预计到今年年底，40%的企业应用将嵌入任务特定的agent。真正的故事在于这个数字背后的差距：仅约11%的组织实现了真正的生产规模。每个人都有试点。几乎没有人拥有系统。

在演示中闪耀的试点和足以信任的系统是两个不同的产品。那11%建立的是第二个。

为什么大多数agent项目停滞不前

高德纳预计到2027年底，超过40%的AI agent项目将被取消。失败很少源于模型本身。失败来自于围绕模型的环节：没有审计追踪来说明决策，没有应急停止来处理agent的不当行为，没有人工检查点来处理重要后果的行动，也没有衡量该系统是否真正节省了时间或金钱。

• 可观测性：agent采取的每一个行动都被记录、可追踪，事后可审查。
• 护栏：agent在明确的边界内运行，具有角色感知的数据和工具访问权限。
• 上报：高风险行动路由给人工，且有清晰的途径完全停止agent。
• 经济性：基线在启动前被测量，因此差异，即节省的工时和降低的风险，是可证明的。

治理是产品，不是文书工作

将控制措施视为最后附加的合规成本很有诱惑力。但这颠倒了实际风险。在生产环境中，治理层是让agent接触任何重要事项的前提，因此它决定了agent是否能够真正交付价值。无治理的agent被限制在低风险任务上，受治理的agent则可以被信任处理能够驱动成果的工作。

2027年的项目取消正是源于此。在2026年没有治理的情况下构建的组织，十八个月后会默默关闭项目，当第一个事件使得缺乏控制成为不可忽视的问题时。

衡量工时，而不是感受

企业AI的重点是经济效益。建立基线，即任务在启动前的耗时，然后衡量之后的差异。节省的工时和降低的风险是证明下一阶段投资合理性的数据。热情不是指标，董事会已经开始注意到：经受预算审查的项目是那些提供差异数据的项目，而不是演示。

HOWF的立场

我们按照那11%的方式构建agent：植根于你的边界内的数据，从第一次提交就集成了可观测性和上报机制，并根据测量的基线进行衡量。模型是简单的部分。围绕它的系统才是工作所在，这就是试点的agent和运行的agent之间的区别。