在人工智能現代紀元邁入第八個年頭之際，行業已褪去生成式 AI 1.0帶來的驚艷感。新鮮感逐漸消散，取而代之的是嚴苛審視。企業不再滿足于演示效果，而是對實際成果愈發迫切；市場觀察人士對模糊的敘事日益懷疑，行業討論也從 “人工智能能做什么” 轉向 “拿出實際收益，給予我們可見性與控制權”。

這一動態背后的核心前提是：人工智能的關鍵在于數據，尤其是情境化數據。21世紀10年代的現代數據?！栽茷橹行摹⒂嬎闩c存儲分離、數據管道、儀表盤等——如今已顯得微不足道。行業目標已轉向構建智能體系統（agentic systems），這類系統需能跨企業運作，處理海量結構化與非結構化數據、復雜工作流、沖突政策、多重身份認證，以及業務流程中蘊含的微妙語義，實現自主行動、協同合作與持續學習。

行業仍充滿熱情，但同時也陷入矛盾。用一個常被引用的棒球比喻來說：第一局是 2017 年前后的學術探索階段，相關論文闡述了 Transformer 模型與擴散模型，但當時多數人并未關注；第二局是 ChatGPT 引發的全球 AI 熱潮，帶來了空前興奮與大量炒作。

如今，我們已進入人工智能現代紀元的第三局。在這份特別的深度分析中，我們將探討行業如何從 “生成式 AI 究竟是什么” 的震驚，轉向 “如何讓它為我們所用” 的務實思考，以及如何讓智能體（agents）可靠地采取行動，兌現科技行業承諾的生產力提升。 

為此，CUBE Research舉辦第五屆年度數據預測專題研討會，本次參會的五位數據及相關領域專家包括：Sanjmo 的桑吉夫?莫漢（Sanjeev Mohan）、DB Insight 的托尼?貝爾（Tony Baer）、ISG 軟件研究的戴夫?門寧格（Dave Menninger）、BARC 的凱文?皮特里（Kevin Petrie），以及 Blue Badge Insights 的安德魯?布魯斯特（Andrew Brust）。

按照慣例，在進入正題前，我們先分享來自企業技術研究公司（Enterprise Technology Research, ETR）的調查數據，以凸顯行業的巨大變化。ETR 每季度對 1700 多位信息技術決策者開展支出意向調查，接下來我們將聚焦機器學習/人工智能領域，展示其發展態勢。下圖展示了各行業的支出情況：縱軸為凈得分（Net Score），即行業內的支出 momentum；橫軸為滲透率（Pervasion），基于客戶賬戶滲透情況計算。數據可追溯至 2024 年 4 月，圖中 40% 的紅線代表極高的支出增速。如你所見，盡管近期支出 momentum 略有放緩，機器學習 / 人工智能仍領先于所有行業。

圖1 行業支出態勢（2024年4月- 2026年1月）（圖表說明：縱軸為行業支出凈得分，橫軸為行業滲透率；機器學習 / 人工智能行業始終處于高支出增速區間，高于容器編排、數據庫 / 數據倉庫軟件、云計算等其他行業）

支出momentum的放緩或許表明，我們仍需要更優質的人工智能技術。Workday本周發布的一項調查顯示，85%的受訪者表示人工智能每周能為其節省1-7小時，但超過三分之一的節省時間被用于修正錯誤、重寫和驗證內容，僅有14%的受訪者稱人工智能能持續帶來積極成果。

盡管如此，ETR 數據顯示，過去六個月行業仍取得穩步進展。

圖2 企業人工智能應用場景調查（樣本量 N=1746）

調查周期：2025年7月—2026年1月

調查問題：在當前經濟環境下，貴公司如何利用人工智能解決人才短缺、提升生產力或推動商業模式創新？

（圖表說明：受訪者選擇分布為：通過自動化或任務增強提升員工生產力（61%）、借助人工智能驅動的分析與洞察支持員工決策（55%）、通過新的人工智能賦能服務或產品變革商業模式（25%）、通過特定職能或角色中的人工智能應用限制未來人員編制增長（30%）、通過人工智能減少現有人員編制（6%）、戰略性利用人工智能開展這些領域的應用（7%）、目前未在這些領域利用人工智能（15%）、不確定（8%）、其他（2%））

當被問及如何利用人工智能時，1700多位受訪客戶仍將生產力提升、決策支持和業務轉型列為主要收益，且提及比例逐步上升。值得注意的是，自去年7月以來，“限制未來人員編制增長” 的選擇比例顯著上升，從開始時的21% 增至如今的30%。

最后，我們來看行業內主要參與者的表現——其中部分企業我們今日將重點討論。

下圖維度與前文一致：縱軸為支出增速，橫軸為客戶賬戶滲透率，但呈現了一些顯著變化。右下角的圖表展示了數據點的繪制方式 —— 凈得分與調查樣本量（Ns），需注意的是，紅線以上區域代表極高的發展 momentum。

機器學習 / 人工智能領域主要參與者現狀（2026 年 1 月）

（圖表說明：OpenAI 和微軟盡管近期面臨一些負面輿論，但在客戶賬戶滲透率和支出增速方面仍處于領先地位；Meta 的 Llama 從第一大增長動力企業大幅下滑至紅線以下，而 Anthropic 則蓬勃發展；亞馬遜云科技與谷歌仍處于激烈競爭中，谷歌正逐步縮小與亞馬遜云科技的差距；Snowflake 兩年前在機器學習 / 人工智能領域尚無人問津，如今與 Databricks 不相上下，其中 Databricks 的支出增速更高，而 Snowflake 的客戶賬戶滲透率略勝一籌；TensorFlow 并非供應商，傳統企業參與者則扎堆競爭，試圖在市場中保持相關性） 

核心結論是，行業格局仍在不斷變化，客戶必須在紛繁復雜的環境中明辨方向、做出抉擇。 

從 2025 年評級到 2026 年預測 

基于以上背景，先我們來回顧2025年的預測情況。下表匯總了 Data Gang 各位分析師 2025 年的所有預測。（篇幅有限，全文請留言申請） 

參考2025的預測情況，我們2026年預測的具體形式為：每位指定分析師提出一項預測，隨后由其他 1-2 位分析師發表評論。如下表所示，2026 年的預測均與數據相關（或至少密切相關），涵蓋情境、語義層、服務化軟件等主題，同時包括對 OpenAI 的質疑以及治理作為阻礙因素的觀點。接下來，我們深入探討這些預測。

2026 年 Data Gang 預測表 

2026 年預測：桑吉夫?莫漢 ——“情境至關重要” 但2026年將浪費在 “情境圖譜” 的爭論上

桑吉夫?莫漢將其2026年展望描述為一次 “中途調整” 的結果。他最初的本能是預測 “整合” 敘事的延續 —— 更多的整合與并購活動，例如 Snowflake 收購 Observe，并認為行業敘事已不再僅僅是 “數據作為基礎設施”。但在2026年初，他發現了另一個趨勢。靈感來自LinkedIn上一篇題為《下一個萬億美元機遇是情境圖譜》的論文，隨后該平臺上關于情境圖譜的日常討論 “爆發式增長”。這種話語轉變促使他提出了這一 “雙向” 預測。

一方面，莫漢表示 “絕對 100% 確信”，大型語言模型——以及他提到的大型行動模型—— 要有效發揮作用并取得成功，必須依賴情境。另一方面，他預測行業將浪費2026這一年的時間，陷入對情境圖譜的爭論之中，最終 “無法取得實質性進展”。在他看來，這一模式似曾相識：一個宏大概念、明確的瓶頸，但實際落地情況薄弱。他將其與數據網格（data mesh）相提并論——一個極具吸引力的理念引發了廣泛爭論，但缺乏持久、可復制的應用模式。

莫漢的批評核心在于，情境圖譜缺乏基本基礎：沒有公認的標準、沒有一致的實施模型，也沒有穩定的定義。他提出了一系列尖銳問題，旨在揭示言辭與工程實踐之間的差距：例如，如何確定我擁有 “核心情境圖譜”？是否存在相關標準？是否有統一的存儲方式？他認為行業無法就定義達成共識，如今 “情境圖譜” 這一術語的定義過于寬泛，這將導致供應商和行業社區產生大量噪音，卻難以取得相應的進展。

為使概念更具體，莫漢區分了知識圖譜與他認為大型語言模型將受益的情境類型。他認為，知識圖譜有助于處理傳統交易數據 —— 誰在何時購買了什么 —— 但通常無法解釋 “為什么”。而 “為什么” 存在于交易系統之外，如網絡搜索、日志、電子郵件和支持互動等數據中。在他的框架中，當這些信號與傳統企業數據相關聯時，情境便應運而生，形成更豐富的圖景。然而，他的預測并非認為這一問題將在 2026 年得到廣泛解決；而是認為每家公司都會宣稱擁有情境圖譜，但行業 “不會取得真正的成功”。

托尼?貝爾的回應：情境難以界定，人工智能或可助力構建，但挑戰真實存在

托尼?貝爾認同莫漢的判斷，并通過比喻進一步補充了批評意見。他認為 “情境極具模糊性”，難以在操作層面進行定義 —— 你 “看到時能認出它”，但很難提前清晰地描述它。貝爾表示，莫漢的預測反映了行業在知識圖譜方面面臨的同樣困境 —— 試圖理解知識是什么以及如何構建知識體系。

貝爾分享了其播客搭檔蘇迪爾?哈斯貝（Sudhir Hasbe，來自 Neo4j，前谷歌員工）的適度樂觀觀點。正如貝爾所說，兩人的核心觀點是人工智能可以幫助指導整合過程。他將其類比為語言模型可以檢查數據庫，并就模式、索引和相關操作決策提出建議。在貝爾看來，人工智能可能在構建和組織情境方面發揮一定作用，但他 “完全” 同意莫漢的觀點，即行業將在 2026 年陷入對情境定義的糾結之中。

小組評論：爭論與實施的差距，以及構建企業 “四維圖譜” 的難度

小組其他成員的評論進一步強化了概念與執行之間的差距。大家普遍認為，相關討論將大量涌現，但實際實施卻寥寥無幾，這與桑吉夫的核心觀點一致。

討論隨后擴展到研究界內部的不同觀點：一派認為企業必須下苦功構建企業知識圖譜或 “四維圖譜”—— 涵蓋人員、地點、事物和流程，類似于企業的數字化表征，并引用了 Palantir 的相關方法和 Celonis 的案例；另一派則認為，這一問題過于復雜，無法通過人工大規模解決，人工智能需要承擔更多繁重工作 —— 這與貝爾提出的 “人工智能可助力實現目標” 的觀點相呼應。

2026 年預測：托尼?貝爾 —— 語義層比情境更 “可行”，將固化為 “語義影響圈”

托尼?貝爾將其 2026 年預測定位為對情境圖譜爭論的務實回應。在他看來，語義比情境更具可行性，這主要是因為語義是 “已知量”，擁有數十年的實踐基礎。他回顧了 BusinessObjects Universe 時代，指出語義層當時的功能類似于指標存儲庫，旨在避免團隊每次進行報告時都 “重復造輪子”。

貝爾的觀點并非語義能徹底解決情境問題，而是語義 “能在很大程度上推動問題解決”，但 “無法完全實現” 情境構建。他強調的實際洞察是，去年對 “優質數據” 的關注被證明是不夠的 —— 關鍵在于獲取 “正確的數據”，而這必然要求明確數據的含義和相關性。他對比了商業智能時代的語義層與現代人工智能的需求：商業智能在 “圍墻花園”（數據倉庫 / 數據集市）內運作，相關性是隱含的，因為數據是為特定問題精心篩選的；而在人工智能時代，這一邊界不復存在 —— 系統需突破 “圍墻花園” 的限制，因此情境必須明確，而貝爾認為語義是將這一能力投入實際應用的關鍵一步。

基于此，貝爾預測行業將重新聚焦語義層和指標存儲庫，并將其與大型企業應用供應商在人工智能時代的影響力擴展聯系起來 —— 這些供應商必須與其他系統實現互操作。他稱，SAP、ServiceNow、Salesforce 和 Workday 等供應商 “一直擁有自己的語義體系”，但在歷史上，它們 “像保護源代碼一樣小心翼翼地守護著這些語義”。

他認為這種情況正在改變。作為證據，他指出 SAP 正致力于協調其應用產品組合中的數據模型，并將其打包為 SAP 所稱的 “數據產品”—— 這些資產不能簡單導出，但可以在 “駐留于 SAP 內部” 的前提下實現共享。貝爾認為這是 SAP 與 Databricks 合作關系的核心，強調這兩家 “極具獨立性的公司” 之間的合作機制具有重要意義。

小組要求他 “直奔主題”，談談 OSI（開放語義交換框架，Open Semantics Interchange）。貝爾將 OSI 比作開放系統互聯（Open Systems Interconnect）模型，其目的是使語義能夠在不同主體之間移植和解讀。在貝爾看來，OSI 使一個組織能夠定義諸如 “客戶” 之類的概念，并讓另一個系統按預期解讀該定義，從而有效統一概念界定。他表示，OSI 基于 dbt Labs 開發的框架，“有點像公開指標存儲庫”。在他看來，若非語義正成為定義人工智能系統所使用的大部分情境的核心，OSI 框架 “根本不會出現”。

貝爾還提到了兩個相關趨勢 —— 本體論（ontologies）在 “邊緣領域” 的早期進展（他認為這是自然延伸），以及微軟在 Fabric IQ 中開展的相關工作。但核心預測方向明確：語義影響圈不僅正在興起，還將在 2026 年逐步固化，并將塑造組織使用數據和人工智能的方式。

托尼?貝爾的核心觀點是，語義層是行業當前最可行的 “下一步”，比情境圖譜更易實現。成功者將不僅利用語義標準化指標，還將借助語義擴展人工智能時代生態系統中的互操作性和持久影響力。

戴夫?門寧格的回應：語義至關重要，但以 SQL 為中心的方法無法捕捉業務規則

戴夫?門寧格認同貝爾關于語義和情境對人工智能成功的重要性的觀點，但也提出了警告。他引用其團隊的數據分析研究稱，組織在人工智能應用中面臨的首要數據挑戰是數據可用性，而語義和情境是這一挑戰的重要組成部分（盡管并非全部）。門寧格承認，已有多家供應商聲稱支持語義模型，且許多供應商宣布支持 OSI，這表明行業確實取得了一定進展。

他的批評聚焦于這些努力所采用的核心機制 —— 以 SQL 作為捕捉語義的語言。在門寧格看來，SQL “不足以” 表達大多數企業運營背后的業務規則。他認為，若沒有更豐富的表達語言，就無法為人工智能系統提供所需的全部情境。他的結論是，語義正成為熱門投資領域，行業確實取得了實際進展，但要徹底解決這一問題，仍 “有很長的路要走”。

小組評論：語義層作為抽象層、大型語言模型的防護欄，以及邁向完整情境的中間步驟

小組評論強化了語義層 “既古老又具新相關性” 的觀點。有評論認為，如今的語義模型與數十年前所謂的 OLAP 立方體并無本質區別，其價值在于當多個數據源導致歧義時，語義層能提供一個抽象層和統一的定義體系 —— 防止大型語言模型在多種相互沖突的解讀中 “隨意選擇”。從這個意義上說，語義層是一種實用的防護欄，因為大型語言模型 “有編造含義的壞習慣”，除非定義明確。

語義被視為邁向完整情境的 “良好開端”—— 超越指標存儲庫，涵蓋維度、類別和實體定義（產品、客戶、訂單等）。但小組也強調了語義的局限性，包括無法覆蓋時間要素和更豐富的關系，這與門寧格提出的 “SQL 存在不足” 的擔憂相呼應。盡管如此，小組普遍認為，語義層是許多客戶尚未邁出的中間步驟，而那些已經建立語義規范的企業，在開展大規模人工智能項目之前，就已在人工智能領域占據了領先優勢。

2026 年預測：戴夫?門寧格 —— 軟件即服務（SaaS）供應商承壓，服務提供商蓬勃發展

戴夫?門寧格 2026 年的預測聚焦于一個他認為將日益凸顯的市場張力：智能體人工智能的需求增長速度遠超商業軟件工具的可靠支持能力，這將為服務提供商（尤其是全球系統集成商）創造發展機遇，而傳統軟件即服務（SaaS）供應商則將面臨壓力。

門寧格的預測始于一個現實判斷：他認同行業正取得 “巨大進步”，但強調關鍵能力的構建 “需要時間”，“我們尚未完全準備就緒”。與此同時，“智能體人工智能無處不在”，其最直接的應用場景之一便是軟件平臺本身。門寧格指出，供應商正將智能體嵌入其產品中，以自動化任務或幫助用戶完成工作，這種方式 “進展順利” 且 “取得了成功”。

但在他看來，更艱巨的挑戰是從嵌入式產品智能體邁向能夠跨組織處理各類事務的通用智能體能力 —— 這 “確實是一項巨大的挑戰”。

他引用了其調查中的應用數據來支撐這一觀點：在涵蓋約 1200 個用例的調查中，約 32% 已投入生產 —— 較一年前的 15% 有所上升 —— 這意味著仍有三分之二的用例尚未落地。門寧格將這一差距直接歸因于小組討論中反復提及的各種限制因素，并補充了一個具體事實：大規模構建和運營智能體所需的工具棧尚未成熟。

為量化工具就緒度，門寧格引用了對 “數十家” 人工智能平臺供應商的評級結果：

• 僅有 17% 的供應商在智能體設計工具方面獲得 A 級及以上評級；

• 僅有 11% 的供應商在智能體評估工具方面獲得 A 級及以上評級。

他提出疑問：如果沒有支持智能體構建和部署的基本工具，如何能實現智能體的大規模應用？他的結論是，現成的商業工具尚未準備好投入大規模應用。他以當天參加的一場供應商簡報會為例：供應商的路線圖聽起來很有吸引力，但相關能力仍處于 “規劃中”，“尚未推向市場”。

這帶來的經濟和競爭影響是，隨著智能體人工智能 “成為熱門”，企業不會等待打包工具的成熟。門寧格表示，其研究顯示，定制工具目前是人工智能應用中第二常用的工具類型，這自然為那些能夠設計、集成和運營定制化解決方案的組織帶來了優勢。他對比了應用供應商向客戶傳遞的信息 —— 例如 SAP 宣傳其 “150 個 Joule 智能體” 已嵌入業務應用 —— 與系統集成商在幕后的實際行動。

根據其同事對服務提供商的了解，門寧格表示，他們接觸的全球系統集成商（GSIs）已構建了數百個，甚至數千個人工智能智能體。這些智能體的復雜程度各不相同，但他強調，大多數智能體比通用工具更具針對性，能夠更快地實現生產級成果。由于無需 “全面出擊”，它們可以限定問題范圍、快速交付，更迅速地為企業客戶創造價值。

在門寧格看來，企業對智能體實際成果的迫切需求，加之商業工具的不成熟，將使 2026 年成為服務提供商蓬勃發展、軟件即服務（SaaS）供應商承壓的一年。這并非因為智能體本身失敗，而是因為運營落地的重任將價值轉移到了那些能夠提供集成、定制和部署服務的主體身上。

凱文?皮特里的回應：集成復雜性是核心障礙 —— 這正是系統集成商的專長領域

凱文?皮特里認同門寧格的評估，并引用其研究指出，集成復雜性是智能體工作流成功落地的主要障礙。他認為，許多組織明白，要獲得真正的收益，需要將多個功能整合到多步驟的智能體工作流中，而這一需求 “恰好是系統集成商（SI）的專長領域”。

皮特里還引用數據指出咨詢公司和系統集成商面臨 “發展順風”，他提到了肖恩?羅杰斯（Shawn Rogers）和默夫?阿德里安（Merv Adrian）近期的一份報告，核心發現是：企業對外部咨詢公司的滿意度高于內部 IT 部門。他承認這一現象 “并非史無前例”，但強調這一數據進一步印證了系統集成商在企業跨系統整合智能體工作流過程中的重要價值。

2026 年預測：凱文?皮特里 —— 隨著市場重新評估風險與轉換成本上升，OpenAI 或遇挫折

凱文?皮特里 2026 年的預測直接挑戰了市場對 OpenAI 傳聞中 1000 億美元融資的投資熱情。他認為，OpenAI 的風險高于市場定價，可能會遭遇挫折。皮特里的預測基于他在創新熱潮中反復觀察到的歷史模式 —— 快速采用和過度興奮會導致技術人員和投資者忽視基本風險。

皮特里從個人職業經歷出發，表達了他的質疑。他最初是一名財經記者，在互聯網泡沫時代見證了 “眼球數量比利潤更重要” 等指標最終崩盤；他還將當前情況與 2005 年進行對比 —— 當時散戶投資者將債務抵押債券（CDOs）視為降低抵押貸款投資風險的途徑，這是另一個風險本質被誤解的案例。他的核心觀點并非歷史會完全重演，而是人性會不斷重復：在繁榮時期，風險往往被低估，直到突發危機。

在此基礎上，皮特里認為，無需工商管理碩士（MBA）學位，僅憑 “數據” 和對公司抱負規模的了解，就足以對 OpenAI 產生擔憂。他承認 OpenAI 取得了 “令人矚目的成功”，并列舉了多個規模指標：7 億用戶（約占全球人口的 8%）為周活躍用戶，已融資 600 億美元 ——“超過任何一家私營公司”。他最關心的是接下來的發展：OpenAI “計劃再融資 1000 億美元”，他稱這一舉措 “相當大膽”，并指出這一金額將超過任何一家公司在公開市場的融資規模。

皮特里隨后轉向資金使用方式及其對可持續性的影響。他估計，OpenAI 2025 年的收入約為 130 億美元，最終營收率可能達到 200 億美元，但虧損規模超過了收入。他引用從微軟財務數據和其他渠道推斷的信息稱，僅第三季度的虧損就高達 110 億美元。他還提出了一個進一步的擔憂 —— 明確表示這一觀點帶有推測性 —— 即 OpenAI 可能 “在每項推理任務上都在虧損”，這意味著其運營利潤率為負，成本結構面臨巨大壓力。

皮特里更核心的戰略批評是，OpenAI 為追求通用人工智能（AGI）做出了巨額基礎設施投入，而這可能與近期從業者的需求不匹配。他表示，OpenAI 已簽署意向書，計劃新增 1.3 萬億美元的數據中心容量，用于訓練 “超智能模型”，但他的數據顯示，從業者當前最需要的是數據質量提升、集成支持和更專業的人才培訓 —— 而非通用人工智能。他還聲稱，OpenAI“欠甲骨文（Oracle）300 億美元”，并認為這將導致一種尷尬局面：可能需要通過新的融資來履行現有承諾。

皮特里將 OpenAI 的處境與谷歌進行了對比。在他看來，Gemini 現在的模型性能已 “不相上下”，且谷歌可以用現有現金為投資提供資金，無需依賴大規模融資。他對 OpenAI 的戰略方向提出質疑：在大規模押注通用人工智能的同時，還試圖涉足芯片制造領域，并與博通（Broadcom）合作設計芯片。他認為 OpenAI 應 “更加專注”，并以 Anthropic 作為對比對象：Anthropic 更聚焦于安全問題，安全 “事故” 更少，戰略更清晰。皮特里還提到了盈利時間表 —— 據他回憶，Anthropic “預測 2027 年實現盈利”，而 OpenAI 則為 “2029 年”。

他對企業數據和人工智能領導者的建議是，在與供應商合作前，應就供應商穩定性提出根本性問題，因為轉換成本正在上升。皮特里認為，由于模型能力相關的元數據以及模型與治理架構的集成方式，更換生成式人工智能模型變得越來越困難。這意味著當轉換成本高昂時，供應商風險會增加，而在他看來，OpenAI 的風險 “遠高于 Anthropic 或谷歌等替代方案”。

安德魯?布魯斯特的回應：OpenAI 擁有品牌影響力和先發優勢，但行業競爭格局不斷變化

安德魯?布魯斯特在很大程度上認同模型領導地位具有流動性，但反對僅基于當前技術水平評估 OpenAI 的地位。他觀察到，他認識的許多專業人士正在使用 Anthropic/Claude，并認為其性能更優，甚至將 Claude Code 用于非編程任務，將其作為個人和商業人工智能工具。但他警告稱，基礎模型供應商 “每隔幾個月就會相互超越”，因此很難根據當前情況判斷最終贏家。他以谷歌的復蘇為例：許多人曾認為谷歌落后，但如今 Gemini “正處于鼎盛時期”。

布魯斯特還認為，OpenAI 擁有一種獨特的先發優勢 —— 品牌默認效應。他將其比作 “舒潔（Kleenex）” 或 “谷歌（Google）” 這類成為通用動詞的品牌。他分享了一個軼事：年輕用戶將 ChatGPT 簡稱為 “Chat”（“我在 Chat 里查了一下”），并指出這與企業中 “影子人工智能”（通常是 ChatGPT）的普及有關 —— 人們在家中就開始使用 ChatGPT，對其感到熟悉和舒適。他認為這一優勢可能在未來產生重要影響。

最后，布魯斯特引用了一個歷史類比：亞馬遜曾長期虧損，被視為 “資金黑洞”，但最終通過在電商市場的市場份額和先發優勢取得了成功。這意味著，若能將用戶采用轉化為可持續優勢，長期虧損并不一定意味著企業會失敗。

小組評論：亞馬遜的 “第二曲線”、盈利模式、使用份額，以及 OpenAI 是否 “大而不倒”

小組的評論進一步拓展了這場辯論。例如，有評論指出，亞馬遜的零售業務實現了盈利，但真正的利潤來自亞馬遜云科技（AWS）—— 這是其 “第二曲線”。若沒有亞馬遜云科技，亞馬遜可能只是 “一個更大的沃爾瑪在線”。這一評論表明，OpenAI 面臨的真正問題是能否構建類似的相鄰盈利引擎，以及當前舉措（如購物領域的應用）是否顯示出相關跡象。另有評論更直接地質疑其盈利模式：廣泛使用并不等同于付費使用（“他是否為此付費？”）。

小組討論還引入了使用數據，使競爭分析更加復雜。在提及包含 1200 個用例的同一數據集時，盡管 “定制工具” 是第二常用的工具類型，但最常用的工具是 ChatGPT。Gemini 和 Claude 的使用份額約為 OpenAI 的三分之一。

另一個被提出的問題是：OpenAI 是否 “大而不倒”？這一問題強化了一個觀點：規模和默認地位可以帶來獨立于短期盈利能力的韌性。盡管政府不太可能在 OpenAI 陷入嚴重困境時出手相救，但行業集體（英偉達、微軟等）很可能會介入支持。

小組其他評論進一步拓展了成本相關的辯論，認為隨著基礎設施的完善，推理成本可能會大幅下降，這將隨著時間的推移改變單位經濟效益。同時，小組也再次強調了 OpenAI 雄心所隱含的營收增長軌跡的規模 —— 稱所需的增長 “令人難以置信”。事實上，部分預測顯示，OpenAI 到本十年末的收入將超過 3000 億美元。

經過一番辯論，我們讓皮特里對其預測做出最終總結。他澄清，關于推理業務運營利潤率為負的說法是推測性的，并指出這一觀點來自評論員埃德?齊特龍（Ed Zitron）—— 一位 “略帶人工智能懷疑態度” 的人士。埃德在 11 月撰文稱，據他估計，OpenAI 當年的推理成本超過了收入。皮特里表示，這一信息僅作為擔憂的背景，而非確鑿的財務聲明。

總體而言，皮特里的預測核心是：盡管 OpenAI 的用戶采用率和文化影響力無可否認，但巨額資金投入、龐大的承諾和廣泛的戰略布局帶來了顯著的風險。隨著轉換成本上升和治理架構圍繞選定供應商固化，數據和人工智能領導者不能忽視這一風險。

2026 年預測：安德魯?布魯斯特 —— 由于治理無法跟上自主性發展，企業人工智能將陷入停滯

安德魯?布魯斯特 2026 年的預測是一個警示：企業人工智能的發展將在今年陷入停滯 —— 并非因為模型尚未成熟，而是因為治理體系不完善。在他看來，人工智能能力正 “飛速發展”，而相關管控措施卻滯后不前，企業無法長期容忍這種日益擴大的差距。其結果是：實驗活動激增，試點項目不斷推出，但當風險上升時，大規模部署將放緩甚至逆轉。

布魯斯特的論點始于一個前提：企業在基礎管控方面有明確標準，但智能體人工智能的發展速度已超過這些管控措施的構建和運營落地速度。他強調的關鍵缺失環節包括：控制自主水平的具體機制、工作流審批流程、生命周期治理，以及部署前的智能體測試能力。布魯斯特認為，在這些機制到位之前，圍繞語義、情境和智能體工作流討論的諸多生產力提升仍將主要停留在理論層面。他的理由是，缺乏規范約束的情況下，“幾乎任何事物都可能失控”，而如果智能體失控，它們可能會被部署后又被撤回，因為 “相關責任風險過于廣泛”。

桑吉夫?莫漢的批評

桑吉夫?莫漢的后續評論并未否認治理是阻礙因素，但對 “治理會阻止人工智能發展” 的觀點提出了質疑。莫漢認為，人工智能 “無處不在，無法阻擋”，因此企業將通過選擇風險較低、影響范圍較小且危機場景較少的用例，來規避治理缺口。他認為，2026 年可能是 ChatGPT 推出以來，行業首次在治理方面取得實質性進展的一年 —— 恰恰因為風險已明顯到不容忽視的程度。

然而，莫漢也認同布魯斯特的部分預測，并引用了當天與一家大型供應商的簡報會內容：治理相關問題成為焦點，該供應商坦承其在治理方面的進展未達預期 ——“目前尚無成熟的解決方案”。在莫漢看來，這一坦承本身就證明治理滯后于市場能力發展，但同時也表明行業已開始將治理視為首要問題。

隨后，討論擴展為一系列小組評論，核心主題是：企業部署的并非智能體本身，而是問責制和智能體系統。有評論強調 “重力效應”—— 只有當供應商推出符合企業風險狀況的治理方案時，智能體的采用率才會提升；即使企業強行推進部署，如果智能體無法得到規范管控，失望情緒也會導致部署放緩。另一條評論將當前階段比作 “需要自行組裝的圣誕禮物”—— 治理不會完全阻止部署，但企業必須自行解決缺失的環節，才能實現生產級應用。

小組還提出了其他實際問題。大家普遍認同，智能體浪潮仍處于早期階段 —— 智能體進入主流討論僅約 18 個月，現在期望其成熟并不現實。更切合實際的預期是，智能體將首先出現在定義明確、獨立完整的流程和特定用途場景中（例如數據科學智能體），而關于近期將實現企業范圍內廣泛 “智能體轉型” 的說法可能言過其實。相關評論還指出，目前被算作 “生產級智能體” 的很多應用，實際上是現有軟件中的智能體功能，而非跨系統運行的自主多步驟工作流。

除治理外，小組還指出，企業人工智能的機遇是真實存在的，但阻礙因素是多維度的。評論提到，在過去一年半中，數據質量已成為首要障礙，同時還存在 “人員問題”—— 例如培訓員工、構建確保企業持續應用的運營模式等。小組還注意到，企業內部知識工作者的人工智能使用率可能正在下降 —— 原因包括就業安全焦慮、缺乏焦點以及缺乏可復制的流程 —— 這進一步印證了治理和運營模式成熟是成功部署的前提。

總之，布魯斯特的預測凸顯了企業技術領域的一個普遍真理：缺乏治理會導致風險，而風險會導致發展停滯。盡管如此，共識是人工智能不會為治理而暫停發展，因此企業將通過限定用例來規避治理缺口，同時行業將構建智能體規模化應用所需的問責體系。

感謝各位專家的深刻預測。我們明年將再次相聚，評估這些預測的準確性，并展望本十年后半段的精彩發展。