Gartner 2027 十大技术趋势：AI 会写代码了，企业却还没学会管它

“今天的 AI 可能是世界上最聪明的数字员工，但进入企业后，只有 3 秒钟的记忆。”Gartner 研究副总裁高挺用这句话概括企业 AI 的尴尬：模型能写代码、能调工具、能执行任务，却不了解公司的业务规则、历史决策和当下正在发生什么。

一分钟速览

• Gartner 于 11 月 3 日发布 2027 年十大战略技术趋势，主线从“AI 原生开发”转向“自主智能体治理”。
• 十大趋势被归为三个方向：突破语言模型边界的非文本 AI、管理自主智能体的平台、构建长期技术自主权的基础设施。
• Gartner 预测，到 2027 年，优先做好 AI 就绪数据语义的企业，代理型 AI 准确率最高可提升 80%，成本最多降低 60%。
• 到 2028 年，拥有 AI 编码智能体框架的企业，上线后软件缺陷将比没有框架的企业少 60%；25% 的企业安全事件可追溯至 AI 智能体滥用。

趋势一：AI 不再只处理文字

大语言模型擅长文字，但企业业务里还有大量数值计算、语音交流和物理世界的问题。Gartner 因此把“非文本 AI”放在第一组趋势里，其中最重要的是大型定量模型（LQM）、语音推理模型和世界模型。

LQM 不是“更大的语言模型”，而是针对复杂计算和数值预测设计的模型。它从观测、实验和仿真数据里学习真实系统的运行规律，更侧重数学关系、物理约束和复杂系统建模。Gartner 的判断是，LQM 不会替代大语言模型：简单算术没必要专门调用 LQM，但在汽车空气动力学、能源调度、风险建模等场景，LQM 能给出更可靠的预测。企业可以采用混合架构，让语言模型理解需求、拆解任务，LQM 负责模拟计算，再用传统求解器复核关键结果。到 2030 年，LQM 预计将在 25% 的预测和建模任务中取代大语言模型。

语音推理模型改变的是交互路径。过去，语音系统要先把声音转成文字，再交给语言模型理解；原生语音模型直接处理音频，保留语气、情绪和停顿。客户说一句“好吧，就这么办”，单看文字很难判断是满意还是勉强接受，结合语调就能读出真实意图。Gartner 预测，到 2030 年，超过 70% 的企业语音交互将由语音模型自主处理，而 2026 年这一比例还不到 10%。

世界模型则试图让 AI 理解物理世界，并预测“采取某个行动后会发生什么”。语言模型能解释杯子为什么掉下去会碎，世界模型要预测杯子从不同方向被推后会怎么运动、是否掉落、撞到什么。难点在于仿真到现实的鸿沟：虚拟环境里的摩擦力、传感器误差、设备磨损与真实世界并不一致。Gartner 预测，到 2030 年，40% 的机器人应用将引入世界模型，而 2025 年还不到 1%。短期内，仓储物流、搬运、分拣、生产线等标准化场景更可能先跑出商业价值。

趋势二：给智能体建“入职培训”和“身份证”

模型能力越来越强，企业却未必能直接受益。原因不是模型不聪明，而是它不知道企业的业务规则。AI 上下文平台要解决的正是这个问题：连接实时数据、知识和业务规则，为智能体提供统一的业务语义，让 AI 不仅理解任务，还知道企业当前在做什么。

高挺把它比作新员工入职培训。一个能力很强的人，如果不了解公司业务、客户和工作流程，也无法独立处理复杂任务。智能体同样需要一份“企业说明书”。Gartner 预测，到 2027 年，优先做好 AI 就绪数据语义的企业，代理型 AI 准确率最高可提升 80%，成本最多降低 60%。

但高挺对“上下文平台会不会成为独立基础设施市场”给出了不同判断：他认为不会。企业真正的壁垒，是自身积累的数据、业务规则和历史决策经验，而不是买一套通用上下文产品。他把企业 AI 体系分成三层：底层是模型，企业主要负责选供应商；中间是智能体，可以通过 Harness 和 Skill 形成一定差异化；最上层是企业自己的数据和上下文，这才是最难复制的部分。即使两家公司同处一个行业，业务流程和决策经验也可能完全不同。

比上下文更棘手的是身份。企业需要为每个智能体建立唯一身份、明确权限和对应的人类负责人，而不是让智能体借用员工账号，更不能让权限在不同智能体之间随意传递。高风险操作要设置人工审批，并根据任务和上下文动态授权。Gartner 预测，到 2028 年，25% 的企业安全事件将追溯至 AI 智能体滥用。

趋势三：AI 写代码快过人类审核，怎么办

AI 编码智能体已经把“写代码”的速度拉到人类审核跟不上的程度。Gartner 的判断是，到 2028 年，拥有 AI 编码智能体框架（Harness）的企业，上线后的软件缺陷将比没有框架的企业少 60%。Harness 的作用，是约束 AI“应该怎么做”：用什么工具、遵守什么规范、在哪一步必须停下来等人确认。

不过，高挺并不认为 Harness 会一直重要。随着模型能力提升，今天需要复杂提示词、Skill 和控制框架才能完成的工作，未来可能一句简单指令就能做好。因此，企业不应把某一种控制框架当成永久壁垒，而应把业务规范、开发标准和验证能力沉淀下来。框架会过时，规范不会。

安全侧的另一项趋势是自主式暴露修复（AER）。它把资产盘点、漏洞发现、验证、修复方案生成、测试和上线连成一条链，让企业从“发现问题”转向“快速修复”。Gartner 研究显示，漏洞平均需要约 50 天才能修复；而 AI 同时加速了漏洞发现和攻击，人工修复越来越难跟上。Gartner 预测，到 2030 年，三分之一的组织将借助人机协作的自动修复，在 48 小时内持续处理高度可利用的安全暴露。

软件生意会被改写，但不是全部

Gartner 还提出“可抛弃型应用”：企业针对短期、特定需求即时生成应用，任务完成就主动退役。过去软件开发维护成本高，企业倾向于买一套系统长期使用；当 AI 把开发成本压下来，一次产品发布、一场临时营销活动、一次年度财务核对，都可能不再需要购买和维护长期软件。Gartner 预测，到 2031 年，80% 的新应用将是可抛弃、易于替换的。

这会冲击传统 SaaS，尤其是功能简单、差异化有限的工具型软件。但 ERP、CRM 等核心系统不会迅速消失。高挺强调，这类软件真正的壁垒不是代码，而是沉淀下来的行业 Know-how 和业务逻辑。制造业 ERP 里装着大量生产流程和管理经验，企业买的不是一套程序，而是长期积累的行业知识。受到冲击的，更可能是边缘化、标准化的需求。

可抛弃也不等于放任。IT 部门需要提供统一平台和安全护栏，把数据权限、版本管理和安全检查前置；应用退役后，其中有价值的部分仍应纳入长期系统。

企业真正要回答的问题

十项趋势里，还有主权技术和“湿件即服务”这类跨度更长的方向。前者强调企业从芯片、服务器、云平台到数据库、应用和模型，具备自主控制关键技术栈的能力；后者试图用活体生物组织构建神经网络，目前仍处于早期。

对 CIO 来说，Gartner 的建议可以概括为三句话：近期创造业务价值，中期建设核心能力，长期保留技术选择权。近期优先投入能改善运营效率、软件交付和智能体可靠性的技术；中期建设企业专有的数据、上下文和治理体系；对世界模型、生物计算等长期方向，用小规模试点和生态合作保持技术储备。

但比“选哪项技术”更重要的是角色定位。如果企业始终把 AI 当助手，潜台词就是认为 AI 不如人，需要人安排和检查每一项工作。可今天的 AI 在不少数字化任务上已经能达到甚至超过人的水平。继续沿用围绕人类员工建立的管理方式，很难释放它的生产力。企业需要重新定义人与机器的分工：哪些任务由智能体独立完成，哪些数据可以访问，哪些操作必须审批，出了问题由谁负责。模型能力仍然重要，但能不能让智能体安全、稳定地进入业务流程，才是下一阶段真正的分水岭。