Gartner：代理式AI最热，FDE被打“X”，上下文决定落地深度

作者：王聪彬

Gartner的技术成熟度曲线大家可能再熟悉不过，但你可能不知，它由技术炒作程度与技术或商业成熟度两条曲线叠加而成，展现的是先有波峰再进入低谷，最后缓慢爬升的技术发展规律。

以AI为例，上世纪80年代，符号主义AI盛行，日本、美国带动了专家系统的发展，90年代很多人认为当时的AI并不能达成人的预期，所以符号主义AI也进入冬天，随着专家系统逐渐成熟，现在也融入了日常生活中，例如在健康、医疗领域的应用。

30年后的AI已经有了翻天覆地的变化，AI从“符号主义”变为“神经主义”，像深度神经网络、Transformer、生成式AI，甚至是Diffusion模型，占据了如今AI技术的主流位置。

最近Gartner发布了最新的2026中国数据、分析和人工智能技术成熟度曲线。Gartner高级研究总监方琦表示，如果进一步观察这些技术在成熟度曲线上的位置，大致可以从五个维度来理解它们所处的发展阶段，包括物理AI、代理式AI、生成式AI、传统AI、扩展AI。

物理AI相关技术主要集中在成熟度曲线的左侧，目前大多处于“技术萌芽期”。这一阶段的典型特征是，早期产品展示和技术突破不断出现，媒体报道快速增加，资本和产业界也开始加大关注。不过，从技术验证到大规模应用，物理AI仍有较长的路要走。

代理式AI是当下关注度最高的技术板块。企业纷纷加大预算投入，厂商密集推出相关产品，AI智能体几乎已经成为市场的“标配”。如果企业尚未布局代理式AI，或厂商无法提供相应能力，很容易被视为落后于市场节奏。

相比之下，市场对生成式AI的认识正在趋于理性。随着大模型应用不断深入，企业已经不再期待通过简单提问，就能获得准确答案并解决复杂问题。大模型的能力边界逐渐清晰，企业对技术的判断也更加务实。相关探索仍在继续，但市场关注度已经从早期高点有所回落。

许多传统AI技术并没有出现在曲线上，但并不意味着它们失去了价值。因为计算机视觉、机器学习等已经发展多年的技术进入企业主流应用阶段后，通常曲线不再重点追踪。

成熟度曲线中还有一条贯穿多个阶段的主线“扩展AI”，这些技术较少成为媒体报道的焦点，但仍是企业非常关注的技术。核心是如何将AI“从10推到100”，推动AI从实验验证和局部试点走向规模化应用。

代理式AI：从个人工具走向企业流程

在绘制曲线时，Gartner向企业提出了一个问题，“您认为在未来3-5年内对贵企业会带来最大影响的AI类型是什么？”大家普遍还是认为在这五类里，代理式AI是对企业可能会生成未来3-5年、未来、中长期会带来最大影响的。

“龙虾”的火爆也是代理式AI受到关注的证明。从企业实践来看，代理式AI主要有两条落地路径：自下而上和自上而下。

自下而上的路径，主要是面向个人智能体。过去12个月，“龙虾”、WorkBuddy、千问办公、豆包工作等产品陆续出现，主要面向个人用户，帮助完成具体任务、提升工作效率。这类智能体迭代速度快，自主性较强，对错误也有一定容忍度，最终责任仍由使用者承担。

企业就绪智能体则需要围绕业务流程和KPI运行，具备审计能力和更确定的行为边界，同时与企业系统深度集成，并经历开发、测试、预生产和生产等完整的部署与治理流程。目前，市场上的智能体大多仍以个人应用为主，距离企业级流程和KPI要求还有一定差距。

Gartner看到，一些企业选择先鼓励员工使用智能体，再从个人创新中提取共性能力，逐步将其纳入企业环境。

另一条路径是自上而下，从企业级场景和业务目标出发，重新梳理价值链和工作流程。例如，原有流程可能包含十个线性步骤，企业可以将其拆解，再通过智能体和规则管理各环节的依赖关系，让部分任务并行执行，提升流程的灵活性和适应性。

目前，自下而上的实践更多，自上而下的探索刚刚开始。但对于企业而言，真正能够改变业务流程、带来可衡量价值的则是后者。

FDE：落地模式的中国式考验

在扩展AI上，企业现在最关注的就是前沿部署工程师和上下文工程。中国数据、分析和人工智能技术成熟度曲线中，Gartner却把前沿部署工程师（FDE）被标注为未成熟即面临淘汰。

我们先来看看前沿部署工程师的概念，其是Palantir最早出现的一种应用落地的模式。FDE与传统的软件定制开发、咨询项目有所区别。第一，FDE强调工程师深入客户现场。Palantir早期主要服务美国国防部门，客户对数据安全要求极高，很多工作只能在受控环境中完成，因此需要将工程师前置到业务一线。随着业务向更多行业扩展，Palantir也开始将项目经验沉淀为产品。

第二，从项目流程来看，Palantir面对的往往是开放性目标。项目很难在开始阶段确定清晰的边界和交付结果，需要双方围绕一个长期目标持续探索。FDE模式能够在推进过程中不断确认需求、验证方案和调整方向，更适合应对这类高度不确定的联合创新项目。

第三，FDE模式与Palantir的获客和管理方式密切相关。Palantir通常直接接触企业董事长、总经理或CEO等核心决策者，通过快速沟通和原型验证展示业务价值，进而推动客户签约。来自企业最高决策层的支持，可以帮助项目跨越部门壁垒，调动数据、业务和技术资源。

OpenAI、Anthropic等大模型公司也在开始引入FDE，但Gartner认为，FDE模式难以直接复制到中国市场，主要基于FDE在中国市场面临的几项现实约束。

首先，中国市场缺少能够完整复制Palantir模式的厂商。FDE项目需要乙方直接接触甲方高层，获得足够的预算、资源和决策支持，并围绕一个长期目标持续推进。目前，能够同时具备高层触达能力、客户筛选能力和长期投入能力的厂商仍然有限。

其次，国内大量IT项目仍然采用项目制。项目启动前需要明确范围、交付内容、预算和验收标准，并通过任务书或SOW进行约束。FDE面对的是开放目标，项目过程中需要持续试验和调整。这种联合创新方式，很难被纳入边界清晰、按节点验收的传统项目体系，客户也未必愿意接受结果存在不确定性的合作方式。

第三，知识产权同样是一项现实问题。企业希望厂商帮助自己完成创新，却未必愿意看到相关经验被产品化后提供给其他客户。哪些能力属于客户，哪些经验可以由厂商复用，往往很难在项目初期划定清晰边界。

最后，FDE需要同时理解技术和客户业务，还要具备跨部门协调、产品设计和项目推进能力。这类复合型人才本身就十分稀缺，人天成本也非常高。在现有IT预算水平下，国内厂商很难为每个客户持续配置这样的资源。

综合以上因素，中国市场很难直接照搬Palantir的FDE模式。但企业对相关能力的需求并没有减少。无论岗位是否叫FDE，企业都需要有人推动AI从实验走向生产，将技术能力转化为实际业务价值。

Gartner调研显示，当企业被问及如何获得FDE能力时，选择最多的方式是内部培养，而非依赖互联网大厂或应用开发厂商。

“Palantir的FDE模式可能难以直接在中国市场复制，但中国企业有机会形成自己的路径。”方琦说道。具体模式可能有所不同，但企业要解决的问题基本一致：面对不确定的长期目标，如何通过内部创新或与外部伙伴联合共创，将项目经验沉淀为产品，再把产品复制到更多场景。

上下文工程：让智能体真正理解企业

上下文是FDE之后，另一个受到企业关注的方向。因为未来的信息系统不仅服务于人，也会被大量智能体调用。如何让智能体理解任务、获取知识并掌握业务状态，将直接影响其执行效果。

完整的上下文体系通常包括任务意图、通用知识、RAG、语义结构、持续存储数据、动态数据和交互历史等。不同类型的信息经过整合，形成智能体理解企业业务和执行任务所需的上下文。

目前一些企业已经将上下文管理纳入整体建设路径。例如，Verizon从L4级智能体治理逐步延伸至企业知识体系，让上下文贯穿智能体建设和应用过程，并形成相应的上下文架构。

从另一个角度看，上下文管理也是数据治理的延伸。传统数据治理主要覆盖主数据、业务数据和元数据，上下文管理则进一步扩展到代码、产品、目录、工艺、规则和流程等。企业需要统一管理结构化数据、非结构化数据，甚至物理世界的IoT数据，再将其整理成智能体可以理解和调用的上下文。

在此基础上，战略智能体、知识智能体以及未来的物理智能体，都可以复用同一套数据和上下文平台。

机器学习从实验走向生产，经历了约15年的探索，才逐步形成标准化、自动化的工程体系。如今，技术从单一模型发展到生成式AI、代理式AI和物理AI，精度、安全性与可靠性要求不断提高，规模化落地也更加复杂。正如Waymo创始人所说，一个能够运行的Demo最多只占全部工作的1%，真正的挑战在于此后漫长的性能优化和可靠性建设。

FDE的价值，正是帮助企业搭建一条可持续复用的AI“生产线”。现阶段，这条生产线还远未实现自动化，仍需要大量人工参与工程打磨和持续运营。对于企业来说，能否把一次实验沉淀为稳定的产品和流程，并复制到更多业务场景，将决定AI最终能够走多远。