IDC预测:到2028年中国企业四成生产级智能体将具备自我演进能力

内容摘要
不少企业将AI智能体推向生产环境,却常在上线数月后面临效果偏离与运维失控的隐患。IDC预测到2028年中国企业四成生产级智能体将具备自我演进能力,但这绝非可以“无人负责”。面对从单纯验证效果转向长期度量与治理的行业趋势,团队该如何依托任务记录、评估与人工反馈构建闭环,让智能体在变化中持续保持有效?
— 软盟官方网站文章导读

IDC 在 2026 年 11 月 19 日于北京举行的 IDC FutureScape 2027 中国区活动上给出的一项预测值得企业技术决策者注意:到 2028 年,中国企业 40% 的生产级智能体将具备自我演进能力。这一表述来自 IDC 集团副总裁钟振山在活动中的分享,属于面向 2028 年的市场预测,反映的是方向性判断,并不代表当前已有四成生产级智能体达到该状态。对正在把智能体从试点推向生产环境的团队而言,这条预测的实际价值不在比例数字,而在于它把“上线后如何持续评估、维护和修正智能体”推到了部署决策的前台。

围绕同一场活动,IDC 还给出了与投资口径相关的一组判断:到 2027 年,中国最大的 2000 家企业中,CFO 与 CIO 会把 40% 的新增 AI 支出从“试点合理性验证”转向“部署前的成本与业务成果基线化发布”。在 IDC 面向亚太发布的 FutureScape 2027 资料中,另有预测称到 2028 年全球大型企业中有 42% 会对自身的智能体与应用组合进行梳理和精简。把这几条放在一起看,共同指向一个趋势:企业采购和建设 AI 能力的评估重心,正从“能不能做出效果”转向“效果能否被持续度量、被治理、被复用”。自我演进能力之所以被单列,是因为它直接关系到智能体在生产环境中能否随业务变化保持有效,而不是在上线三个月后逐渐偏离预期。

预测中的“自我演进”指向什么

从 IDC 在活动披露的表述看,自我演进大体指生产级智能体能够借助三类输入持续调整自身行为:任务执行过程中积累的记录、针对执行效果形成的评估结果,以及来自业务人员或运维人员的人工反馈。三者分别回答“做过什么”“做得怎么样”“人认为哪里不对”,组合起来构成一个可迭代的闭环。这个闭环听起来接近常见的模型微调或提示词优化,但对生产级智能体而言,差别在于它必须嵌入日常业务流程,并且每一次调整都要可追溯、可回滚、可审计。

<!– xhai-workflow-image {"index":1,"prompt":"面向企业智能体生产部署主题的国际化编辑插画:一间克制明亮的运营工作室内,一台处于运行状态的抽象智能体核心被三条不同的输入通道环绕——左侧是层层叠放的任务执行记录卡片,中央是带有对比刻度的效果评估面板,右侧是一位业务人员递入人工反馈便笺;核心下方有一条向下的回退轨道与一份封存的审计记录,暗示演进过程可追溯、可回滚。现代科技新闻插画风格,深青绿、暖灰与少量琥珀色,构图开阔,层次清晰,柔和光线,无可读文字、品牌标识、水印或真实人物肖像","alt":"企业生产级智能体在任务记录、评估结果与人工反馈三条输入下持续调整的抽象示意"}](https://www.softunis.com/wp-content/plugins/xhtheme-ai-toolbox/assets/images/94a3b8.svg)

需要说明的是,IDC 目前公开的活动摘要并未给出“自我演进”的完整技术定义、分级标准或计量方式。企业在引用这一比例做内部立项论证时,应当把它作为方向参考而非精确基准,并等待报告原文披露后再核对口径。

为什么持续评估与维护成为部署前提

把智能体放进生产环境,与部署一套传统业务系统的关键差异在于行为的不确定性。传统系统的逻辑由代码固定,回归测试通过后行为基本稳定;智能体的输出受输入分布、检索内容、模型版本和外部工具状态共同影响,业务环境一变,原先验证过的效果就可能不再成立。如果缺少任务记录和评估机制,团队往往只能从用户投诉或业务异常中发现问题,反馈链条长、定位成本高。

IDC 把自我演进与生产级智能体绑定,隐含的前提是这类系统已经具备较完整的运行观测能力。企业在评估供应商或自研方案时,可以据此提出更具体的问题:智能体是否保留结构化的任务执行记录,评估结果是否能按业务场景拆解,人工反馈以什么形式回流、由谁审核,调整后的版本能否灰度发布和快速回退。这些能力是否齐备,比“是否宣称支持自我演进”更能说明一套智能体能否长期运行。

建立评估与维护机制时需要核验的问题

评估指标是否与业务结果对齐。 任务完成率、人工接管率、平均处理时长等运行指标容易采集,但它们不必然对应业务收益。企业需要明确哪些指标用于日常监控、哪些指标作为阶段性验收依据,并避免用单一准确率概括多场景表现。

人工反馈是否形成可用的数据资产。 反馈如果只停留在评分或零散备注,很难支撑系统性改进。更可行的做法是把反馈结构化到具体环节,区分“结果错误”“流程不合规”“表达不适用”等类型,并明确审核责任人和处理时限。

演进过程是否留有审计痕迹。 智能体行为发生变化后,需要能够回答“改了什么、为什么改、影响哪些流程”。对于涉及合同、财务、客户数据等敏感场景的智能体,这一点尤其关键。IDC 在相关预测中也提到,缺乏对 AI 智能体有效管控机制的企业将面临更高的合规与审计成本,这与建立演进记录的要求相互印证。

维护责任是否落到具体角色。 自我演进不等于无人负责。企业需要确定谁拥有智能体的行为定义权、谁批准版本更新、谁在异常时执行回退,并把这类职责写入运维流程,而不是默认由技术团队临时处理。

对企业的现实含义

这条预测不应被理解为“到 2028 年可以少投入维护”。相反,它提示的是一个更现实的结论:随着智能体承担更多生产任务,围绕它的评估、反馈和版本管理会成为常态化工作,其投入应当计入部署预算,而非上线后的追加项。对于产品与技术团队,这意味着智能体平台的设计重点需要从“能否完成任务”扩展到“能否被观测、被评估、被安全地修改”;对于采购方,则意味着供应商的运维与治理能力应当与功能演示同等重要。

在引用具体比例前,建议先核验 IDC 报告原文的发布时间、调研样本范围、“生产级智能体”与“自我演进”的定义以及预测方法。预测的价值在于提示趋势和提出正确的问题,而企业最终能否从智能体中获得稳定回报,取决于自身是否建立了与之匹配的评估与维护机制。

软盟——专注软件定制开发、AI智能体、区块链与全场景数字化解决方案,拥有10+年技术沉淀,支持100%全量源码交付、7×24小时极速响应,服务覆盖APP/小程序开发、电商全链路系统、数智化转型全周期需求,了解完整服务与最新产品可联系客服!
© 版权声明
THE END
喜欢就支持一下吧
点赞10 分享