Gartner 预测 40% 企业 agent 项目到 2027 年会被取消,真实数据比这个数字更刺眼 2026 年下半年,Gartner 多次对外释放"企业 AI agent 项目将在 2027 年迎来大规模取消潮"的判断。但 Gartner 自己公布的同期一手调查数据显示,这一预测并不是危言耸听,而是从已经发生的企业 AI 采用现状中得出的合理推断。在 9 月 10 日发布的审计部门 AI 调
Gartner 预测 40% 企业 agent 项目到 2027 年会被取消,真实数据比这个数字更刺眼
2026 年下半年,Gartner 多次对外释放"企业 AI agent 项目将在 2027 年迎来大规模取消潮"的判断。但 Gartner 自己公布的同期一手调查数据显示,这一预测并不是危言耸听,而是从已经发生的企业 AI 采用现状中得出的合理推断。在 9 月 10 日发布的审计部门 AI 调查中,Gartner 给出"93% 的审计部门在使用 AI,但 60% 没有正式 AI 战略";在 9 月 2 日的客户体验调查中,Gartner 给出"只有 27% 的客户在 chatbot 给出负面体验后愿意再尝试一次"。两份调查放在 agent 项目的语境下读,企业 agent 项目被取消的真实驱动因素就变得清晰可见。
一、40% 取消预测背后的真实数据:使用率高、战略缺位、价值难量化
Gartner 在 2026 年 9 月 10 日发布的《Gartner Survey Finds 93% of Audit Functions Use AI, but 60% Lack a Formal Strategy》给出审计部门的 AI 采用现状:基于 161 位首席审计执行官(CAE)的调查,Gartner 发现 93% 的审计部门报告了某种程度的 AI 使用,但其中 60% 没有正式的 AI 战略,23% 完全没有任何 AI 战略。这意味着,绝大多数企业的 AI 使用是"自下而上"驱动的——员工自己用 AI 工具,部门没有统一规划,公司没有战略框架。
Gartner 把这种状态描述为"widespread, individualized use of AI"。具体来说,只有 15% 的审计部门实施了"定义清晰、组织化"的 AI 用例,大约一半的受访者报告了"个别、零散使用一种或多种 AI 工具"。这种"广而散"的状态有几个特征:每个员工都在用,但用法不一致;每个团队都在试,但没有沉淀;每个项目都在跑,但没有可复制的模式。
这种状态对企业的直接影响是:54% 的 CAE 尚未开始衡量 AI 投资的回报率(ROI)。Gartner 在公告里直接点明:"suggesting ongoing challenges in quantifying benefits that are often qualitative or nonfinancial"——收益往往是定性或非财务的,难以量化。当一个项目无法被量化收益时,它就处在了被取消的高风险区间。这正是 Gartner 预测"40% 企业 agent 项目将被取消"的核心机制:不是 agent 技术不行,而是项目本身缺乏可量化的成功标准,导致在预算审查周期到来时被自然砍掉。
二、取消的另一个驱动因素:用户体验的"漏桶效应"
9 月 2 日发布的《Gartner Survey Finds Only 27% of Customers Would Try a Chatbot Again After a Negative Experience》给出另一组数据。基于 3,566 位 B2B 和 B2C 客户的调查,Gartner 发现,虽然 49% 的客户在理论上愿意使用 chatbot,但只有 7% 在最近一次服务互动中实际使用了 chatbot 或数字助理。这个 49% 到 7% 的落差,说明 chatbot 的"理论需求"和"实际使用"之间存在巨大鸿沟。
更有信号意义的是后续数据:在 chatbot 给出负面体验后,只有 27% 的客户愿意再次尝试 chatbot。Gartner 用了一个非常贴切的词——"leaky bucket problem"(漏桶问题):一次不成功的交互会劝阻未来的使用,即使 chatbot 的能力在持续改进。这意味着,任何 agent 项目都处在一个"持续失血"的状态:每一次负面体验,都会让一批用户永久离开。
把这条数据放到企业 agent 项目里,问题变得直接:如果企业的 agent 项目在落地过程中,让内部用户(员工)或外部用户(客户)产生了多次负面体验,那么这个 agent 项目的"用户基数"会持续缩水,而不是持续增长。Gartner 给出的对策是"prioritize reliability over reach"——优先考虑可靠性而不是覆盖范围。一个能持续解决某类问题的 agent,会比一个试图解决所有问题但经常失败的 agent 获得更高的用户信任。
三、"40% 取消"的另一种读法:不是失败率,是自然淘汰率
如果把两份 Gartner 数据放在一起读,"40% 企业 agent 项目将被取消"就有了更具体的画像。
这 40% 不是"全部失败",而是符合几个典型特征的 agent 项目:第一,没有正式 AI 战略(60% 的审计部门都处于这个状态);第二,使用场景零散,没有可复制的用例模板(85% 的审计部门都没有"定义清晰、组织化"的用例);第三,价值难以量化,无法在预算审查中说明 ROI(54% 的 CAE 都处于这个状态);第四,用户体验存在"漏桶",每一次负面体验都在减少用户基数(27% 的客户愿意再尝试);第五,缺乏把人机协作做好的兜底机制(87% 的客户认为 GenAI 必须保留 human 介入通道)。
符合这五条的项目,在企业内部评审时,会以"无法证明价值"、"无法控制风险"、"无法扩大规模"中的任意一条被砍掉。这不是因为 agent 技术不行,而是因为项目立项时就没有考虑过这些问题的答案。
反过来,真正能在企业内部活下来的 agent 项目,应该具备的特征是:有明确的业务问题定义、有可量化的成功指标、有清晰的边界和兜底机制、有用户持续使用并产生价值的数据、有可以横向复制的模式。这五条听起来像常识,但恰恰是 2026 年下半年大多数企业 agent 项目立项时忽略的部分。
四、对企业部署 agent 项目的现实启示
结合两份 Gartner 一手调查,企业部署 agent 项目应该从以下几个维度重新审视。
启示一,把"AI 战略"作为 agent 项目立项的前置条件。如果公司没有正式 AI 战略,任何 agent 项目都应该被推迟立项。Gartner 的数据已经证明,没有战略的项目会以"无法量化 ROI"被取消。让项目从一开始就处在公司的战略框架内,是项目能活到第二个预算周期的最低门槛。
启示二,优先选择"窄而深"的用例,而非"广而浅"的用例。Gartner 的"prioritize reliability over reach"原则直接适用于内部 agent 部署。选一个能持续解决特定问题的场景(比如"自动生成合规报告"、"自动审合同条款"),把准确率做高到 90% 以上,再考虑扩展。不要追求一个万能 agent 解决所有问题。
启示三,把"可量化"作为用例设计的硬性要求。任何 agent 用例的立项文档,都必须包含"成功指标"和"度量方法"两个字段。指标可以是节省的人力小时数、减少的错误率、提升的处理速度、增加的客户满意度——但必须能被数据验证。无法被量化的用例,直接归类为"探索阶段",不进入生产预算。
启示四,把"human 介入通道"作为合规要求而非可选功能。Gartner 数据显示 87% 的客户认为 GenAI 必须保留 human 介入通道。这一原则同样适用于内部 agent 部署——任何 agent 操作,都必须能在任何一步交给人工接管。这意味着 agent 必须输出"可读、可审计、可回滚"的过程数据,而不仅仅是"最终结果"。
启示五,把"用数据证明价值"作为项目持续存在的护身符。Gartner 数据显示 54% 的 CAE 尚未开始衡量 AI 投资 ROI,这正是项目被砍的常见原因。agent 项目从上线第一天起,就要建立 ROI 仪表盘,持续跟踪关键指标。任何一次预算评审,都能用数据说话,而不是用"我们在试"搪塞。
结语:取消潮不是 agent 行业的失败,而是行业走向成熟的必经之路
Gartner 预测 40% 企业 agent 项目将在 2027 年被取消,但这不是 agent 技术的失败,而是企业 AI 部署方法论的成熟。过去两年,大量企业 agent 项目是用"AI 能力外溢"的方式涌现——员工自己用 LLM 解决工作问题,IT 部门没有参与,管理层没有审查。这种"自下而上"的项目天然就有"广而散"的特征,被取消是必然结果,而不是意外。
真正能在企业内部沉淀下来的 agent 项目,不是"最炫的 AI",而是"最贴合业务"的工具。这些项目往往目标狭窄、ROI 清晰、用户基数稳定、有完整的 human 兜底机制。当企业 AI 部署从"外溢驱动"走向"战略驱动"时,即使项目数量减少,留下来的项目会真正创造价值。
把这两份 Gartner 数据作为企业部署 agent 的标尺,比盯着 40% 这个数字本身更重要。前者告诉你"什么样的项目能活下来",后者只告诉你"多少项目会死掉"。在做技术选型之前,先把这两个问题的答案写在项目立项书里,远比任何模型基准测试都更能决定项目最终的命运。