2026年5月，Gartner发布了一份措辞罕见强硬的警告：供应链规划技术市场正在发生大规模的”Agent Washing”——供应商将既有的规则引擎、传统自动化流程乃至简单的条件判断逻辑，重新包装贴上”AI Agent”标签，以更高的价格卖给正在追赶AI浪潮的企业买家。同一周，Gartner的另一份报告指出，对所有AI Agent施加统一治理策略，将直接导致企业AI Agent项目失败。

这两份报告叠加在一起，构成了2026年企业AI领域最深刻的结构性矛盾：一边是全球AI支出预计达到3,890亿美元、同比增长47%的资本狂潮；另一边是Gartner预测到2027年将有40%的Agentic AI项目被取消的冷峻现实。

钱在疯狂涌入，项目在批量失败。这不是技术问题，这是认知问题。

第一章：3,890亿美元的赌注，以及那把正在张开的剪刀

Gartner于2026年5月19日发布的数据显示，2026年全球AI支出预计达到3,890亿美元，同比增长47%。这个数字本身已经足够震撼，但真正值得深究的，是这47%的增长背后，资本流向的结构性变化。

企业AI支出的重心正在从”基础设施层”向”应用层”迁移。过去两年，GPU集群、云算力和基础模型训练消耗了大部分AI预算。2026年的增长逻辑已经发生转变：企业CIO和CDO们开始将预算大规模押注在AI Agent项目上，期望这些能够”自主完成任务”的软件实体，能够将AI投资从成本中心转变为效益中心。

这个逻辑在理论上无懈可击。如果一个AI Agent能够自主处理供应链异常、自动生成财务报告、端到端管理客户服务工单，那么它的ROI框架与传统软件投资截然不同——它不是一个工具，它是一个数字员工。企业高管们被这个叙事深深吸引，预算委员会批准了一个又一个AI Agent项目。

然而，现实数据呈现出截然不同的图景。根据Gartner 2025年9月发布的调查，截至调查时，仅有15%的IT应用负责人正在考虑、试点或部署完全自主的AI Agent。这意味着85%的企业要么还没有开始，要么已经在某个阶段停滞。而根据Forbes援引的Gartner预测，到2027年，40%的Agentic AI项目将被取消。

将这两组数字放在一起，你会看到一把正在张开的剪刀：支出曲线向上飙升，成功率曲线横盘甚至下行。

这把剪刀的成因，不是企业不够努力，不是工程师不够优秀，而是整个市场存在一个系统性的认知扭曲机制——它有一个名字，叫做Agent Washing。

第二章：Agent Washing——最昂贵的概念重新包装

“Agent Washing”这个词，在结构上与”Greenwashing”（漂绿）完全对应。Greenwashing是企业将普通商业行为包装成环保行动以获取溢价；Agent Washing则是供应商将传统自动化能力重新标记为”AI Agent功能”，以获取AI时代的估值溢价和采购预算。

Gartner于2026年5月20日专门针对供应链规划技术市场发出警告，指出该领域存在显著的Agent Washing风险。供应商将既有的自动化功能——包括规则引擎触发的库存补货、基于历史模式的需求预测调整、条件判断驱动的采购订单生成——重新包装为”AI Agent驱动的自主决策”，并在营销材料中大量使用”自主”、”智能”、”Agent”等词汇。

供应链规划之所以成为Agent Washing的温床，有其特定的市场逻辑。这是一个传统上依赖大量规则和启发式算法的领域，历史上已经积累了相当程度的自动化能力。当AI Agent的概念兴起后，供应商发现，只需在现有系统的前端加上一个自然语言交互界面，或者在后端接入一个LLM用于生成解释性文本，就可以将整个产品重新定位为”AI Agent解决方案”，价格随之上涨30%到50%。

根据Digital Applied的分析框架，真正的AI Agent需要具备四个核心能力：感知环境并处理多模态输入、基于目标进行自主推理和规划、执行跨系统的行动序列、以及从反馈中持续学习和调整。而Agent Washing产品通常只具备其中一到两个特征，且往往是最表层的那个——通常是自然语言交互界面。

Digital Applied提出了一个”Agent评分卡”（Buyer’s Scorecard）用于识别真伪Agent。核心问题包括：该系统是否能够在没有人工干预的情况下分解复杂目标并制定执行计划？它是否能够调用外部工具和API来完成任务，而不仅仅是生成建议？当执行路径遇到障碍时，它是否能够自主调整策略而非抛出错误？如果这三个问题的答案都是否定的，那么你面对的很可能不是AI Agent，而是一个穿着AI外衣的传统自动化系统。

Forbes科技委员会的分析将Agent Washing称为”科技界最昂贵的站立鼓掌”——企业为一场精彩的演示鼓掌，签下合同，然后在实施过程中逐渐意识到，他们买到的不是他们以为的那个东西。这个过程通常需要6到18个月才能完全显现，届时预算已经消耗，项目已经启动，退出成本极高。

Agent Washing之所以能够大规模存在，有三个结构性原因值得深入分析。

第一，能力边界的模糊性。 AI Agent作为一个概念，其定义本身就存在光谱性。从最简单的”能够调用工具的LLM”到”能够自主完成开放性任务的多步骤推理系统”，中间存在巨大的能力梯度。供应商可以在这个光谱的任意位置声称自己是”AI Agent”，而买家缺乏标准化的评估框架来区分这些声明的含金量。

第二，采购决策者与技术评估者的分离。 在大型企业中，AI Agent项目的预算批准往往发生在C-suite层面，而技术评估则由中层IT团队完成。供应商的营销材料针对高管优化，强调战略愿景和竞争优势；技术文档则充满足够的术语密度，使得非专业人士难以判断真实能力边界。这种信息不对称为Agent Washing提供了生存空间。

第三，POC阶段的成功偏差。 几乎所有Agent Washing产品都能在概念验证阶段展现出令人印象深刻的演示效果。原因很简单：POC场景通常是经过精心设计的，数据是干净的，任务是明确的，边界条件是受控的。真正的问题只有在生产环境中才会暴露——当数据是脏的、任务是模糊的、边界条件是开放的时候，伪Agent的脆弱性才会完全显现。

根据Digital Applied的数据，88%的AI Agent项目从未真正进入生产环境。这个数字背后，相当一部分是在POC阶段通过了评估，但在生产部署过程中因为能力不足而被搁置的项目。

第三章：统一治理的致命陷阱——为什么”一刀切”会杀死AI Agent

即便企业成功识别并采购了真正具备自主能力的AI Agent，他们仍然面临另一个同样致命的陷阱：用管理传统软件系统的思维来治理AI Agent。

Gartner于2026年5月26日发布的报告明确指出，对AI Agent施加统一治理（Uniform Governance）策略将导致企业AI Agent项目失败。这个警告的技术逻辑值得深入解析，因为它触及了AI Agent与传统软件系统之间最本质的差异。

传统企业软件治理的核心逻辑是确定性控制：系统按照预定规则执行，任何偏差都是错误，治理框架的目标是消除偏差、确保一致性。这套逻辑在ERP、CRM、供应链管理系统中运作良好，因为这些系统的价值正在于其可预测性。

AI Agent的价值逻辑恰恰相反。Agent的核心价值在于其自主性——在面对未预见情况时，能够通过推理和规划找到解决路径，而不是抛出异常等待人工干预。如果你对AI Agent施加与传统软件相同的确定性控制框架，你实际上是在系统性地削减Agent的核心价值来源。

这里存在一个深刻的悖论：企业为了”控制风险”而实施严格的统一治理，但这种治理本身就是最大的风险——它将AI Agent降格为昂贵的传统自动化系统，使得企业为Agent能力支付的溢价完全无法获得回报。

Gartner的建议是实施差异化治理（Differentiated Governance），根据AI Agent的自主级别、任务风险等级和业务影响范围，建立分层的治理策略。这个建议听起来合理，但在实践中，大多数企业缺乏实施差异化治理所需的组织能力和技术基础设施。

让我们具体分析统一治理在哪些维度上扼杀AI Agent：

维度一：审批流程的时延。 传统IT治理要求所有系统变更经过变更管理委员会（CAB）审批，周期通常为2到4周。AI Agent的价值在于实时响应和自主决策——如果一个供应链Agent在检测到库存异常后需要等待2周的审批才能执行采购订单，它的实时自主能力完全失去意义。

维度二：操作日志的粒度要求。 传统合规框架要求系统记录每一个操作步骤的详细日志，以便审计追溯。AI Agent的推理过程本质上是概率性的多步骤链，强制要求每个中间推理步骤都产生结构化日志，不仅会产生巨大的性能开销，还会破坏Agent的推理连贯性。

维度三：错误处理的标准化要求。 传统IT治理要求系统在遇到预定义错误类型时执行标准化的错误处理流程。AI Agent处理的恰恰是那些无法被预定义的情况——如果每次遇到非预期情况都必须触发标准错误流程并升级人工处理，Agent的自主性就被彻底架空。

维度四：权限模型的静态化。 传统IAM（身份与访问管理）框架基于静态角色和权限矩阵。AI Agent需要根据任务目标动态调用不同的工具和API，其权限需求是上下文相关的，而非静态可预定义的。将AI Agent强行纳入静态权限模型，要么导致权限过宽带来安全风险，要么导致权限过窄使得Agent无法完成任务。

Gartner的分层治理建议的核心思想是：根据Agent的自主级别（从辅助型到协作型到自主型）和任务风险等级（从低风险信息查询到高风险财务操作），建立一个二维的治理矩阵。低自主级别、低风险任务的Agent可以获得较宽松的运行空间；高自主级别、高风险任务的Agent则需要更严格的监督机制——但这种严格不是通过限制Agent能力实现的，而是通过建立更细粒度的监控、更清晰的干预触发条件和更快速的人工响应机制实现的。

这个区别至关重要：治理的目标不是限制AI Agent的自主性，而是在保留自主性的前提下管理风险。

然而，大多数企业的治理团队——无论是IT安全、法律合规还是内部审计——都没有接受过这种差异化治理思维的训练。他们的本能反应是将新系统纳入既有框架，而既有框架是为确定性系统设计的。这种组织惯性，是AI Agent项目失败的深层结构性原因之一。

第四章：成功的真实条件——超越技术的三重前提

在理解了Agent Washing的市场扭曲和统一治理的组织陷阱之后，我们可以更清醒地回答那个核心问题：什么条件下，AI Agent项目能够成功？

答案不在于选择了哪个供应商，也不在于使用了哪个底层模型，而在于三个更根本的前提条件。

前提一：对”真Agent”与”伪Agent”的系统性辨别能力

这是所有其他条件的基础。企业需要在采购阶段就建立起识别Agent Washing的能力，而不是在实施失败后才开始反思。

根据Digital Applied提出的评估框架，企业在评估AI Agent产品时应当重点考察以下维度：

目标分解能力：给定一个开放性目标（而非预定义任务），系统是否能够自主将其分解为可执行的子任务序列？评估方法是在POC阶段提供一个供应商演示中从未出现过的新目标，观察系统的响应。

工具调用的动态性：系统调用外部工具和API的逻辑是预定义的还是动态推理的？真正的Agent会根据任务需求动态决定调用哪些工具；伪Agent通常只能按照预定义的工具调用序列执行。

失败恢复能力：当执行链中某个步骤失败时，系统是否能够自主调整策略？这是区分真Agent与高级RPA（机器人流程自动化）的关键指标。

上下文持久性：系统是否能够在多轮交互和多个任务之间保持上下文连贯性，并将历史经验应用于新任务？这是学习和适应能力的基础指标。

企业应当将这些评估维度转化为具体的测试场景，在POC阶段系统性地执行，而不是仅凭供应商演示做出采购决策。

值得注意的是，这个评估过程本身需要具备AI Agent领域技术能力的评估团队。许多企业的IT采购团队在评估传统软件方面经验丰富，但缺乏评估AI Agent系统所需的特定技术视角。在这种情况下，引入独立的技术顾问进行评估，是比依赖供应商演示更明智的选择。

前提二：差异化自主级别的架构设计

成功的AI Agent部署不是一个单一系统的问题，而是一个架构问题。Gartner的分层治理建议揭示了一个重要的架构原则：不同自主级别的Agent需要不同的系统设计和治理机制。

根据Gartner的分析框架，企业AI Agent可以按照自主级别分为三个层次：

辅助型Agent（Assistive Agents）：在人工监督下执行任务，所有关键决策需要人工确认。适用场景包括信息检索、报告生成、数据分析摘要等。这类Agent的治理重点是输出质量控制和信息准确性验证。

协作型Agent（Collaborative Agents）：能够自主执行低风险操作，在达到预定义的风险阈值时触发人工审核。适用场景包括客户服务工单路由、标准化流程的自动化执行等。这类Agent需要清晰的风险阈值定义和快速的人工干预机制。

自主型Agent（Autonomous Agents）：能够端到端完成复杂任务，包括高风险操作，仅在异常情况下需要人工介入。适用场景包括复杂的供应链决策、财务异常处理等。这类Agent需要最严格的监控机制、最清晰的授权边界和最完善的回滚能力。

关键洞察在于：大多数企业的错误不是选错了Agent层次，而是将不同层次的Agent混为一谈，用同一套架构和治理框架处理所有类型的Agent任务。这导致要么辅助型Agent被过度限制无法发挥价值，要么自主型Agent在缺乏足够保护的情况下执行高风险操作。

架构设计的核心原则是：在系统设计阶段就明确每个Agent的自主级别，并为每个级别配置相应的监控、干预和回滚机制。这不是事后的治理叠加，而是架构本身的组成部分。

前提三：清晰的信任边界与授权机制

AI Agent失败的一个常见模式是”信任边界不清晰”——企业没有明确定义Agent被授权做什么、不被授权做什么，以及在哪些情况下需要寻求人工确认。

这个问题比它看起来更复杂。传统软件的权限边界是通过技术手段强制执行的（系统物理上无法执行未授权操作）。AI Agent的权限边界则需要同时在技术层面和语义层面定义——不仅要限制Agent能调用哪些API，还要定义Agent在推理层面被允许追求的目标范围。

根据Softermii的分析，AI Agent项目失败的一个主要原因是”目标对齐失败”——Agent在技术上具备执行某个操作的能力，但该操作并不符合企业的实际意图。这种失败在传统软件中几乎不会发生，因为传统软件只执行被明确编程的操作；但AI Agent能够通过推理”发明”新的执行路径，如果目标定义不够精确，这种创造性可能导致意外结果。

清晰的信任边界设计包括以下几个层次：

操作边界：明确定义Agent被授权调用的工具、API和数据源，以及每种操作的频率限制和量级限制（例如，采购Agent每次操作的最大金额）。

目标边界：明确定义Agent被允许追求的目标类型，以及哪些目标是被明确禁止的。这需要用自然语言和示例案例共同定义，因为纯规则化的目标定义往往无法覆盖所有边界情况。

干预触发条件：明确定义在哪些情况下Agent必须暂停并寻求人工确认，包括置信度阈值、风险等级阈值和异常情况类型。

回滚机制：确保Agent执行的所有操作都是可撤销的，或者至少是可审计的。对于不可撤销的操作（如发送外部通信、执行财务交易），需要在操作执行前强制要求人工确认。

这三个前提条件的共同特点是：它们都不是纯粹的技术问题，而是技术与组织能力的交叉问题。企业需要在技术评估能力、架构设计能力和治理框架设计能力上同时建立投入，才能为AI Agent项目的成功创造真实条件。

第五章：两种对立视角的碰撞与我的判断

在AI Agent这个话题上，市场上存在两种截然对立的声音，值得正面交锋。

乐观派的论点：AI Agent技术正在快速成熟，当前的失败率是新技术早期采用阶段的正常现象。就像云计算在早期也经历了大量失败的迁移项目，但最终成为企业IT的基础设施；AI Agent的失败率会随着工具链的成熟、最佳实践的积累和人才供给的增加而系统性下降。Gartner的40%取消率预测是基于当前状态的线性外推，低估了技术和实践的进化速度。

悲观派的论点：AI Agent的失败不是技术成熟度问题，而是根本性的能力边界问题。当前的LLM在处理开放性、长程推理任务时存在固有的可靠性限制——幻觉、上下文窗口约束、推理一致性不足——这些问题不会随着工具链的成熟而自动消失。企业对AI Agent的期望本质上超越了当前技术的能力边界，无论治理框架多么完善，都无法弥补这个根本性缺口。

我的判断：两种视角都捕捉到了部分真相，但都有重要的盲点。

乐观派低估了Agent Washing对市场信号的污染程度。当大量”伪Agent”项目失败时，企业和媒体往往将这些失败归因于”AI Agent技术不成熟”，而不是”我们买到的根本不是真正的AI Agent”。这种错误归因会系统性地抑制企业对真正有效的AI Agent解决方案的信心和投入，形成一个负反馈循环，使得即便技术本身在进步，市场信心的恢复也会滞后。

悲观派则低估了任务范围收窄后AI Agent的实际有效性。在明确定义的、有限范围的任务上，当前的AI Agent技术已经展现出超越传统自动化的显著价值。问题不在于技术无法工作，而在于企业试图将AI Agent应用于过于宽泛和复杂的任务场景，超越了当前技术的可靠性边界。

真实的图景是：AI Agent技术在2026年已经能够可靠地处理一个特定的任务集合——这个集合比供应商营销材料声称的要小得多，但比悲观派认为的要大。成功的关键在于企业能否准确识别这个集合的边界，并将AI Agent的应用范围限制在这个边界之内。

这个判断意味着：AI Agent的成功不是等待技术成熟的问题，而是企业建立正确认知框架的问题。那些今天就能建立这种认知框架的企业，将在未来获得显著的先发优势；那些继续被Agent Washing误导、继续用统一治理框架管理AI Agent的企业，将持续贡献那40%的失败统计。

结语：从Agent Washing到Agent Reality——在泡沫中保持清醒

3,890亿美元的AI支出，是一个关于集体期望的数字，也是一个关于集体风险的数字。

当市场处于高速增长的狂热阶段，最危险的不是技术本身，而是认知框架的扭曲。Agent Washing的本质是一种认知污染——它将企业对AI Agent的期望锚定在一个错误的参照系上，使得真实的技术能力边界变得模糊，使得有效的评估标准变得难以建立。

Gartner的两个核心警告——Agent Washing风险和统一治理陷阱——指向的是同一个深层问题：企业缺乏与AI Agent技术特性相匹配的认知框架和组织能力。这不是一个可以通过购买更好的产品来解决的问题，它需要企业在思维模式和组织能力上进行真实的投资。

对于正在评估或已经部署AI Agent项目的企业，以下三个问题值得作为战略检查点：

第一，你是否能够用技术语言而非营销语言描述你的AI Agent的能力边界？ 如果你对AI Agent能力的理解主要来自供应商的演示和营销材料，而不是来自你自己的技术评估，那么你很可能已经在某种程度上成为Agent Washing的受害者。

第二，你的AI Agent治理框架是否区分了不同自主级别的Agent？ 如果你对所有AI Agent项目使用相同的审批流程、相同的权限模型和相同的监控机制，那么Gartner的警告直接指向你的组织。

第三，你的AI Agent项目是否有清晰的”失败定义”？ 许多AI Agent项目之所以能够长期存续而不被取消，是因为成功标准从未被清晰定义，使得项目可以在模糊状态下无限期延续。清晰的失败定义，反而是成功的前提——它迫使企业在早期就面对真实的能力边界，而不是等到预算耗尽才开始反思。

40%的AI Agent项目将被取消，这不是一个悲观的预测，而是一个正常的市场出清信号。在任何技术泡沫中，出清都是必要的——它将资源从无效配置中释放出来，重新流向真正有价值的应用场景。

真正值得警惕的不是那40%的失败，而是那60%中有多少是真正成功的，又有多少只是因为成功标准定义得足够模糊而幸存下来的伪成功。

在AI Agent这个领域，清醒比乐观更有价值。

参考资料

  1. Gartner Forecasts Worldwide AI Spending to Grow 47% in 2026 — Gartner, 2026-05-19

  2. Gartner Warns of Agent Washing Risks in Supply Chain Planning Technology Market — Gartner, 2026-05-20

  3. Gartner Says Applying Uniform Governance Across AI Agents Will Lead to Enterprise AI Agent Failure — Gartner, 2026-05-26

  4. Gartner Survey Finds Just 15% of IT Application Leaders Are Considering, Piloting, or Deploying Fully Autonomous AI Agents — Gartner, 2025-09-30

  5. Why 40% Of Agentic AI Projects May Be Canceled By 2027 — Forbes, 2026-07-07

  6. Agent Washing: The Most Expensive Standing Ovation In Tech — Forbes Tech Council, 2026-06-24

  7. Agent Washing: The Definition — and a Scorecard to Catch It — Digital Applied, 2026

  8. Why 88% of AI Agents Fail Production — Digital Applied, 2026

  9. Why AI Agent Projects Fail and How to Be the Exception — Softermii, 2026

主题分类：enterprise-ai