神译局是36氪旗下编译团队，关注科技、商业、职场、生活等领域，重点介绍国外的新技术、新观点、新风向。

编者按：一年一度的Gartner炒作曲线又来了，但这次AI的决胜点不在模型，而在没人愿干的“脏活累活”里面。文章来自编译。

每到八月，Gartner 都会雷打不动地发布最新的技术成熟度曲线图，然后突然之间，每个人都成了预言家。高管们眯着眼睛盯着那些漂亮的曲线，仿佛在解读占卜的玄机一样。投资者则带着准备好的支票簿凑上前来。而在某个角落，一位顾问正在更新他的PPT，加上一页洋洋得意的“我早就告诉过你”的幻灯片。但问题是，那些优雅的曲线——它们让现实生活看起来比实际情况要清晰整洁得多。

当现实闯入这场炒作派对

今年的图表告诉我们，人工智能智能体与“AI就绪数据（AI-ready data）”正高踞于“期望膨胀期”的顶峰。与此同时，生成式AI已经跌入了可怕的“泡沫破裂低谷期”。这就像在看一场极其昂贵的过山车，每个人都为VIP体验付了额外的费用，结果却发现安全带还在调试中。

今年人工智能投资依然强劲，但重点已更加明确地转向利用AI实现运营可扩展性和实时智能。这导致重心逐渐从生成式AI（GenAI）转移到支持可持续AI交付的基础赋能技术上，比方说AI就绪数据及AI智能体。

——Haritha Khandabattu，Gartner高级总监分析师。

但我们别忘了，数字所揭示的故事远比那些曲线要发人深省得多：

还记得当初每个人都信誓旦旦要在周二之前用AI让自己的企业面目一新吗？嗯，标普全球发现，在2025年，42%的公司放弃了他们的AI项目——而前一年这个数字仅为17%。这意味着许多CFO（可能还有CIO）大失所望。

与此同时，RSM的调查揭示了热情与执行之间是有距离的：91%的公司声称他们正在使用生成式AI（尽管其中大部分可能是那些懂得如何用ChatGPT写邮件的员工私下使用的“影子AI”），但只有25%成功地将AI融入到其核心工作流和运营管道制作。许多人开始质疑，买一辆法拉利每个月只开一次去趟杂货店，这样的投资是否值得（如果你就是这么做的话，答案是不值得）。

人工智能智能体：当你的数字助理也需要一个助理时

技术成熟度曲线将AI智能体推上了巅峰，老实说，这完全说得通。那些演示简直令人着迷——看着一个AI系统将一系列复杂任务串联起来，感觉就像在见证奇迹。直到你试着在某个周二早上部署它，而彼时大家都在等着自己的季报出来时。

演示没有告诉你的是：这些智能体在不出错之前都表现得非常出色。它们就像那个过分积极的朋友，主动提出要组织整个办公室的派对，结果却忘了预订场地。长长的任务链意味着长长的潜在故障点链，而当一个智能体出了岔子，它犯的不仅仅是一个小错误，还是一个系统性的、且信心满满的错误。

“为了能从AI智能体中获益，组织需要确定最相关的业务背景和用例，但这很有挑战性，因为没有AI智能体各有各的不同，而且每种情况都不一样。尽管AI智能体会继续变得更强大，但并非适用于所有情况，因此其使用将在很大程度上取决于具体情况的要求。”

——Haritha Khandabattu，Gartner高级总监分析师。

聪明的投资者并非不看好智能体技术，他们投资的是“有限自主性”。你可以把它想象成给你的AI一份非常好的职位描述、明确的目标、定义清晰的护栏，并指派专人监督——而不是简单地对它说一句“你自己看着办吧”。

它更像是“一个精通电子表格但不了解全局的人工智能实习生”，而不是“人工智能幕僚长”。尽管市场宣传天花乱坠（也就是所谓的“炒作”），但大多数AI在理解复杂性的微妙和多层次的背景方面还有很长的路要走。

枯燥的革命：AI就绪数据

当所有人都在为光鲜亮丽的AI智能体感到兴奋时，真正的革命正在技术领域最不起眼的角落发生：数据管理。Gartner称之为“AI就绪数据”，但我愿称之为“终于开始把你的数据当回事了”。

一个令人不安的真相是：大多数AI项目的失败并非因为模型不会思考，而是因为数据无法“说话”。这就像试图和一个站在风洞里、通过一个坏掉的电话说话的人交谈一样。当然，你或许能断断续续地听到一两个词，但你根本无法进行任何有意义的交流。

那些真正成功的公司，并不是拥有最花哨模型的公司，而是那些能够证明其数据适用于特定目的的公司。他们清楚地知道数据源自何处、谁可以使用它、它的时效性如何，以及它是否真实可靠。这项工作并不光鲜，但管道维修也是如此——直到你家的水管爆裂。

一次个人现实检验

这出戏我以前见过。还记得吗当初人人都以为到今天我们都应该在虚拟现实里面工作了？或者区块链将彻底改变一切，除了那些真正有用的东西？这种模式不断重复：精致的演示、雄心勃勃的预测、巨额的投资。但要炒作的东西要想在现实世界行得通，需要漫长而缓慢地重塑组织文化和结构，这是一个非常耗时的过程。

然而，真正的魔术恰恰就发生在这种缓慢的工作进程之中，存在于理清数据血缘与访问权限这些枯燥乏味的过程之中。为企业系统清理数据和获得网络安全批准就更不用说了。它还存在于那些关于安全协议和回滚程序的无聊会议之中，存在于耐心重新设计工作流，好让人类与AI能够真正协作而不仅仅是共存的工作之中。

我现在正在给一个大型政府部门实施一个AI创新项目，对此有第一手的体会。需要很多人齐心协力，才能将变革性的举措推过官僚体系的那个“从想法到现实的研磨机”。

这三点才是真正重要的事情

在看够了技术炒作周期的起起落落之后，我学会了回答以下三个简单问题的重要性：

你想解决什么问题？不是问“AI如何改变我们的业务？”，而是问“我们如何能减少会计部的莎拉处理费用报告的时间？”。一定要具体，否则你会在不断变化的AI潮流中迷失方向。

能衡量吗？如果你今天无法用数字来量化问题，明天你就无法证明你已经解决了问题。首席财务官不关心你的“变革性AI之旅”，他们关心的是你的解决方案是否能给他们已经追踪的指标带来实质性改变。是，这属于创新障碍的一种，但大多数AI项目在规模化之前都需要一个坚实的概念验证。

当出现问题时会发生什么？让我们面对现实吧，关于AI会犯错的免责声明是真实存在的。要预料到事情会出错。不是假设“如果”，而是谋划出错时的对策。从第一天起就为失败做计划并制定应急预案的公司才能取得成功。他们有回滚程序、人工监督以及清晰的上报路径。他们将AI部署为一种强大但不完美的工具，而不是一根魔杖或一颗银弹。所有来自AI的输出在用于关键决策之前，都需要经过人类的可靠验证。

没人讨论的真正曲线

以下是我从经历多个技术炒作周期中学到的：真正的曲线并非关于技术采用，而是关于组织学习。

首先是兴奋阶段：“这将改变一切！”然后是现实阶段：“等等，这比我们想象的要难。”最后是明智阶段：“哦，我明白这东西如何真正融入我们的世界了。”

“尽管人工智能具有巨大的潜在商业价值，但它不会自发实现，”……“成功将取决于与业务紧密结合的试点项目、主动的基础设施基准测试，以及AI和业务团队之间的协调，从而创造出切实的商业价值。”

——Haritha Khandabattu，Gartner高级总监分析师。

那些直接跳到明智阶段的公司——即那些以好奇心和现实主义态度对待新技术的公司——才是最终能长远获胜的公司。

现在该怎么办

忘了追赶曲线吧。相反，选择一个小的、可衡量的问题，并妥善解决它。整理好你的数据家底。构建那些能让你高枕无忧的、枯燥的基础设施。当有人向你索要一个“变革性的AI愿景”时，给他们一个更好的东西：一个朝着正确方向前进的数字。

对AI的远见不再是完美预测我们五年后会处于何种位置。事物发展和变化得太快了。我们需要不断学习、适应，并负责任地构建和部署AI——而在你的组织中这意味着什么，是首先最值得解决的谜题。

译者：boxi。