背景：主要矛盾已经换了一道题
过去两年企业智能体的叙事重心一直在模型侧：谁的上下文更长、谁的工具调用更稳、谁在基准上领先。到 2026 年，这个重心明显移动了。三份样本量都不小的调研，问的其实都不是「模型行不行」，而是「组织接不接得住」。
这个转向有一个朴素的原因：做试点已经不难了。一个团队用两周时间就能搭出一个能跑通的智能体原型，演示效果通常也不差。难的是把它从「一个能跑的原型」变成「一百个流程里长期稳定运行的东西」——后者要求的数据、权限、监控、责任归属，没有一样是模型能替你解决的。
本文并置的三份调研在方法、样本与发布方上彼此独立，结论却收敛到同一点：智能体的规模化瓶颈已经从技术侧转移到组织侧。下面按「漏斗—门槛—治理—执行—价值」的顺序逐层展开。
Deloitte《2026 年企业 AI 现状》：3235 名受访者，来自 24 个国家，覆盖 IT 与业务负责人；同一体系另有关于智能体规模化阶段与障碍的数据。IDC：15 个国家和地区、643 家组织的 AI 采用与实施成熟度调研。麦肯锡《2026 年 AI 现状调研》：全球范围组织层面调查，10 月经《Fortune》评论文章引用其核心数字。三者的样本框与问题设计不同，数值不可直接相加或互换。
规模化的漏斗：42 / 43 / 15
Deloitte 调研给出的智能体部署阶段分布，是理解这道门槛的起点。
| 部署阶段 | 组织占比 | 典型状态 | 距离规模化的差距 |
|---|---|---|---|
| 测试少量智能体 | 42% | 单个或少数场景验证，多为部门级发起 | 尚未形成跨职能复用能力 |
| 跨职能扩大部署 | 43% | 多个职能接入，开始触及共享数据与权限 | 缺少统一编排与治理标准 |
| 全面编排的生产状态 | 15% | 智能体间的编排、监控与责任机制已就位 | 已跨过门槛 |
按这一口径，85% 的组织尚未进入全面编排。值得注意的是中间那一档：43% 的组织已经在跨职能扩大部署，也就是说它们已经离开了「玩票」阶段，正卡在从「多个点」到「一张网」的那一段。这一段之所以难，是因为它首次要求组织回答一些此前可以回避的问题——两个部门共用的数据以谁为准？智能体出了错谁负责？同一个客户在三个系统里的状态不一致时听谁的？
另一处旁证来自 IntuitionLabs 汇总的多项研究：生成式 AI 的使用率与进入生产的比例之间存在显著距离，其中一项研究显示生产环境比例仅 18%，而生成式 AI 使用率为 67%。这组数字与 42/43/15 的分布互相印证——「在用」和「在生产中稳定跑」是两件不同的事，管理层评估进展时必须区分。
三道门槛：数据、治理、集成
同一项 Deloitte 调研中，受访领导者最常提到的三大规模化障碍分别是缺乏统一可访问的数据基础（72%）、无法信任并治理智能体（70%）、集成成本与复杂度（67%）。三项都超过三分之二，且彼此关联。
| 门槛 | 提及比例 | 具体表现 | 放大机制 |
|---|---|---|---|
| 数据基础 | 72% | 缺乏统一、可访问的数据基础；口径不一致、权限未打通 | 数据越分散，集成难度越高，智能体越不可信 |
| 治理与信任 | 70% | 无法信任并治理智能体；权限边界与责任归属不清 | 治理不足使管理层不敢放进核心流程，规模化无从谈起 |
| 集成成本 | 67% | 与既有系统的集成成本与复杂度高 | 每接一个系统都要重做一遍适配，边际成本不下降 |
这三项不是并列关系，而是级联关系。数据分散会直接放大集成难度，因为每接一个系统都要重新对齐口径；治理能力不足又会让管理层不敢把智能体放进核心业务流程，于是规模化停在边缘场景。结果就是一个自我强化的循环：因为不敢放进核心流程，所以拿不到核心数据；因为拿不到核心数据，所以效果上不去；因为效果上不去，所以更不敢放进核心流程。
还有一个更冷的数字：同一调研中只有 5% 的受访者表示其业务流程已高度就绪到可以承接智能体。这意味着即便数据、治理、集成三道门槛都被跨过，流程本身可能仍然不是为「机器在其中执行动作」而设计的。这也是为什么很多智能体项目最终只停留在「问答助手」形态——流程没有留出机器执行的接口。
治理成熟度：21% 与 84% 的同一块短板
Deloitte《2026 年企业 AI 现状》覆盖 3235 名来自 24 个国家的 IT 与业务负责人，其中一个直接指向智能体的结果是：仅 21% 的受访者表示所在组织已具备成熟的智能体治理模型，约 80% 的组织尚缺乏成熟治理能力。同一体系的数据还显示，84% 的受访组织尚未为 AI 调整岗位与职责。
| 治理维度 | 数据 | 来源 | 读法 |
|---|---|---|---|
| 成熟智能体治理模型 | 21% | Deloitte 2026 企业 AI 现状（3235 人 / 24 国） | 约八成组织仍处于治理不成熟状态 |
| 岗位与职责调整 | 84% 未调整 | Deloitte 2026 企业 AI 现状 | 技术上线快于组织适配是普遍现象 |
| 流程高度就绪 | 5% | Deloitte 智能体规模化相关调研 | 多数流程未预留机器执行接口 |
| AI 生成代码的治理挑战 | 92% 报告挑战；34% 事后无法判定是否由 AI 代码引发 | 2026 GitLab AI 问责调查 | 可追溯性缺口已在工程侧显现 |
| 首席 AI 官设置 | 21% 已任命；约 24% 计划一年内将 AI 治理移出 CIO 办公室 | Forrester / Le Clair | 治理归属仍在迁移中 |
把 21% 与 84% 放在一起看，治理短板的性质就更清楚了：它不是「缺一份制度文件」，而是「组织还没有为智能体重新分配责任」。一份制度可以在几周内写完，但责任边界、岗位调整、审批链条的重新设计，动的是组织本身。
几个先行者的做法值得参考。Eaton 在供应商付款查询场景部署了自主智能体，涵盖身份认证、采购订单匹配与付款退回，全程无人在回路；但同一家公司在其自动投标请求工作流的试点中发现，当场景迁移到量大而复杂度低的地区时，经济性并不成立。Principal Financial Group 在一年内评估了约 200 个用例，把治理嵌入投资与运营决策过程，而不是事后审查。前者的教训与后者的经验指向同一件事：治理要落在每一次决策里，而不是落在一份年度报告里。
还有一个常被忽略的技术性缺口：微软研究院的 VeriTrail 研究指出，仅在最终输出上做幻觉检测对多步工作流是不够的，错误溯源必须能穿透中间步骤。Forrester 的分析师也指出，微软的智能体注册表只能看到微软平台上的智能体，跨厂商（Salesforce、AWS 等）栈没有统一可见性。这两条说明，即便治理意愿到位，工具层面的可观测性仍然是欠账。
战略与执行的落差：81% 对 12–16%
IDC 于 2026 年在 15 个国家和地区面向 643 家组织开展的 AI 采用与实施成熟度调研，给出了另一组层次分明的数字：81% 的企业已经制定了详细的 AI 战略，但真正实现全企业层面 AI 驱动执行的仅占 12% 至 16%。IDC 将这一现象概括为「AI 执行差距」——多数企业的 AI 战略落地，因技能、工具、基础架构、数据就绪情况与治理等方面的不足而受阻。
对智能体而言，这组数字里最关键的是第三个：目前仅有 11% 的企业采用了智能体技术。这个比例明显低于「已制定 AI 战略」的 81%，甚至低于「全企业 AI 驱动执行」区间的上限。它说明在多数组织里，智能体还处在战略文本与具体实施之间的空档，尚未成为执行层的既定选项。
调研还给出一个可操作的分野：90% 的领先企业会持续更新 AI 战略，把 AI 战略视为一份动态文档，根据业务需求、技术变化和实际应用效果修订；领先企业在高管培训、托管平台和变革管理上的投入力度，几乎是处于「观察」阶段企业的两倍。这提示差距可能不主要来自预算规模，而来自是否把战略当作需要持续维护的资产。
价值兑现：88 对 6 的 82 分差
麦肯锡《2026 年 AI 现状调研》的核心数字经《Fortune》评论文章引用后引发广泛讨论：88% 的组织至少在一个职能上使用 AI，仅 6% 可称为高绩效者（AI 对息税前利润影响超过 5%），且这一比例与 2025 年持平。KKR 高级顾问、前 KKR 亚太区执行主席 Ming Lu 在 10 月 11 日的评论中把这 82 个百分点的差距称为「组织转型赤字」而非「技术赤字」，依据是：这 6% 的企业端到端重构过工作流的概率是其他企业的三倍，而在所有采用者中只有 21% 真正做过端到端重构。
Deloitte 的「21% 具备成熟治理」、麦肯锡口径下的「21% 做过端到端工作流重构」、Forrester 的「21% 已任命首席 AI 官」——三个独立来源落在同一个数字上未必有因果，但这种重合提示：真正跨过门槛的组织在体量上就是少数，而它们往往在治理、流程与责任归属上同时下手，而不是只做其中一项。
Ming Lu 的评论还给出了两组对照：消费者侧，美国成年人的 AI 使用率在 ChatGPT 发布约三年后达到 53%；企业侧，AI 进入生产性部署的比例约 10%。他由此提出「创新悖论」的说法——创新越快，增长反而越慢。这一论断属于评论者的解释框架，其因果链由本人给出，并无第三方研究直接验证；但作为对 82 分差的一种解读，它把注意力从「模型不够强」引向了「组织没有跟着变」，与前两节的数据方向一致。
另有 Writer 联合 Workplace Intelligence 面向 2400 名全球领导者开展的 2026 企业 AI 调研显示，79% 的组织报告了采用方面的挑战，较 2025 年有两位数增长；54% 的高管表示 AI 采用正在撕裂公司。这类数据同样为自报口径，但它反映出一个常被忽略的成本：智能体落地不只是技术问题，也会触发组织内部的张力。
需要提醒的是，围绕「试点失败率」还有几套相互冲突的口径：MIT NANDA 的调研称 95% 的企业生成式 AI 试点未产生可衡量的损益影响；IDC 与联想的联合研究称 88% 的 AI 概念验证没能走到生产环境；Gartner 则预测 30% 的生成式 AI 项目会在概念验证后被放弃。三套方法、三个机构、同一个方向性结论，但数值不可互比，也不宜叠加引用。MIT 的 95% 这一具体数字在方法学上已受到公开质疑，引用时应标注争议。
推进顺序：把门槛拆成可交付的四步
把三份调研的结论合起来，可以得到一个相对务实的推进顺序。它的核心思想是：不要从「选哪个智能体平台」开始，而是从「哪一段流程允许机器在其中执行动作」开始。
- 步骤一：盘点数据基础，再选场景。72% 的组织栽在数据基础上，因此先明确核心业务数据的分布、权限与质量，再决定哪些场景值得规模化。数据不通的场景，换任何平台都不会变好。
- 步骤二：同步建设治理，而不是事后补。在扩大部署之前就把权限边界、行为监控、自动决策复核与责任人写清楚。Deloitte 数据里 21% 的成熟治理比例说明，这一步被普遍推迟到了出问题之后。
- 步骤三：以流程而非工具为单位推进。只有 5% 的组织认为流程高度就绪，这意味着多数流程需要重新切分——把可核验的重复动作交给智能体，把判断与例外处理留给人。端到端重构过工作流的企业进入高绩效组的概率是三倍，这个信号值得重视。
- 步骤四：用生产标准而非演示标准衡量。区分「试用」「部分使用」「稳定进入生产」三种状态，用统一口径跟踪。IDC 的 81% 对 12–16% 正是这一区分失效的产物——战略制定与生产执行被当成了同一件事。
还有一条来自工程侧的补充：Faros AI 2026 工程报告显示，高 AI 采用度的开发者完成的任务多 34%、epic 多 66%，但中位 PR review 时间上升了 441%。这说明局部效率提升可能在下游形成新的拥塞点。只统计「省了多少工时」而不统计「堵塞在哪里」，正是 82 分差里最容易失真的部分。
口径警示与冷静判断
- 三份调研样本框不同，数值不可互比：Deloitte 3235 人（24 国、IT 与业务负责人）、IDC 643 家组织（15 个国家和地区）、麦肯锡全球组织调查，各自的对象与问题设计不同，本文仅并列呈现，不做换算或合并。
- 部分数据为二手转述：麦肯锡的 88% 与 6% 经《Fortune》评论文章引用后转述，Deloitte 的 42/43/15 与 72/70/67 经第三方行业媒体转述；正式引用前建议回溯原始报告页，本文已对转述环节作明确标注。
- 自报口径普遍存在：企业调研依赖受访者主观判断，「已采用」「已规模化」「治理成熟」均无统一客观标准，跨机构数值差异可能部分来自定义差异而非真实差距。
- 「创新悖论」属评论者解释框架：Ming Lu 关于组织转型赤字的论断建立在其本人构建的指标之上，因果链未获第三方研究直接验证，应视为一种解读而非结论。
- 试点失败率的几套口径存在冲突：MIT NANDA 的 95%、IDC 与联想的 88%、Gartner 的 30% 分属不同定义与样本，不可相加；其中 MIT 的 95% 在方法学上已有公开质疑。
- 地域覆盖不均：Deloitte 与 IDC 的样本虽覆盖多国，但中国企业样本占比与分地区拆解未充分披露，用于中国市场判断时需补充本地数据交叉验证。
- 调研时点分散：IDC 调研结果于 10 月初公开，Deloitte 数据经 10 月初报道引用，麦肯锡调研为 2026 年度数据；三者采集窗口不同，横向并列时存在时间差。
综合三份调研，2026 年企业智能体的主要矛盾已经从「能不能做出可用的试点」转向「能不能在数据、治理和组织层面支撑长期运行」。这个转向对企业是好消息：它意味着门槛的构成是清晰的、可拆解的、也是可以通过组织投入改变的，而不是被模型能力天花板卡住。坏消息是，组织投入的周期以年计，而不是以版本计——88% 与 6% 之间那 82 个百分点的距离，一年内没有缩小，这个事实本身就说明了难度。目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。