79% 已上线、2% 有专用工具、15% 准备好：身份层与数据层的两笔基础设施欠账

两份材料：样本、委托方与利益关联

读企业调研，先要看清是谁问的、问了谁。两份材料的委托方本身就是解决方案供应商，这不是缺点，但决定了读法。

维度	SailPoint Horizons of Identity Security（第五届）	Fivetran Agentic AI Readiness Index 2026
委托方	SailPoint（Nasdaq: SAIL），身份安全厂商	Fivetran，数据集成厂商
样本	340 位身份、IT、网络安全与风险负责人	500 余位资深数据与技术负责人（基础设施基准报告口径）
地域	北美、欧洲、亚太与拉美	报告未在本材料中标明地域构成
度量工具	五级成熟度模型，Horizon 1 为无正式项目，Horizon 5 为生态集成	准备度自评与数据基础设施指标
发布场合	年度 Navigate 大会	随数据基础设施基准报告一并引用
发布时间口径	新闻稿标注 10 月 6 日，部分第三方转述标注 10 月 13 日，存在冲突	2026 年度指数，未在本材料中标注具体日期

需要先把一处口径问题摆出来。SailPoint 官方新闻稿的电头写的是 2026 年 10 月 6 日，并称于当日的 Navigate 大会发布；而有第三方渠道转述称该报告于 10 月 13 日发布。本文未能取得足以判定哪一日期为准的第三方独立材料，故并列标注，并把结论建立在报告内容本身而非发布时点上。

两份报告的处方都恰好指向各自售卖的能力，这一点在引用时必须记住。SailPoint 的结论是组织需要从碎片化、以人为中心的做法转向统一的身份架构；Fivetran 的结论是数据底座是智能体落地的缺失环节。两条结论本身都成立，但都由卖方提出，读者应当自行判断是否还有别的路径。

79% 与 41%：同一个问题的两个答案

两份报告都问了智能体在生产环境的渗透情况，给出的数字却相差 38 个百分点：SailPoint 是 79%，Fivetran 是 41%。这不是谁对谁错，而是两类受访者在用不同的尺子回答不同的问题。

口径	SailPoint	Fivetran
问题表述	组织是否已在生产环境运行 AI 智能体	是否已有智能体式 AI 在生产运行
结果	79%	41%
受访者构成	身份、IT、网络安全与风险负责人	资深数据与技术负责人
配套读数	仅 2% 部署专用身份安全工具；智能体占非人类账号 22%	接近 60% 已投入数百万美元；仅 15% 自认完全准备好

本文的判断是，差异主要来自两端。其一，受访者的视角不同：身份与安全负责人倾向于把任何已经接入生产系统、持有凭据、能够发起动作的程序都算作「在生产运行」，而数据与技术负责人更可能把标准提高到「已经承担实际业务负载」。其二，样本量不同：340 人对 500 余人，且前者明确覆盖四大区域，后者的地域构成本材料未标明。

对采用者的实操含义是：引用任何一个「生产渗透率」数字之前，先确认它的定义。把 79% 当成行业共识、把 41% 当成保守估计，都会得出偏离实际的预算判断。更稳妥的做法是把它读作一个区间——智能体的生产渗透在四成到八成之间，取决于你怎么定义生产。

身份层：把五年曲线压进一年

SailPoint 这份报告最有价值的部分，是它给出了同一把尺子下的两条时间线。

对象	2022 年位于 Horizon 1 的比例	当前位于 Horizon 1 的比例	变化
人类身份安全	45%	23%	四年下降 22 个百分点
智能体身份安全	—	54%	起点即高出人类当前值 31 个百分点

把两条线放在一起看，问题就很清楚了。人类身份安全用了大约四年，把处于初始档位的组织比例从 45% 压到 23%。而智能体身份安全今天有 54% 的组织处于初始档位——比人类侧四年前的起点还高出 9 个百分点。

本文据此做了一次线性推算，这是报告没有直接给出的：按人类侧年均下降约 5.5 个百分点的速度，智能体侧要从 54% 降到 23%，大约需要 5.6 年。而报告自己的判断是，由于智能体已经在生产运行，企业没有五年时间，只能把五年的成熟度曲线压缩到一年左右完成。这两者之间约 4.6 年的缺口，就是这份报告真正想说的事。

成熟度分布也从侧面印证了这一点。约 60% 的组织位于 Horizon 1 与 Horizon 2，达到 Horizon 5 的不足 1%。这里必须给出一条可信度提示：有第三方转述指出，位于最高档位的样本只有两名受访者，因此「不足 1%」这个读数的统计稳定性很弱，不宜作为精确基准引用，但作为「几乎没有组织达到成熟」的定性判断仍然成立。

另一组对照同样说明问题：87% 的组织认为自身的人类身份与访问管理能力达到「胜任或更好」，而只有 43% 表示已具备成熟的智能体访问管理流程。两者相差 44 个百分点，且方向明确——不是组织不会做身份治理，是组织还没把这件事做在智能体上。

剪刀差：信心侧与能力侧的四组对照

两份报告都提供了「领导者怎么想」与「系统实际能做什么」的成对数据。把它们并排放在一起，剪刀差相当规整。

信心侧读数	能力侧读数	落差	来源
80% 的领导者认为自身工具差距中等或更小	仅 15% 能实时开通非人类访问	65 个百分点	SailPoint
57% 对满足监管要求有信心	仅 43% 准备好在 AI 相关审计中出示可验证证据	14 个百分点	SailPoint
87% 认为人类 IAM 能力胜任或更好	仅 43% 具备成熟的智能体访问流程	44 个百分点	SailPoint
接近 60% 已投入数百万美元	仅 15% 自认底座完全准备好	约 45 个百分点	Fivetran

四组落差方向完全一致：信心高于能力。其中最大的是首组，65 个百分点。这不是一个简单的乐观偏差，它的结构值得拆开看——领导者被问的是「你的工具差多少」，而多数组织根本还没有为智能体身份准备专用工具（85% 仍依赖传统身份工具，只有 4% 运行完全现代化的身份技术栈）。当一个人不知道专用工具应该长什么样时，他很自然会认为现有工具的差距不大。

这也解释了报告把它称为「认知差距」而不是「能力差距」。认知差距的麻烦之处在于它不会自己收敛：只有当组织真的开始做发现、做归属、做实时开通，才会初次意识到原来做不到。

补充两组配套读数：69% 的组织已把智能体纳入身份审计，81% 预期这部分工作量还会增长；领导者最担心的两项是数据泄露（35%）与权限过大（30%）。后一项尤其值得注意——报告的原话式判断是，风险不在于智能体会做出难以预测的行为，而在于它完全按照配置行事，却带着过大的权限、持续了过长的时间。

两个 15%：本文推算的有界区间

两份报告各自出现了一个 15%：SailPoint 侧，只有 15% 的组织能够实时开通非人类访问；Fivetran 侧，只有 15% 的组织认为自身数据底座已完全准备好支撑智能体式 AI。两个 15% 来自完全不同的领域、不同的样本、不同的问卷，指向的却是同一类能力——在机器速度上完成一次决策。

本文据此做一次有界推算，这是两份报告都没有给出的。设 A 为能实时开通非人类访问的组织集合，B 为数据底座完全准备好的组织集合，两者比例各约 15%。

如果假设 A 与 B 相互独立，那么同时具备两者的比例约为 15% 乘 15%，即约 2.25%。但这个假设在现实中几乎不成立：治理做得好的组织通常在身份与数据两侧都做得更好，两者正相关。在正相关的情况下，交集比例会高于独立假设下的 2.25%，但不会高于任一单侧比例，即不超过 15%。

因此本文给出的区间是：同时具备实时身份开通能力与就绪数据底座的组织，占比大约在 2.25% 到 15% 之间，真实值更可能靠近区间下沿而非上沿——因为两份报告的受访者构成差异很大，且都是自评数据。这个推算的意义不在于精确，而在于给出一个可以直接使用的判断：真正同时补上两层欠账的组织，很可能是个位数百分比。

数据层：73% 未达预期与 328 条管道

Fivetran 一侧给出了更硬的一批运营数字，来自其 2026 年企业数据基础设施基准报告，样本为 500 余位资深数据与技术负责人。

指标	读数
年度数据项目投入	平均 2930 万美元
数据项目未达预期的比例	73%
每年用于维护数据管道的费用	平均 220 万美元
工程团队用于维持管道运行的时间占比	53%
平均管理的管道数量	328 条
遗留与自建集成方式的月均停机	超过 60 小时
缺少支撑智能体的数据架构的比例	85%

把这些数字连起来读，会看到一条相当直白的因果：组织每年在数据上花近三千万美元，其中超过一半的工程时间用于维持既有的管道运转而不是支撑新的分析与 AI 工作，结果是近四分之三的数据项目没有达到预期。在这样的底座上叠加智能体，等于把一条本来就满负荷的管道，交给一个会自己开阀门的东西。

报告对「没准备好」给出了三个具体表现，恰好对应三种典型的智能体失效模式。其一是数据过期：智能体在拿昨天的状态做今天的判断，对客服智能体意味着它不知道退款已经发出，对风控智能体意味着它在用十几个小时前的模式做判断。其二是没有模式约束：源系统列改名、类型放宽、新增字段，如果管道不在下游强制模式契约，智能体可能收到看起来合法但实际畸形的数据，并且照常自信地执行。其三是没有可观测性：多数管道监控只能告诉你任务有没有跑，不能告诉你数据对不对，一个正在静默丢掉两成事件的管道，要到智能体行为异常时才会被发现。

这三条的共同点是：它们都是老问题，在 BI 时代就存在，只是后果从一张错的图表变成了一个自动执行的错误决策。变化的是破坏半径，不是问题本身。

本文推算：每条管道的单价与年化停机

基于上表，本文做了三组算术推算，供做预算时参考。三组均为本文推算，报告未直接给出。

其一，每条管道的年度维护单价。以每年 220 万美元的维护费用除以平均 328 条管道，得到约 6707 美元每条每年。这个数字的价值在于它把「管道维护很贵」变成了一个可谈判的单位——当业务部门要求新增一条数据源时，它带来的不只是一次接入成本，还有每年约 6700 美元的长期维护责任。

其二，维护费用占总投入的比例。220 万除以 2930 万约为 7.5%。也就是说，每花在数据上的 100 美元里，约有 7.5 美元用于维持既有管道运转。结合 53% 的工程时间占比，可以看出维护的成本同时体现在钱与人力两侧，而人力侧的占比远高于资金侧——这说明多数维护工作是被人力硬扛下来的，而不是被工具消化的。

其三，年化停机时长。月均超过 60 小时，年化即超过 720 小时，约合 30 个完整工作日。对于依赖这些管道的智能体而言，这 30 天里它读到的是不完整或不新鲜的数据，而且大概率不会有任何提示。

收益侧：62%、46% 与 76%

两份报告都不是纯粹的警示，都给出了做对之后的收益读数。把它们放在一起，可以看出投入的回报落在哪几个方向。

收益	读数	限定条件	来源
取得可测量的生产率提升	62%	限于已在非人类身份安全上投入的组织	SailPoint
实现更安全的更快 AI 部署	46%	同上	SailPoint
预期更强的身份治理能改善网络保险资格或条款	76%	领导者的预期，非已实现结果	SailPoint
报告显著生产率提升的可能性	成熟组织约为其他组织的 2 倍	按成熟度分组比较	SailPoint
在安全部署 AI 上更成功的可能性	成熟组织约为其他组织的 3 倍	按成熟度分组比较	SailPoint
自认完全准备好的组织几乎都对 ROI 有信心	接近全部	自评数据	Fivetran

需要提醒的是，前三行都带有明确的限定条件。62% 与 46% 的基数不是全体受访者，而是「已经在非人类身份安全上投入的组织」——这是一组已经做出选择的样本，它们本来就更有动力报告正面结果。76% 则是预期而非已发生的事实。

最值得注意的是最后一行，它把两份报告的逻辑闭环了：Fivetran 侧几乎所有自认完全准备好的组织都对 ROI 有信心，而未建立这些数据能力的组织信心急剧下降。结合前面 15% 的准备度，可以看出 ROI 的分水岭不在模型选型上，而在底座是否建好。

两条路径：发现治理保护，与新鲜度一致性可观测

两份报告各自给出了推进顺序，把它们并列起来，会得到一份相当完整的检查表。

SailPoint 给出三阶段。发现阶段：为每个服务账号、API 令牌与智能体建立清单，检测影子 AI，并为每一个指定人类负责人。治理阶段：自动化生命周期、轮转凭据，并把身份规划与 AI 规划对齐。保护阶段：采用零常驻权限、即时访问，以及与安全运营联动的、上下文感知的实时控制。报告特别提醒，不要在可见性尚未建立之前直接跳到高级控制。

Fivetran 给出三个属性。新鲜度：不是所有数据都要实时，而是对智能体实际据以行动的那部分数据，必须知道延迟是多少并有保证。一致性：当智能体需要合并多个来源做判断时，各来源的调度与新鲜度差异会造成难以排查的细微不一致，一个来源显示账号正常、另一个显示待关闭，智能体对各自来源的判断都对，合起来却错了。事件级可观测性：管道监控管的是任务，智能体可靠性需要的是事件——事件有没有被处理、模式是否匹配智能体的预期、有没有突发流量冲垮下游。

两份报告的处方在结构上是一致的：先把可见性做出来，再谈自动化；先知道有什么，再管住它。这个顺序与多数组织实际做的事相反——多数是先买控制工具，再发现不知道自己要控制什么。

与本栏目此前研究的交叉

本栏目在 R-INDUSTRY-46 中梳理过智能体行为风险的账本，其中引用过非人类身份管理方面的一项读数：约 70% 的组织授予智能体的权限超过人类员工，约 80% 报告出现过超出预期的行为。本次 SailPoint 的 54% 位于初始档位、只有 43% 具备成熟智能体访问流程，与那一组读数方向一致，且样本与机构不同，可以互为旁证。

本栏目在 R-INDUSTRY-39 中讨论过「不信任税」——组织一边扩大智能体部署，一边投入大量人力做监督与返工。本次两份报告为这一现象提供了机制层面的解释：监督之所以必要，是因为身份层不能实时开通、数据层不能保证新鲜，于是只能用人去补这两层的缺口。

需要明确的是，SailPoint 的厂商身份在本栏目此前研究中也出现过，但仅作为聚合数据源被引用，本次是首次以其年度报告为主体展开。

六步落地清单

综合两份报告，本文给出六步顺序，供准备规模化智能体的组织参考。

步骤一，先做发现再做控制。列出全部服务账号、API 令牌与智能体，检测未登记的影子 AI，并为每一个指定人类负责人。没有清单，后面所有控制都是空转。

步骤二，把智能体身份从人类身份流程里拆出来单列。两者的生命周期节奏完全不同，人类身份按季度复核的节奏对智能体毫无意义。

步骤三，先解决凭据生命周期。报告显示凭据生命周期管理与影子 AI 发现各自被 58% 的受访者评为困难项，是最普遍的两个痛点，也是投入产出比最高的起点。

步骤四，对智能体实际据以行动的数据做新鲜度盘点。不需要全部实时，但必须知道每条数据的延迟，并把延迟写进智能体的决策前提。

步骤五，把模式契约强制到下游。源系统的列改名与类型变化必须在管道层被拦住，而不是在智能体输出异常后才被发现。

步骤六，建立事件级可观测性。从「任务有没有跑」升级到「事件有没有被正确处理」，并把智能体的动作与其所依据的数据版本关联起来，否则事后无法归因。

冷静判断：这些数字能信到什么程度

两份报告的共同价值，是把讨论从「模型够不够强」移到了「底下那两层有没有建好」。这个转向本身就值得肯定，因为它解释了为什么很多模型能力足够的组织仍然跑不出效果。

它们的共同局限也很清楚，必须在使用前记住。其一，两份都是厂商自有研究，处方指向各自产品。其二，全部数字都是自评，没有任何一项来自独立观测——一个组织是否真的能实时开通非人类访问，问卷无法验证。其三，样本量有限，340 人与 500 余人放在全球范围内都偏小，且最高成熟度档位的样本只有两人，相关读数只能作定性参考。其四，SailPoint 报告的发布时点存在 10 月 6 日与 10 月 13 日两种口径，本文未能判定。

还有一处需要读者自己判断：两份报告都把解法指向统一平台与现代化底座，这当然与它们的商业模式一致。是否存在不购买统一平台也能补上欠账的路径，两份报告都没有讨论。对于预算有限的组织，本文的建议是按六步清单的顺序推进，先做发现与凭据治理这两件不需要大规模采购的事，再评估平台化投入。

最后一句给决策者：这两份报告最值得带走的不是 79% 或 41%，而是那个 40 比 1 的落差和那两个 15%。前者说明控制手段的部署速度比智能体的部署速度慢了一个数量级以上；后者说明在机器速度上真正就绪的组织，很可能只有个位数百分比。这个差距不会随着模型变强而自动缩小。