把 Gartner 2026 年 9 月的那张 AI 支出分项表单独拎出一行来看，会发现一个和 2025 年完全不同的数字：AI 智能体与助手（AI Agents and Assistants）2025 年 164.81 亿美元，2026 年 292.19 亿，2027 年预计 654.72 亿。三年时间，接近四倍。
更重要的是它的增速曲线形状。2025→2026 是 +77.3%，2026→2027 预计是 +124.0%。这是 Gartner 这张表里唯一一个在 2027 年加速的类别——其余所有类别的增速都在放缓，只有它在换挡。这个反常的曲线，指向 2026 年 AI 行业最重要的结构性变化：钱开始从"买能力"转向"买结果"。
一、从 164 亿到 655 亿：数字意味着什么
先把这三个数字换算成更直观的单位。
2025 年 164.81 亿美元——这个规模，大约相当于全球主流 SaaS 领域一个中型产品线一年的全球收入。2027 年 654.72 亿美元，则接近 OpenAI 在 2025 年底披露的年化收入量级。两年之内，Agent 类产品从一个细分品类长成一个独立的、与大模型本身同一量级的市场。
但比绝对值更值得注意的是增速的形状。把九个类别的两年增速放在一起看：
| 类别 | 2026→2027 增速 | 趋势判断 |
|---|---|---|
| AI 智能体与助手 | +124.0% | 唯一加速 |
| AI 数据服务 | +107.3% | 高增但基数小 |
| 生成式 AI 模型 | +82.6% | 自然回落 |
| AI 网络安全 | +67.5% | 自然回落 |
| AI 软件 | +42.2% | 稳定 |
| 数据科学与 ML AI 平台 | +34.5% | 稳定 |
| AI 基础设施 | +33.2% | 明显降速 |
| AI 应用开发平台 | +30.8% | 稳定 |
| AI 服务 | +29.3% | 最慢 |
这张表说明了一件事：2026 年之后，行业增长最快的不是提供能力的地方，而是消耗能力的地方。模型（提供能力）增速 82.6%，基础设施（承载能力）33.2%；而 Agent（消耗能力完成工作）124.0%。
二、为什么 Agent 会在 2027 年加速
加速的机制不复杂，但常被忽略：计费单位的改变。
传统企业软件的计费单位是"席位"。买 100 个席位，付 100 份钱，哪怕其中 60 个席位一个月只用两次。这种计费方式让软件厂商的收入增长与"价值交付"之间存在天然脱节——厂商的理性选择是拼命卖席位，而不是拼命帮客户用好。
Agent 的计费单位变成了"任务"或"调用量"。这带来两个连锁反应：
- 对客户：用多用少付，试错成本大幅下降。一个原本需要三个月论证价值、批准预算、上线、验收的流程，现在可以先跑一个月看账单。决策周期从"季度"压缩到"周"。
- 对厂商：收入与交付量直接挂钩，必须真的把客户的问题解决掉才能拿到钱。这淘汰了大量只做"AI 套壳"的玩家，留下了真正有工程能力的团队。
这就是 Gartner 5 月预测里那个判断的现实基础：智能体 AI 2026 年支出预计增长 141%，有望在 2027 年超越聊天机器人和虚拟助手支出。把 Agent 单独列为一个统计类别并给出独立预测，本身就说明 Gartner 认为它已经是一个独立市场，而不是某个软件功能的一个标签。
三、"30 个试点"现象：企业侧的真实进度
支出数据讲的是宏观，试点数量讲的是微观。德勤的一项调查显示，近半数受访者表示其企业内部正在推进的 AI 试点项目已超过 30 个。
这个数字听起来是好事，但结合 Agent 支出的增速曲线看，它其实是一个预警信号：试点泛滥，生产落地稀缺。
典型的企业 AI 现状是这样一个漏斗：
300 个想法 → 60 个立项 → 30 个试点 → 5 个通过验收 → 1–2 个进入规模化生产
损耗发生在每一层，而最陡的一段在"试点→生产"。原因几乎总是同样的四个：
- 数据没准备好。试点阶段可以用样本数据手工喂进去，生产阶段要求系统自己找到数据并保证质量。
- 没有明确的成功指标。"提高效率"不是指标，"把 XX 环节从 40 分钟压到 8 分钟"才是。没指标就意味着项目结束时要靠感觉判断成败。
- 权限与审计缺失。试点时 Agent 读写几张表没人管，接进生产 ERP 之后每一次操作都要有日志、有回滚、有审批。
- 责任边界模糊。Agent 做错了一个决策，谁负责？这个问题在试点时可以用"人工复核"掩盖，在生产时必须回答。
这四个问题都不是模型能力问题，而是工程与治理问题。这也是 2026 年 AI 网络安全支出增速达到 98.1%（从 259.2 亿到 513.5 亿）的根本原因——新需求是真实的，不是被制造出来的。
四、给企业的四个落地建议
1. 用"任务量"而不是"场景"来选试点
错误做法是"做一个智能客服 Agent"。正确做法是先量：每天有多少次咨询？平均处理时长多少？如果每次能省 6 分钟，一天 200 次咨询就是 20 小时。选高频、低风险、可量化的任务，避开"低频、高价值、不可逆"的任务（合同审批、付款操作、人事决定）。
2. 先做只读，后做写入
Agent 的第一个版本应该只有读权限——它能查数据、生成建议、起草内容，但所有写操作由人确认。这个"人在回路"（human-in-the-loop）的设计看起来降低了自动化程度，实际上大幅缩短了从试点到生产的路径，因为它绕开了责任边界的死结。
3. 把成本上限设成硬约束
按量计费是一把双刃剑。如果不设上限，一个逻辑循环出错或一个恶意构造的输入，就可能在一夜之间产生巨额账单。实操上应该设三道闸：单任务 token 上限、单日调用量上限、异常增长率熔断。这三道闸的成本不超过一天的开发量，但能避免事故。
4. 先做可归因，再做规模化
如果一个 Agent 跑了一个月，你无法回答"它到底替代了多少人工时间、错误率有没有上升"，那它不具备扩大的条件。最小可行的度量至少要包含三项：任务量、单位任务成本、人工干预率。第三项尤其重要——人工干预率是判断 Agent 是否真的"能用"的唯一硬指标。
五、必须说清楚的两个风险
风险一：厂商锁定。Gartner 明确列出厂商锁定是采用专有 AI 能力时的主要风险之一。Agent 的问题比单点 AI 功能更严重，因为它会深度嵌入工作流：调用了哪套 API、依赖了哪种记忆机制、状态怎么存。一旦切换供应商，往往意味着工作流重写。缓解办法是把 Agent 的能力抽象成接口，让业务流程只依赖这个接口，模型和厂商可以替换。这正是 API 优先架构在 2026 年越来越重要的原因。
风险二：成本失控。按量计费的另一面是成本不可预测。当一个原本每月固定 5000 元的软件变成"用多少付多少"，如果用量增长来自流程卡死或循环调用，账单可以在一天内翻十倍。Gartner 同样把成本失控列为风险。务实的做法是：在任何按量计费的 AI 支出上，先设预算告警，再谈规模化。
六、2026→2027：Agent 市场的三个观察点
观察点一：智能体是否会超过生成式模型支出。Gartner 预测 2027 年智能体（654.7 亿）将超过生成式模型（516.2 亿）。这个交叉如果真的发生，含义是：行业收入的重心从"卖模型能力"完成"卖工作成果"。这是本轮 AI 周期里最重要的结构性拐点。
观察点二：计费模式会不会再次变化。从席位到任务是一次进化。会不会出现"按结果计费"（比如按解决的工单数、按达成的转化数）？如果出现，Agent 厂商必须自己承担结果不达标的成本，工程能力的权重会进一步提高。
观察点三：Agent 安全会不会独立成一层。51.35 亿美元的安全支出已经接近模型的 282.66 亿的三分之一。随着 Agent 获得写权限、跨系统调用能力，权限管理、行为审计、操作回滚会成为独立的基础设施层，而不是某个产品里的功能。
结语
从 164 亿到 655 亿，这条曲线的真正含义不是"Agent 会火"，而是软件行业的价值计量单位正在被改写。当能力变成商品，价值就必须转移到结果上。这对每一个做软件的企业都提出了同一个问题：你的产品，是按"我提供了什么"计价，还是按"我交付了什么"计价？
在 2026 年，这个问题的答案决定了你是被计入了那 292 亿的支出，还是被计入了那 164 亿的存量。
数据来源：Gartner《Worldwide AI Spending Guide》2026 年 9 月版；德勤 AI 试点现状调查（2026）。
