Gartner预测40%的Agentic AI项目将被取消，主要原因是什么？

主要原因不是模型不够好，而是成本失控、业务价值不清、风险管控不足。Alteryx联合调研机构的报告也印证了这一点：89%的企业增加了AI投入，但只有28%信任AI的决策支持能力，只有23%成功将试点推到了生产环境。信任崩塌的核心原因是企业在原始数据上直接叠加生成式AI，缺乏业务上下文和语义治理，导致AI输出会幻觉、前后不一致、每次查询结果都不同。

什么是Agent Washing？它与真正的Agent落地风险有什么区别？

Agent Washing是把不是AI Agent的东西包装成AI Agent，如把传统RPA流程贴Agent标签、把Chatbot对话框叫Agentic Analytics、把规则引擎包装成自主决策系统。如果只是贴标签，市场会自我纠正。真正令人担心的是企业认真做Agent项目，用了真实大模型、真实Agent框架、真实企业数据，但仍然会失败——这不是假Agent问题，而是真Agent跑在错误地基上的问题。

为什么说Agent的普及让语义层从优化项变成了前提条件？

在BI时代数据消费者是人，人有判断力和容错能力，语义不一致烦人但不致命。在Agent时代消费者变成了没有业务直觉、没有容错能力但拥有无限执行力的程序，而且不是一个而是一群——在A2A架构下Agent之间互相调用依赖，一个Agent的错误输出会成为下一个的错误输入链式放大。Agent把语义一致性从有了更好变成了没有不行，这是质变不是量变。

企业可以用哪三个问题自测Agent项目是否在裸奔？

三个问题：任何一个Agent做出的判断，你能追溯到它的数据依据和计算链路吗？当业务定义变化时（如活跃用户定义从7天内登录改为7天内有交易），所有Agent能同步更新吗？Agent调用数据时是从一个统一的语义服务获取，还是各自编写查询？如果三个问题一个都答不上来，Agent项目大概率在裸奔——不是说跑不起来，而是跑出来的东西不可信、不可审、不可治理。

Gartner在2026年D&A Summit上对语义层提出了什么定位？

Gartner在峰会Day 2主题演讲中指出，D&A领导者应该通过优先可解释性、构建透明洞察、用语义层确保可追溯性来避免AI的黑盒问题。这是Gartner在年度旗舰峰会上首次如此明确地将语义层定位为AI信任的基础设施。同一周同一会场，Strategy、Sema4.ai、MetaKarta、Actian至少四家公司密集发布了语义层产品，语义层正在从数据团队的内部工具变成AI系统的基础设施层。

产品解决方案客户案例资源中心合作伙伴关于我们立即咨询

首页>NoETL 博客>Gartner：40% 的 AI Agent 项目注定被砍

Gartner：40% 的 AI Agent 项目注定被砍

作者：刘靓2026-03-13|NoETL 博客

这一周的中国互联网圈只有一个话题：养虾。

所有云厂商集体下场发布自己的“养虾”方案。腾讯在深圳总部北广场摆摊帮人装虾，队伍排到马路对面。A 股 Agent 概念股连日大涨。9 岁小孩和 70 岁老人都在小红书上晒自己的虾。

热闹得很。

但就在本周，太平洋对岸的 Orlando，Gartner 在年度 Data & Analytics Summit 却上给出了两个不那么热闹的数字：

第一个：到 2027 年底，超过 40% 的 Agentic AI 项目将被取消——原因是成本失控、业务价值不清、风险管控不足。

第二个：在数以千计自称做“AI Agent”的厂商中，真正具备 Agentic 能力的大约只有 130 家。

一边是全民的养虾狂欢，一边是全球最权威分析机构的冷水。如果你是企业里负责 AI 落地的负责人，可能已经把朋友圈的热闹切换到一个冷静的问题——自主 Agent 究竟该如何在企业真正落地？

今天这篇文章，我想把海外关于企业 AI 落地的一些资讯和思考分享给你。先从 Agent Washing 说起。

一、贴标签不是最可怕的

Agent Washing，字面意思是“Agent 漂洗”——把不是 AI Agent 的东西包装成 AI Agent。

这不是什么新鲜事。每一轮技术热潮都有自己的“Washing”版本：云计算时代 Forrester 专门造了“Cloud Washing”一词，批评厂商把传统托管服务贴上“云原生”标签。现在轮到了 Agent。

Gartner 分析师 Edgar Macari 在峰会上指出了几种典型形态：把传统 RPA 流程贴上“Agent”标签，把 Chatbot 对话框叫做“Agentic Analytics”，把规则引擎包装成“自主决策系统”。共同特征是：产品的实际能力没有变化，只是 PPT 上的关键词换了一轮。

如果 Agent Washing 只是这一层，那它只是甲乙方之间的智商博弈——聪明的买家能识别，市场会自我纠正。

真正让人担心的是另一种情形：企业确实在认真做 Agent 项目，用了真实的大模型、真实的 Agent 框架、真实的企业数据——但项目仍然会失败。 这不是“假 Agent”的问题，而是“真 Agent 跑在错误地基上”的问题。

二、89% 在投，28% 敢信

2026 年 2 月，企业数据分析平台 Alteryx 联合独立调研机构 Coleman Parkes 发布了一份覆盖全球 1400 名企业高管的调研报告。五个行业（银行、保险、制造、零售、公共部门），三大区域（美洲、欧洲中东非洲、亚太），结果非常刺目：

89% 的企业增加了 AI 投入。但只有 28% 信任 AI 的决策支持能力。只有 23% 成功把 AI 试点推到了生产环境。

三组数字，一个故事：钱花了，信任没建立，试点上不了线。

如果失败的项目都是假 Agent、PPT 工程，那倒还好——至少说明市场只是在洗牌。但 Alteryx 的报告指向了一个更棘手的诊断：信任崩塌的核心原因不是模型不好，而是企业在原始数据上直接叠加生成式 AI，缺乏业务上下文和语义治理。结果就是：AI 输出的答案会“幻觉”、会前后不一致、每次查询结果都不同。

想想看——你的分析 Agent 今天说“上季度华北毛利增长 12%”，明天换个问法说“华北上季度毛利下降 3%”。不是因为 Agent 在胡说，而是因为两次查询背后命中了不同的表、用了不同的计算逻辑、甚至“华北”的范围定义都不一样。

也许正因为此，报告指出 “49% 的高管把‘高质量、可访问、治理良好的数据’列为 AI 发挥全部潜力的首要条件。”不是更好的模型，不是更多的算力，是数据本身。

这就引出了一个必须回答的问题：Alteryx 说的“缺乏业务上下文和语义治理”，到底是什么意思？

三、那个被跳过的一层

让我把这个逻辑链拉直。

企业今天部署 Agent 的标准路径大致是：选一个大模型 → 套一个 Agent 框架 → 接上企业数据源 → 开始执行业务任务。

这条链路里，前两步已经不是瓶颈。

模型能力在过去两年突飞猛进——GPT-5、Claude Opus、Gemini 3 代表闭源前沿，GLM-5、Kimi K2.5、DeepSeek V3、Qwen 3.5 等开源模型也已逼近闭源水准，推理、规划、工具调用的能力不再是制约因素。

Agent 框架同样在快速收敛——LangChain、CrewAI 等社区项目持续迭代，OpenAI、Anthropic、Google 先后发布了各自的 Agent SDK，框架之间的共识越来越清晰：multi-agent 协作、自主规划与执行、A2A 互操作。

更值得注意的趋势是，Agent 的构建门槛正在急剧下降——一个 Agent 的能力边界可以用几个 Markdown 文件定义，技能可以热插拔，迭代周期从“月”缩短到“天”。

换句话说，“造 Agent”这件事正在被解决。但“接上企业数据源”这一步，在大多数企业里仍然约等于“把 Agent 接到一堆原始数据表上”。

问题就在这里。Agent 越容易造，这个问题就越致命——而且它的范围比大多数人意识到的要大得多。

很多人一想到“Agent 需要数据”，脑子里浮现的是一个分析 Agent 在查报表。但企业里不是只有分析 Agent。未来的企业架构正在走向 A2A——采购 Agent 在评估供应商时需要拉取历史合作数据和付款周期；客服 Agent 在处理投诉时需要查询客户的订单状态和服务记录；风控 Agent 在审批贷款时需要交叉验证多个数据源的信用指标。每一个 Agent，无论它的任务是分析、决策还是执行，在完成任务规划后都大概率需要调用企业数据来支撑下一步动作。

这就引出一个架构层面的根本问题：这些数据的语义标准在哪里？业务知识的上下文在哪里？是由一个集中的数据服务层统一提供，还是让每个 Agent 各自编写 SQL 去查询？

如果是后者——每个 Agent 自己理解数据、自己写查询——那你的企业里会出现 10 个 Agent 对“客户”有十种理解，对“收入”有 10 种算法，对“华北”有 10 种边界定义。这不只是分析报表对不上的问题，而是采购决策、客服承诺、风控判断可能全部建立在不一致的数据认知之上。

原始数据表是给工程师看的，不是给 Agent 看的。Agent 没有领域知识，没有内部人脉，没有“去问问财务那边是怎么定义的”这种能力。它能做的，只是读取它被授权访问的数据，按照它能理解的方式计算和推理。如果这些数据没有被“翻译”成结构化的、一致的、带业务含义的形式——换句话说，如果模型和原始数据之间缺少一层统一的“业务语义翻译和治理服务”——那不只是分析 Agent 的输出不可信，而是整个 A2A 协作网络的信任基础都不存在。

这不是一个“优化”问题，是一个“有和无”的问题。没有这层翻译，Agent 就是在猜。一个 Agent 猜错还能人工兜底，十个 Agent 同时猜错且互相依赖对方的结论——这才是 Alteryx 调研中 28% 信任率和 23% 上线率背后的真正结构性原因。

Gartner 在本周峰会的 Day 2 主题演讲中，实际上已经指出了答案：D&A 领导者应该通过“优先可解释性、构建透明洞察、用语义层确保可追溯性”来避免 AI 的黑盒问题。

注意——“语义层确保可追溯性”。这是 Gartner 在年度旗舰峰会上首次如此明确地将语义层定位为 AI 信任的基础设施。

四、三个问题：你的 Agent 在“裸奔”吗？

无论你的企业在做分析 Agent、客服 Agent、采购 Agent 还是全套 A2A 架构，我建议用三个问题做一次自测。它们分别对应语义层的三个核心能力：可追溯性、可治理性、一致性。

问题一：任何一个 Agent 做出的判断，你能追溯到它的数据依据和计算链路吗？

风控 Agent 拒绝了一笔贷款申请，理由是“该客户近 12 个月违约概率偏高”——这个判断调用了哪些数据源？“违约”的定义是逾期 30 天还是 90 天？“近 12 个月”是滚动窗口还是自然年？如果监管机构来查，你能给出一条从最终判断到源头数据的完整审计链路吗？

一个无法解释自己判断的 Agent，和一个“我感觉大概是这样”的实习生没有区别——只不过实习生你知道要审，而 Agent 的答案穿着一身自信的西装，反而更容易让人放松警惕。

问题二：当业务定义变化时，所有 Agent 能同步更新吗？

当“活跃用户”的定义从“7 天内登录”改成“7 天内有交易行为”，谁来更新所有相关 Agent 的认知？是让分析 Agent、客服 Agent、推荐 Agent 各自重新“学习”，还是有一个集中的语义注册中心，改一处、全局生效？

如果是前者——你有 10 个 Agent，可能 5 个用了新定义，5 个还在用旧的。分析 Agent 说这个用户是活跃的，推荐 Agent 认为他已经流失，客服 Agent 给他发了一封召回邮件。三个 Agent 都没有“错”，但合在一起就是一场混乱。

问题三：Agent 调用数据时，是从一个统一的语义服务获取，还是各自编写查询？

这是最关键的架构选择。Agent 需要数据支撑时，是向一个集中的语义层发起请求——由语义层负责理解业务含义、组装查询、约束口径——还是每个 Agent 自己理解数据库 schema、自己写 SQL？前者有标准、可预测、出了问题能定位。后者灵活，但每个 Agent 每一次取数本质上都是一次“即兴创作”——你无法保证两个 Agent 问同样的业务问题会得到同样的答案。

如果这三个问题一个都答不上来，你的 Agent 项目大概率在“裸奔”——不是说它跑不起来，而是说它跑出来的东西不可信、不可审、不可治理。 它就是 Gartner 说的那 40% 之一。

五、为什么是现在？

说到这里，有人可能会问：语义层不是一个新概念——为什么突然变得这么急迫？

因为数据的消费者变了。

在 BI 时代，数据的主要消费者是人。人有判断力、有容错能力。报表上的数字跟直觉有出入，人会去核实。语义不一致是个体验问题——烦人，但不致命。

在 Agent 时代，消费者变成了一个没有业务直觉、没有容错能力、但拥有无限执行力的程序。 而且不是一个，是一群——在 A2A 架构下，Agent 之间互相调用、互相依赖，一个 Agent 的错误输出会成为下一个 Agent 的错误输入，链式放大。当 Agent 拿到一个错误的定义，它不会停下来问“这对吗”。它会基于错误定义高效地产出一整套分析、决策甚至执行动作——全错的那种。

我们越来越确信一个判断：下一阶段 AI 采用的决定因素不是模型或工具，而是语义——谁控制 AI 系统用来推理的定义、上下文和关系。

Agent 把“语义一致性”从“有了更好”变成了“没有不行”。这是质变，不是量变。

行业正在用脚投票。本周 Gartner 峰会期间，至少四家公司密集发布了语义层产品：Strategy（原 MicroStrategy）发布 Mosaic Sentinel，提供语义层上的审计、血缘追溯和合规报告；Sema4.ai 宣布其语义层 GA，基于 OSI 标准；MetaKarta 展示了跨数据库和 AI 系统的统一语义中枢；Actian 更是推出了Steward Agent——用 Agent 自动构建语义层。

同一周、同一会场、四家厂商、同一赛道。这不是巧合。

语义层正在从数据团队的内部工具，变成 AI 系统的基础设施层。