夜雨聆风是让不会管 AI 的人没位置
您好，我是Kevin，AI+低空经济+机器人连续创业者，坐标深圳。
这两天刷到一个数据，差点把我手里的咖啡洒了。
Gartner 在 2026 年度数据分析峰会上放了一组数字：到 2027 年底，超过 40% 的 Agentic AI（智能体 AI）项目将被取消。
取消的原因不是技术不行，是成本失控、业务价值不清、风险管控不足。
同一周，德勤发布了覆盖全球 24 个国家、3200 多名企业高管的《2026 年企业 AI 现状报告》。报告里有几个数字同样扎心：
翻译成人话就是：钱花了，但没几个真敢用；试点跑了一堆，但能上线的不到四分之一。
再看德勤的另一组数据：人才准备度只有20%，治理准备度30%，数据管理准备度40%——没有一项过半。
这就是今天这篇文章想讲清楚的一件事：AI 确实在取代工作，但它取代的不是人，而是不会管 AI 的人。
AI 淘汰的不是岗位，是认知
真正被淘汰的，不是"用了 AI 效率提高了 30% 就行"的人，而是"只会用 AI，但想不清为什么用、用在哪儿、怎么管住风险"的人。未来的核心竞争力不是会用工具，而是能设计工具的使用规则。
很多人看到"40% 的 AI 项目要黄"，第一反应是"AI 又凉了"。
错。Gartner 的原文说得很清楚：取消项目的三大原因是成本上升、业务价值不明确、风险管控不足。注意，没有一条是"模型能力不够"。
这就好比你花了几百万装修了一家餐厅，结果倒闭了——不是因为厨师做的菜不好吃，而是因为你没搞清楚这条街的客流是谁、他们愿意花多少钱、卫生许可证怎么办。
真正失败的不是"假 AI"，而是"真 AI 跑在错误的地基上"。
—— Gartner 2026 D&A Summit
Gartner 分析师 Edgar Macari 在峰会上点名了一种现象：Agent Washing（智能体漂洗）。
说白了就是把旧东西换上新名字：把传统的 RPA 流程贴上"Agent"标签，把规则引擎包装成"自主决策系统"，PPT 上全是 AI 关键词，但产品的实际能力一点没变。
在数以千计自称做 AI Agent 的厂商中，Gartner 说真正具备 Agentic 能力的大约只有 130 家。
但这还不是最扎心的。
最扎心的是另一种情况：企业确实在认真做 AI Agent——用了真实的大模型、真实的 Agent 框架、真实的企业数据——但项目还是失败了。
这就像你买了最好的厨具、最贵的食材，但厨房的排水系统是坏的、冰箱没有分区、调料瓶上全没贴标签——你做出来的菜，每道口味都不一样，你自己都不知道为什么。
把 Gartner 和德勤的数据放在一起看，你会发现一个非常有意思的"剪刀差"：
84% 组织增加了 AI 投资
AI 工具普及率同比增长 50%
实现利润增长 5% 以上
仅 20% 通过 AI 实现收入增长
投入在飙升，信任在塌方。这不是某个行业的问题，是全球性的结构性错配。
德勤报告里有一段话，我觉得比任何数据都有穿透力：
如果组织中没有连贯的 AI 战略，你很可能会看到试点疲劳。执行一百个试点只会导致糟糕的结果和失败的价值创造。
—— 德勤《2026 年企业 AI 现状报告》受访者
说白了就是：公司花小钱不断启动新试点，因为试点成本低、风险小、领导看着开心。但一旦要规模化——要集成到现有系统、要做安全审查、要持续维护——没人愿意接这个烫手山芋。
一个医疗 AI 领导者说得更直白："人们启动试点，但当被问及如果成功如何扩展时，他们往往没有答案。"
这就像一个人天天去健身房体验不同课程，但从来不做饮食管理、不睡觉、不坚持任何一项超过两周——然后问你"为什么我没有腹肌"。
为什么这么多"真 AI"项目也会失败？Gartner 和德勤都指向了同一个结构性问题：数据地基不对。
企业部署 AI 的标准路径通常是：选一个大模型 → 套一个 Agent 框架 → 接上企业数据源 → 开始执行任务。
前两步已经不是瓶颈了——GPT-5、Claude Opus、Gemini 3 等模型突飞猛进，Agent 框架也在快速收敛。
瓶颈在第三步。大多数企业的做法，说白了就是把 AI接到一堆原始数据表上。
数据来源：Deloitte《State of AI in the Enterprise 2026》
想想看——你的 AI 分析 Agent 今天说"上季度华北毛利增长 12%"，明天换个问法说"华北毛利下降 3%"。不是 Agent 在胡说，是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"的定义都不一样。
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。
Gartner 在峰会上给出了一个明确的答案：
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。
—— Gartner D&A Summit 2026 主题演讲
说人话就是：在模型和企业原始数据之间，需要有一层"翻译"——把混乱的数据表翻译成 Agent 能理解的、一致的、带业务含义的结构。没有这层翻译，Agent 就是在猜。
一个 Agent 猜错还能人工兜底。但十个 Agent 同时猜错，而且互相依赖对方的结论——这就是 28% 信任率和 23% 上线率背后的真正结构性原因。
德勤报告揭示了 AI 落地的下一个大拐点：智能体 AI（Agentic AI）。
和以前的 AI 不一样，智能体不只是"给你建议"，它能直接执行决策——下单、发消息、修改系统参数。目前 23% 的企业在使用智能体 AI，但预计两年内这个数字将飙升到74%。
问题来了：23% 在用，只有 21% 建了治理体系。这意味着相当一部分正在跑的智能体，是没有刹车上路的。
受访者最担心的三大风险：安全（73%）、数据隐私（73%）、治理监督缺失（50%）。
一位电信公司的高管说了一段话，我觉得把这件事讲透了：
最初对这些人来说将是更多的工作。他们不会无所事事；他们将监视这些智能体，确保指标正确，确保质量正确，并在它们遇到人在环中的门时与人互动以实现问责目的。
—— 某大型电信公司前可观测性副总裁
换句话说：AI 上路之后，管 AI 的人反而更忙了。
这就是为什么德勤说"84% 的公司尚未围绕 AI 能力重新设计工作"。大家还在用旧的工作方式来管理新技术——培训员工"怎么用工具"，而不是重新设计"工具来了之后，工作本身该怎么变"。
聊了这么多问题，来聊点解法。从 Gartner 和德勤两份报告交叉验证来看，活下来的 AI 项目有三个共性：
第一，先治理再上车。不是先跑起来再说，而是先把数据语义层、权限边界、审计链路搭好。Gartner 明确说了：语义层是 AI 信任的基础设施，不是"有了更好"，是"没有不行"。
第二，从低风险场景起步。德勤报告里看到最大成功的公司，都是"从低风险用例开始，建立治理能力，审慎扩展"。不是一上来就让 AI 做核心决策，而是先让它干不会出大事的活。
第三，重新设计工作方式，不只是培训工具。不是教员工"怎么用 ChatGPT"，而是重新思考"这个岗位在 AI 时代应该做什么"。德勤用了一个精准的表述：让定价分析师变成"定价战略家"。
这三点翻译成一句话就是：AI 时代的竞争力，不是你会用多少 AI 工具，而是你能不能把 AI 管在一个可控、可信、可追溯的框架里运行。
作为一个做 AI + 硬科技的创业者，我对这个话题特别有感触。我们团队在做的水下机器人项目，核心不是机器人本身有多先进，而是这套系统在中广核核电站的安全体系里能不能被信任、被审计、被追踪。
客户买单的不是你的 AI 有多聪明，而是你的 AI在出问题时能不能说清楚为什么。
AI 不会淘汰你，但会淘汰那个不会管理 AI 的你
放慢脚步，把地基打好。企业 AI 的下一阶段，更少取决于工具部署速度，更多取决于整合能力。那些放慢脚步强化基础设施、重新思考工作方式的企业，最终可能取得更大领先优势。这不是我说的，是德勤报告的原话。
你觉得你的公司，AI 落地最大的卡点是什么？
是老板太急、数据太烂、还是团队不会用？评论区聊聊，我会在下一篇拆解"如何从零搭建企业 AI 治理框架"。关注我，别错过。
关注 Kevin，一个在 AI+硬科技赛道上死磕的人
低空经济 · 机器人 · 具身智能 · 连续创业笔记 · 坐标深圳
数据来源：Gartner 2026 D&A Summit / Deloitte《State of AI in the Enterprise 2026》/ Alteryx × Coleman Parkes 全球调研
本文为个人观点，不构成任何投资或商业决策建议
