Gartner
PulseAugur coverage of Gartner — every cluster mentioning Gartner across labs, papers, and developer communities, ranked by signal.
- 2026-07-02 research_milestone Gartner included DingTalk's A1 recording card in its report on AI-powered wearable devices. 来源
- 2026-06-28 research_milestone Gartner released a prediction regarding the future cost of AI coding. 来源
- 2026-06-26 research_milestone Gartner released its 2026 Magic Quadrant for Enterprise AI Coding Agents, positioning Alibaba Cloud's Qoder in the Challengers quadrant. 来源
- 2024-10-02 research_milestone A Gartner study found that AI-related layoffs are not effectively generating returns.
23 天有情绪数据
-
人工智能框架取代传统模型以应对不稳定的供应链规划
传统的库存规划模型因无法适应需求波动和COVID-19等外部干扰，在复杂供应链中，尤其是在生命科学领域，已显不足。这些依赖于每周或每月规划周期和历史数据的旧系统，常常无法有效地配置关键库存。人工智能驱动的框架通过整合实时数据、用于不确定性预测的高级机器学习以及持续的库存优化，提供了一种解决方案，能够更快地响应市场变化和风险。
-
AI在销售中的应用：学习人类判断，而非仅仅自动化
Zornitza Stefanova认为，销售中的AI应专注于向人类销售人员学习，而不是简单地自动化任务。目前的AI销售工具常常失败，因为它们基于交易数据进行训练，导致产生类似的交易结果。Stefanova认为，AI的真正价值在于它能够分析过去的失败和客户决策冲突，而这些往往是人类销售代表所忽略的。通过捕捉销售人员的判断和结果，AI可以被训练得更好地理解特定的业务背景和客户需求，最终增强销售中的人际联系。
-
人工智能提供强大的可持续发展解决方案，尽管能耗巨大
人工智能对可持续发展提出了双重挑战和机遇，它消耗大量能源，但同时也为减少浪费和排放提供了强大的解决方案。人工智能已被用于优化建筑物的能源使用、提高电网弹性、提高交通效率以及减少食物腐败和浪费。一项思想实验表明，人工智能在建筑环境等领域的潜在节能效果最终可能超过其消耗的能源，特别是来自数据中心的能源。
-
到2027年，AI服务器的耗电量将超过传统硬件
Gartner预测，到2027年，AI服务器的耗电量将超过所有传统数据中心硬件的总和。全球数据中心的用电量预计将大幅增长，2026年将达到565 TWh，到2030年可能超过1,200 TWh。这种由计算密集型AI工作负载驱动的需求激增，正在造成电力供应限制，这可能会限制AI的扩张并影响区域电网。
-
AI聊天机器人出现幻觉，编造虚假身份和统计数据
对基于Groq API构建的AI聊天机器人进行的压力测试揭示了重大问题，包括编造虚假的法人实体身份、分配了其系统提示中未提供的名称，以及捏造来自Gartner和Forrester等知名来源的统计数据。该聊天机器人在BotCritic的评估中得分55/100，未能识别用户上下文，导致重复且无用的响应。这些失败凸显了在未经严格测试的情况下部署AI代理的风险，因为它们可能提供自信但错误的信息，从而可能误导用户和高管。
-
自主 AI 项目面临高取消率，原因在于管理问题而非模型限制
Gartner 预测到 2027 年将有超过 40% 的自主 AI 项目被取消，这一预测正被证明是准确的。失败的原因并非模型限制，而是治理、数据访问、所有权和投资回报率等方面的问题。许多项目之所以失败，是因为公司在部署 AI 代理时缺乏明确的成功指标、适当的数据集成或应对突发状况的应急计划。行业正在看到...
-
AI代理正在改变企业使用仪表盘的方式，将重点转移到决策质量上
仪表盘传统上用于人类决策，现在正演变为整合AI代理。虽然AI承诺提高生产力，但组织在评估其真正价值方面面临挑战，常常侧重于效率等易于量化的指标，而非AI驱动的决策质量。这种疏忽至关重要，因为AI代理可能大规模出错，例如加拿大航空的客服机器人提供错误的票价信息，或Zillow的定价模型导致重大财务损失。
-
AI代理开发成本预计将达到50万美元，运行成本是主要因素
到2026年，构建一个定制的AI代理，单功能系统的成本预计在1.5万至7.5万美元之间，而对于复杂、多代理或注重合规性的应用，成本将飙升至8万至50万美元。成本中一个重要但常被低估的部分在于运营费用，包括推理、监控和模型更新，这可能与初始开发预算相当。开发的主要成本驱动因素包括代理执行操作的能力、其评估套件的稳健性、系统集成以及遵守合规法规的情况。
-
AI代币预算挤压企业财力，投资回报率难以捉摸
公司正日益将预算从人力资源重新分配给AI代币，英伟达CEO黄仁勋关于代币消耗的声明也印证了这一趋势。尽管这种转变体现在巨额资本支出和显著的科技行业裁员中，但许多公司发现实际投资回报难以实现。Meta和Oracle等公司已通过裁员来资助AI项目，但研究表明，裁员并不一定能带来回报的提升，而Uber和Walmart等一些公司已面临预算超支和AI工具配给问题。
-
海湾国家在威胁加剧的背景下加强人工智能驱动的网络防御 · 跟踪到1个来源
面对日益加剧的网络攻击以及攻击者和防御者日益增长的人工智能使用，海湾国家正在增强其运营韧性。包括美伊战争在内的地缘政治紧张局势显著增加了网络威胁的频率，阿联酋每天遭受的攻击尝试激增。Help AG 等网络安全公司报告称，攻击者正在利用人工智能将攻击生命周期加速高达 65%，使得传统安全模型不足以应对。因此，该地区正转向持续自适应安全系统和主权云解决方案，同时也在采用人工智能来改进威胁检测和响应。
-
Agentic AI 势将颠覆 2340 亿美元的 SaaS 支出，引发问责制难题 · 追踪 3 个来源
Gartner 预测，Agentic AI 将对软件即服务 (SaaS) 市场产生重大颠覆，可能影响 2340 亿美元的支出。这项新兴技术在 AI 代理出错时引发了复杂的问责制问题，凸显了问责制的差距。Agentic AI 系统的开发和部署需要清晰地理解当这些智能代理失败时，谁应承担责任。
-
Agentic AI的隐藏成本威胁企业预算，而非模型本身
企业AI的采用正面临严峻的成本挑战，并非源于昂贵的模型本身，而是来自底层架构和编排。与过去的云采用热潮类似，企业在agentic AI工作流中通过token消耗产生了巨额且通常未量化的费用。这种“上下文税”源于低效的数据表示、臃肿的提示以及重复的上下文，导致难以管理的观测成本和项目延误。专家建议CIO主动了解token使用情况，并审计其遥测基础设施，以避免重蹈过去IT成本危机的覆辙。
-
AI代理泛滥对企业治理构成重大挑战
企业内部AI代理的失控扩散，被称为“代理泛滥”，正成为一项重大的基础设施挑战。预计到2028年，平均每家财富500强公司可能管理超过15万个AI代理，远高于2025年不到15个的水平。这种快速增长已超出当前的库存、所有权和治理实践，随着代理获得对公司系统的写入权限，可能带来安全风险。许多组织发现现有的AI治理框架不足以应对这一日益增长的局面。
-
UiPath 创始人警告 AI 裁员会削弱人类的‘品味’和主动性
UiPath 创始人 Daniel Dines 认为，当前由 AI 驱动的裁员浪潮是错误的，因为公司在削减劳动力的同时，也削减了宝贵的人类‘品味’和主动性。他认为，AI 模型是基于平均水平训练出来的，缺乏通过个人错误和风险而培养出的特定经验和判断力。Dines 相信，虽然 AI 可以复制推理能力，但它无法取代人类在产生目标、好奇心、动力和毅力方面的能力，而这些对于企业成功至关重要。
-
Gartner将钉钉A1录音卡列入AI可穿戴设备报告
Gartner在其关于AI驱动的可穿戴设备报告中认可了钉钉的A1录音卡。报告强调了AI可穿戴设备如何通过捕获信息和提供实时洞察来提高员工效率。钉钉A1因其与钉钉协作平台的集成而受到关注，该平台包括AI转录、摘要和与其他钉钉工具的数据流。Gartner还提醒企业注意员工自带AI录音设备可能带来的数据安全和隐私问题，同时承认了企业级集成的早期迹象，钉钉A1是其中一个例子。
-
钉钉悟空AI平台入选Gartner企业AI助手指南
钉钉的AI原生平台悟空（Wukong）被Gartner在其首份《企业人工智能助手市场指南》报告中列为代表性供应商。此次入选使钉钉成为该报告中唯一被认可的中国厂商，该报告分析了企业级AI助手的当前格局和未来趋势。
-
企业人工智能失败源于过时的运营模式，而非模型本身
根据BCG的一项研究，尽管投入了巨额投资，但只有5%的企业能够大规模地从人工智能中获得实质性价值，而60%的企业则没有产生任何实质性价值。核心问题不在于人工智能模型本身，而在于为确定性系统设计的过时企业运营模式。这些模式难以应对人工智能的概率性本质，导致数据基础设施和工作流程集成出现故障。企业需要重建其数据基础，以供人工智能即时消费，并重新设计工作流程以整合人工智能以获得认知优势，而不是简单地将其叠加到现有流程上。
-
人工智能计算不可预测的电力需求给全球电网带来压力
人工智能计算的蓬勃发展给全球电网带来了前所未有的压力，这已不仅仅是能源消耗问题，更是电网稳定性问题。人工智能工作负载，特别是训练的同步性以及推理的不可预测模式，会导致电力需求快速且局部化波动，给传统电网管理带来挑战。这种动态负载变化与可再生能源的间歇性不同，需要新的电网规划和运营方法，有人建议转向专门的核能为数据中心供电，以确保可持续扩展。
-
AI代理驱动数据库演进，迈向统一数据基础
AI代理在生产环境中的集成正在改变数据库的角色，将其从简单的数据存储系统转变为AI必不可少的回忆和上下文提供者。数据库现在必须支持RAG（检索增强生成）和AI驱动的数据流的实时数据检索，使代理能够访问和处理包括非结构化和多模态信息在内的各种数据类型。这种演进需要一个统一的数据基础，结合数据湖和传统数据库的优势，提供开放存储、实时处理、强一致性和原生AI能力，以支持AI代理复杂、自主的运行。
-
B2B软件购买体验亟需改革，应效仿奢侈品
作者认为，B2B软件的购买体验存在根本性问题，与其说是直接交易，不如说是像讨价还价的过程，这与购买奢侈品或消费电子产品的体验截然不同。作者将此归因于软件设计旨在制造压力和恐惧、买家与最终用户之间的脱节，以及定价和价值实现时间缺乏透明度。文章以Tesla和Apple等公司为例，说明它们如何通过提供固定价格和简化流程来创造更好的购买体验。