生成式AI时代下科技

产品的重要发展机遇

采取关键行动以推动业务增长、提升客户价值

——CPO与产品领导者的行动指南

科技产品的关键AI机遇

到2031年，AI带来的营收预计将全面超越非AI软 件营收。对技术供应商和服务商而言，AI布局越 晚，市场份额流失越快，当下正是行动的关键窗

AI采用进度差异

AI创新竞争（技术供应商） AI 成果竞争（企业客户）

口期。

单点式生成式AI辅助工具的时代已近尾声。多智能体生成系统（MAGS）正走向前台，统 筹复杂多步骤工作流，释放更深层的业务价值。

AGI

神经符号AI

要保持竞争优势，首席产品官（CPO）和产品领导者必须告别单任务工具，转向领 域专用的智能体操作系统，对业务流程进行根本性重构。

环境AI

代理型AI

产品领导者应重点关注以下方面：

AI采用进 度差异

AI智能体

• • 智能体套利：将工作负载从高成本的捆绑式SaaS应用，迁移至成本更低的模块化 智能体系统。
• • 自主智能体的定价与收入模式：从按席位的UI访问订阅，转向按智能体执行的工作流 计费，并在规模化之前采用价值导向的灵活定价，有效控制买家成本与供应商收入的 波动。
• • 隐性成本与规模失控：规模化过程中，需警惕专业人才、数据准备与集成等环节带来 的变动成本快速攀升。
• • 治理与架构风险：通过增强执行能力、落实身份绑定与审计控制，加固AI智能 体架构，降低部署风险。

生成式AI

传统AI（ML、 NLP）

来源：Gartner

科技产品的关键AI机遇

代理型AI能力决定产品路线图的竞争力

企业支出正从零散的生成式AI试点，转向嵌入核心应用的生产级智能体。自主智 能体增长最快，占企业应用总支出的比例将从2025年的6%升至2030年的37%， 规模达4,400亿美元。

到2030年底，累计

2,340亿美元

CPO和产品领导者若只押注大规模通用前沿模型，利润空间将遭严重挤压。成功的关 键在于设计阶段即嵌入治理，保证审计可追溯，并使总体拥有成本透明可控。长期胜

企业应用支出（约占20%） 将面临智能体套利风险。

出者的共性，是以最低运营成本将数据转化为可信赖的决策。

到2030年底，累计2,340亿美元企业应用支出（约占20%）将面临智能体套利风险。 到2030年，易受智能体套利影响的企业应用年支出将在单一年份内增长近两倍，从530 亿美元增至1,540亿美元。2027至2028年是产品领导者确立先发优势的关键窗口。 到2028年，代理型AI预计带来超4,500亿美元的营收。

技术供应商若不能在2031年生成式AI拐点前行动，将面临市场份额流失的风险。

科技产品的关键AI机遇

代理型AI能力决定产品路线图的竞争力（续前页）

职能型与跨职能型代理型AI支出（2025–2030） 生成式AI对企业应用软件市场的影响

AI助手 简单智能体 高级自主智能体

AI 生成式AI 非AI

职能型代理型AI 跨职能型代理型AI

12,000

$600,000

营收（单位：百万美元）

营收（单位：百万美元）

400,000

8,000

$400,000

200,000

$200,000

4,000

生成式AI拐点： 2031年

0 0 2024 2027 2030 2024

$0

2022 2028 2033

2027 2030

来源：Gartner 来源：Gartner

科技产品的关键AI机遇

把握推进节奏：停、缓、行

市场过热正干扰产品战略设定。CPO应依据基于实证的决策框架规划能力 路线图，使投资节奏与代理型AI成熟度路线图保持一致，分三阶段推进：

|稳步跟进

0–1年

部署L2级AI智能体，在预设权限内自主执 行，并辅以人工审核，实现简单重复工作 流的自动化。|

|---|

|早期布局

1–3年

布局L3级高级AI智能体，可跨前台与后台系统完成 多步骤数字化处理，按目标自主调整运行，无需严 格人工介入。|

|---|

|行业领先

3–6年

架构L4、L5级专家智能体生态，支持自发设 定群体目标、自主发现可用工具，并实现跨系 统流程的无缝自动化。|

|---|

科技产品的关键AI机遇

代理型AI成熟度路线图

创新者在此层级 开始涌现

智能体生态

2025年多数科技产品所处 水平

自主程度：完全自主，跨物理与数 字环境以及系统自动完成复杂任务

专家智能体

，无需人工干预

自主程度：高自主，专项任务

任务复杂度：跨职能、跨企业、 跨生态的智能体执行；具备适应 性与新颖交互；自主学习

无需人工审核

高级AI

任务复杂度：深度领域专项工 作流执行；具备人类级别的理 解能力与行为；高度自适应

自主程度：中等自主，无需人工 审核，工作流自动化，目标驱动

协作模式：内部智能体与第三方智 能体跨系统协作 人机分工：人工管理智能体队伍

AI智能体

任务复杂度：多模态、多步骤流 程；可变规划；参数范围内自适 应；可执行物理操作

协作模式：内部智能体与第三方 智能体协同

自主程度：条件式自主， 在人工审核下执行任务； 流程驱动

AI助手

人机分工：人机协同配合

协作模式：内部智能体间复杂协 作

任务复杂度：在明确流程内处理 简单重复任务；可执行数字操作

自主程度：按既定规则执 行固定任务（规则限定型 自主）

聊天机器人

人机分工：人工监督智能体工作

协作模式：内部智能体间简单 协作

自主程度：无自主决策能力 任务复杂度：基础问答 协作模式：系统独立运行

任务复杂度：智能问答与推荐； 结构化决策支持

人机分工：人工将有限 任务委托给智能体

协作模式：系统独立运行 人机分工：人工主要负责信息检 索

初级 中级 高级 专家级 卓越级

自主等级

注：自主等级综合评估自动化水平、任务支持复杂度、协作能力与人机分工关系。 来源：Gartner

科技产品的关键AI机遇

运用代理型AI能力实现客户价值最大化

要把握智能体套利的重大机遇，产品领导者可通过跨系统编排，将以下结构性能力嵌入产 品，提升价值实现效率：

生成式工作 流

智能体可观测 性与交互体验

自监督学习 （SSL）

MAGS（多 智能体生成 系统）

高级推理与记 忆

构建可解释的AI交互界面 和深度追踪工具，让用户

突破僵化固定流程的限 制，让智能系统能够实

突破静态模型局限， 利用自监督学习使智

整合短期与长期智能体记 忆，使系统能在多个会话 间保留有价值的用户上下 文；并结合思维链推理模 型，在不确定的情境下做 出合理判断。

将任务分派给平台内外的

时创建、调整并执行计

理解智能体的决策依据，

能体直接从上下文与

专业智能体协同处理，效 果优于单体智能体系统。

划。

从而建立信任。

交互数据中学习，无 需人工标注或历史结 果数据，从而在动态 环境中提升实时适应 性与自主性。

科技产品的关键AI机遇

代理型AI能力：实现客户价值最大化（续前页）

合成数据

一类人工生成的数据，作为真实数据的替代品，常用于匿名化、AI与机器 学习开发、数据共享与数据变现等场景。

产品与用户行 为数据

优化产品与服务 质量

合成数据

领域专业化

领域专用语言模型是针对特定行业定制化的AI模型，在专业任务和关键应用中具 备更高的准确性、相关性与可信度。

领域专业化

AI智能体

推理能力

推理模型是AI模型的高级演进形态，具备逻辑推断、复杂问题求解和多步推理能力。

缩短价值实现 周期 提升客户体验

推理能力

AI智能体

自主或半自主的软件实体，利用AI技术在数字或物理环境中感知、决策、行动并

达成目标。

来源：Gartner

科技产品的关键AI机遇

评估产品能力：合理配置AI，摆脱同质化竞争

用户需求明确后，CPO需将自身智能体能力与当前及新兴智能体技术进行系 统性对标，重点评估以下四个方面：

新兴技术影响力雷达：代理型AI

• • 目标导向与自主性：评估智能体是仅能按预设指令线性执行，还是能 理解抽象复杂的目标并自主调整策略。
• • 以DSLM实现按需配置，优化成本结构：通过构建“任务拆分”式多智能 体系统，为平台配备具备专业技能、专注于特定领域的 AI 智能体，使其 协作完成跨职能任务，从而帮助客户降低成本。参数规模在100亿以内的 DSLM，开发成本可低至约1,000美元，推理成本不足每百万token 0.01美 元。这既能支撑跨职能智能体工作流的规模化运营，又能避免将通用前沿 大模型的巨额算力成本转嫁给客户。
• • 通过AI网关实现动态路由：以AI网关替代人工选择模型，将其作为治理控 制平面，自动将高频、低复杂度任务调度至高效的DSLM，将昂贵的通用 前沿模型集中用于少数关键推理场景。
• • 统一RAG平台：阻止各团队重复搭建数据摄取与向量化管道，建立统一且 治理完善的向量数据库，并标准化API接口，以遏制“RAG无序蔓延”导 致的隐性基础设施重复投入。

核心代理型AI技术

安全

和信任

生成式 工作流

跨智能体评估 框架

高级推 理模型

时间跨度 当下（0–1年）

智能体记忆

| |

|---|

多智能体生 成系统

| |

|---|

1–3年 4–5年 6–8年

AI智能体可观 测性

| |

|---|

AI智能体交 互设计

| |

|---|

AI智能体身份 与访问管理

AI智能体开发 框架

复合AI

影响程度

领域专用语言模型

低 中 高 极高

| |

|---|

智能体 市场

智能体 集群

合成数据

资源访问 协议

智能体市场

自监督学习

基于智能 体的仿真

智能体互操 作流程

数据和协议

应用

专家级AI智能体

来源：Gartner

科技产品的关键AI机遇

在产品中部署代理型AI能力：四个关键决策动作

理解用户需求

评估产品能力

识别关键参与者

开展市场空白分 析

借助Gartner智能体罗盘（Agentic Compass）等框架，优先筛选落地 阻力最小、商业价值最高的智能体 工作流。

筛选最适合的代理型AI生态、垂 直平台及合作伙伴，为后续生态 布局提前占位。

采用基于实证的对标框架，将现有研 发水平与经过市场验证的智能体能力 基准进行比较，明确差距所在。

系统梳理竞品在智能体市场、互操 作性协议等方向的产品布局，寻找

差异化切入点。

科技产品的关键AI机遇

理解用户需求：将AI智能体匹配至复杂的业务流程

为避免研发资源错配、确保解决方案真正创造价值，Gartner代理型 AI用例罗盘（Agentic AI Use-Case Compass）提供了一套可复用 的评估框架，帮助企业审视用例价值、对标市场需求，让研发力量 集中到真正驱动用户采纳的关键环节。

• • 人工介入程度：判断哪些环节可由智能体自主执行、哪些仍需人工监 督。这一平衡直接决定运营风险、用户信任与效率收益。
• • 任务关键性与出错后果：评估智能体失误可能带来的影响。高影响流 程必须在方案设计阶段内置更严密的防护与可靠性机制。

该框架基于对200个已投入实际运营的的AI智能体项目的分析，从以下

四个关键维度帮助产品团队理解客户真实场景，确定路线图优先级：

将智能体能力与这些界定清晰、商业价值高 的客户特征对齐，既能降低部署风险，也能 减少用户流失，支撑收入的持续增长。

• • 工作流复杂度：优先关注包含复杂流程、相互依赖关系、决策变量 多的环节。越是复杂且高价值的业务流，企业投入意愿越强，也越 适合引入智能体自动化。
• • 个性化需求：评估AI需要在多大程度上适配不同用户或场景。有 效的个性化能提升用户信任度与粘性，使智能体套利的价值空间 更为可观。

科技产品的关键AI机遇

Gartner代理型AI用例罗盘：各维度得分

示意图

用例

医疗文献自主处理流程

流程复杂度

第25百分位数 第50百分位数

个性化需求

人工介入 第75百分位数

程度

数据丰富度

环境波动性

人智协同度 任务关键性

样本量：n=200 来源：Gartner代理型AI案例研究项目；Gartner供应商调研简报

识别代理型AI市场关键参与者，把握技术演进方向

值得关注的代理型AI初创企业

如今，自建智能体已不再构成差异化优势，智能体构建平台市场已趋于 饱和。竞争壁垒正在向领域专用的智能体操作系统转移——这类系统能 够打破数据孤岛，跨企业应用编排无缝工作流。产品的持续差异化优势 并非来自AI技术本身，而是来自卓越的问题发现能力，以及借助AI更高 效地交付领域专业知识的能力。

Al nce Al

高

产品领导者应持续关注沿“钻石型成长路径”（diamond motif）扩张 的初创公司，看它们如何从初步萌芽逐步成长为已确立领先地位的的行 业先行者。目前，主流厂商正陆续推出角色定义清晰的“AI员工”（如 Lindy、Leena AI和Maisa），它们以自主数字协作者形态原生集成到 HR、IT、财务和安全系统中。

融资水平

中

低

市场认可度

来源：Gartner

开展市场空白分析：研判竞争性代理型AI产品格局

智能体生态仍在持续演进，应从以下四个维度评估当前格局、识别战 略空白与生态集成机会：

低

次要需求

关键机会

个性化定制

• 供应商1
• 供应商2
• 供应商3
• 供应商4
• 供应商5

• • 智能体市场：市场平台将成为企业发现、评估和采购预构建的智能 体模板与连接器的核心渠道，降低非技术用户使用复杂AI功能的门 槛。
• • 智能体互操作协议：为打破平台壁垒，应持续关注MCP（Model Context Protocol）、A2A等新兴通信标准。这类协议能让不同厂商 的智能体相互发现并直接协作，实现真正的跨平台协同。
• • 跨智能体评估框架：随着多智能体系统规模扩大，单智能体基准测 试已难以反映真实表现，需要构建结构化评估框架，持续监测智能 体间的协作机制与系统整体目标的达成情况，同时防范涌现性行为 故障。
• • 智能体集群（IAS）：这是MAGS的下一代演进方向，核心技术特征 是支持数十至数百个智能体组成的大规模自组织网络。这类集群展 现出涌现式智能，可针对高度复杂的问题动态组建、协同作业、完 成任务后灵活解散。

用户细分

语音转文本

核心用户反馈

自动化特征工程与模型构建

模型管理与运维 负责任AI 翻译

竞争洞察（Competitive Insights）

产品经理可通过该功能，基于Gartner Peer Insights， 按特定能力与目标用户群，筛选出客户满意度最高的 技术供应商。

高 XXX

自动化数据准备

自然

自然语言理解

部署与管理便捷性

现有解决方案中，定制化能力获得用户高分评价的产 品包括：

可扩展性

集成能力

• 供应商1

• 供应商2

• 供应商3

• 供应商4

• 供应商5

供过于求 低 用户重要度

科技产品的关键AI机遇

面向CPO与产品领导者的代理型AI部署建议

• • 建立智能体身份与访问管理（IAM）：智能体代理人类执行任 务，身份与权限管控是第一道安全防线。 企业应能够动态发现、登记并自动撤销智能体对系统和数据的访问 权限，确保权限边界始终可控。
• • 转向智能体开发生命周期（ADLC）管理：停止零散的PoC项目。 CPO应优先建设具备全栈可观测能力的智能体编排框架，对多智能 体系统实施全生命周期管理。
• • 将“按成果计值”嵌入产品规划：每个AI功能都应在较宽的不确定 性区间内进行成本预测，并对照明确的成果指标（如自动化处理任 务数、成功结案数）跟踪实际支出。低效工作流应快速改进或果断 下线，以保护利润空间。
• • 将推理分级制度化：强制根据请求的具体需求选择成本效益 最高的模型，禁止常规任务默认调用前沿大模型。
• • 设定AI执行最低标准：提前确定成功阈值、合规成本与风险 缓释费用；未经token价格波动和合规支出压力测试的部署， 一律不予批准上线。

• •建立持续迭代机制：将每次模型发布视为“新车”——上线即开始贬值。 通过专有数据微调与自主学习反馈闭环，维持差异化优势与利润空间。
• • 采用价值与用量导向的定价模式：从固定算力费用转向分层计费，按 自动化操作量或结果复杂度收费，使收入增速与推理消耗同步增长。
• • 组建跨职能团队：代理型AI需要新的工作方式，应让工程、市场、销售 等所有团队掌握代理型AI的基础知识与评估方法，通过跨部门协作打造 直接服务于客户增长目标的智能体方案。

要让高级AI智能体真正产生投资回报，CPO必须掌握推理分级方

法，针对具体业务场景持续优化模型选择与调用策略。

科技产品的关键AI机遇

客观、可执行的洞见

以下是我们为首席产品官精选的免费资源与工具：

工具

网络研讨会

指南

Gartner产品决策模型

智能超级周期下打造 Agentic AI 业务

《12项颠覆性新兴技术：产品领导者必读》

为首席产品官提供一套战略蓝图，以构建高回报的 智能体业务。

赋能产品战略，创建有效的产品路线图。

研判新兴技术趋势，前瞻性调整产品布局。

了解更多

参会观看

立即获取

了解更多

参会观看

立即获取

已是Gartner客户？通过Gartner客户服务平台获取更多资源。登录

联系我们

获取Gartner客观、可执行的商业与技术洞见，助您针对关 键优先事项做出更明智的决策，并提升业务绩效。

成为客户

成为客户

了解更多关于Gartner高科技行业领导者的信息 gartner.com/cn/industries/high-tech

持续关注，掌握前沿洞察

© 2026 Gartner, Inc.及/或其关联公司版权所有。保留所有权利。 5148100