Gartner 企業 AI 關鍵預測總體檢：AI 優先的真相與 40% 專案取消的警訊

多份針對這項預測的分析都清楚指出以下根本原因：

• 成本失控：企業發現，當試圖從試運行（pilot）進入實際營運階段時，預算可能直接暴衝八倍之多 。
• 投資報酬率（ROI）模糊：許多組織在投入大量資源前，根本無法證明其價值 。
• 治理失靈：當 AI 代理採取自主行動時，絕大多數組織都缺乏明確的問責與究責框架 。

顧能同時點名批評了市場上「濫竽充數」的「代理洗白」（agent washing）現象——供應商將基本的聊天機器人、機器人流程自動化（RPA）工具或標準的 AI 助理，重新包裝成 AI 代理出售，卻未提供真正的代理能力 。這種供應商的魚目混珠，讓企業更難分辨真材實料，也讓問題雪上加霜。

這項專案取消的預測，不僅在獨立報導中被大量引用、證實，更反覆出現在顧能 2025 至 2026 年的多份公開報告中 。可以說，這是顧能近期釋出最頻繁、態度也最堅定的警告之一。

下一代的基礎建設押注：資料串流與 GraphRAG

兩項關於技術採用的預測，為未來的企業基礎架構勾勒出清晰的方向：

採用代理式 AI 的資料串流技術，將在 2028 年突破六成的普及率，遠高於 2025 年不到 15% 的水準 。背後的理由是，代理式 AI 系統天生要求即時的反應能力，因此由事件驅動的資料流，重要性將徹底超越傳統的批次處理。顧能指出，這項轉變在決策智能、自主營運與數位分身等領域中，顯得格外關鍵 。

到了 2029 年，將有 40% 的企業會採用 GraphRAG 技術。這是一種將知識圖譜（Knowledge Graph）與大型語言模型（LLM）結合的技術，目的在於提升 AI 處理複雜情境時的事實準確性與推理能力 。傳統的「檢索增強生成」（RAG）技術，在碰到需要多步推理或富含上下文脈絡的問題時，往往力不從心。而 GraphRAG 正是透過知識圖譜來結構化檢索過程，從而突破這個瓶頸 。在顧能 2026 年 6 月的資料分析發布會上，多家媒體的報導都證實了這項預測 。

從這兩項預測，我們可以看到一條共同的脈絡：真正的成敗關鍵，是那些能讓 AI 穩定可靠運作的基礎設施，而非 AI 模型本身。對企業來說，真正艱鉅的挑戰，是打造出能讓代理與 LLM 在實際環境中值得信賴的資料管線與語意層。

語意層的重要性：隱藏在背後 60% 的失敗風險

有一項未常常躍上頭條，卻至關重要的相關預測：顧能認為，到了 2028 年，將有 60% 的 AI 專案會因為缺乏一致的語意層（semantic layer）而宣告失敗 。這和前述 40% 的專案取消數字不同，它涵蓋的 AI 專案範圍更廣，更直指一項明確的技術性病因。

當前，僅有 14% 的數據主管有信心認為，自家資料在 AI 應用上已受到妥善的治理與安全保護 。若缺乏一致的語意層——一種讓 AI 系統能在全組織內一致地理解資料意義與脈絡的統一機制——分散且破碎的資料就會阻礙 AI 實現可靠、可擴展的表現。對於那些仍然只把重心放在挑選 AI 模型，卻輕忽資料與脈絡整備度的企業來說，這項 60% 的失敗率預測，無疑是一記當頭棒喝。

什麼是目前無法證實的？

有兩項廣為流傳的說法，在公開資訊中查無明確來源：

• 2026 年頂尖數據分析趨勢的「確切前三名」： 綜觀顧能 2026 年的資料，AI 代理、語意層和 GraphRAG，以及整合式數據分析平台，確實是被反覆強調的核心主題 。但在我們審閱的所有公開來源中，沒有任何一份文件以如此精準的文字，將這三項包裝為明確的「前三名趨勢」。這些趨勢本身證據確鑿，但特定的「前三名」標籤則查無實據。

• AI 代理將在 2029 年產出比所有數位應用程式多 10 倍的物理環境資料： 在所有搜尋到的資料中，找不到任何支持這項具體量化說法的證據。這項數據可能源自某份未被本次搜尋覆蓋到的顧能報告，在找到確切的公開發表文件前，應將其視為未經證實的消息。

全景圖：在狂熱採用與高調失敗之間拉扯

總體來看，顧能一系列的預測共同描繪出一個極端矛盾的市場：天文數字的投資與雄心萬丈的採用目標，與高得驚人的專案失敗率同時並存。預測顯示，全球 AI 支出將在 2029 年達到 4.71 兆美元，其中「合成資料生成」的成長率居冠，複合年均增長率高達 178% 。光是在供應鏈管理軟體上的 AI 支出，預計就會從 2025 年不到 20 億美元，暴漲到 2030 年的 530 億美元 。

然而，這股投資洪流並未能順利轉化為平順的部署。專案取消的預測，正是企業在資料整備度、治理架構與價值衡量框架都尚未到位時，就急著大撒幣的典型後遺症。顧能的言下之意是，最終的贏家，會是那些優先投資於整合式平台、語意一致性與串流基礎設施的企業，而不是那些整天追逐最新 AI 代理展示品（demo）的人。