人工智慧在企業中的角色發生了明顯變化。在上一年的《Tech Trends》中，德勤曾預測，AI 最終會像電力一樣，成為一種基礎能力，被無縫嵌入大量產品和服務之中。而到了 2026 年，這一趨勢正在變成現實：從計算硬體、企業軟體，到機器人和網路安全，幾乎所有企業技術領域都開始受到 AI 的影響。
如果說此前企業關注的問題還是“AI 能做什麼”，那麼現在，問題已經變成了：如何從實驗走向真正的業務影響？
過去一年，越來越多企業開始嘗試從概念驗證和試點走向規模化部署。企業領導者也越來越意識到，未來真正形成競爭差異的，並不是簡單“用了 AI”，而是能否利用 AI 推動自動化、創新和組織加速。
德勤將這種變化稱為一種正在發生的“創新複利”。
電話用了大約 50 年才覆蓋 5000 萬使用者，網際網路用了約 7 年，而領先的生成式 AI 工具僅用兩個月就達到了約兩倍於這一規模的使用者數量。截至報告撰寫時，其周活躍使用者已經超過 8 億，相當於全球人口的約 10%。與此同時，AI 創業公司的收入從 100 萬美元增長至 3000 萬美元的速度，是傳統 SaaS 企業的約 5 倍。
這種變化並不是單一技術升級帶來的。技術、資料、投資和基礎設施之間正在形成一個相互推動的飛輪：更好的技術催生更多應用，更多應用產生更多資料，更多資料吸引更多投資，投資又帶來更好的基礎設施，而基礎設施改善繼續降低成本、推動新一輪實驗。
因此，企業接下來面對的並不是簡單的“AI升級”，而是一場更加徹底的重構。
AI開始進入物理世界，機器人從“執行程序”走向“理解環境”
第一項趨勢，是Physical AI，物理 AI。
過去的機器人主要按照預先設定好的指令運行，而物理 AI 讓機器具備了即時感知、理解、推理並與現實世界互動的能力。
它們不再只是執行固定動作，而是能夠觀察環境、從經驗中學習，並根據即時資料改變行為。機器人只是物理 AI 的一種表現形式，它還包括自動駕駛汽車、無人機、智能空間、數字孿生和各種感測器系統。
例如，機器狗可以通過聲音判斷裝置是否即將發生故障；工廠機器人可以在生產計畫發生變化後重新規劃路徑；自動駕駛汽車利用感測器識別道路上的騎行者；無人機則能夠根據風速變化即時調整飛行軌跡。
真正改變機器人能力的，並不只是自動化，而是感知、推理和適應能力開始進入機器的物理行動之中。
其中，一個重要技術變化是視覺—語言—動作模型，即 VLA。
這一變化也在推動機器人的商業化。
報告列舉了六類已經出現的主要機器人形態，包括任務型機器人、自動駕駛汽車、人形機器人、四足機器人、無人機以及自主移動機器人。倉儲和供應鏈目前是物理 AI 最早規模化落地的領域之一。Amazon 已部署第100萬台機器人，並利用 DeepFleet AI 協調機器人車隊，據公司披露，這一系統能夠將機器人移動效率提高10%。BMW則已經嘗試讓剛下生產線的汽車自主駛過測試和工廠內部路線。
但真正的大規模普及仍然面臨問題。
模擬訓練與真實世界之間仍存在差距；即時計算能力必須進一步提升；機器人進入公共空間後，對安全、責任和監管的要求會顯著增加；大量感測器和3D環境資料也意味著新的資料管理成本；與此同時，機器人車隊之間的互操作和網路安全問題也必須解決。
在人形機器人領域，大規模普及仍需要時間。
報告援引 UBS 的估算，到2035年，工作場所中的人形機器人數量可能達到200萬台，到2050年進一步增長至3億台；對應市場規模可能從2035年的300億—500億美元增長至2050年的1.4兆—1.7兆美元。與此同時，人形機器人的材料成本也有望繼續下降。
但報告的判斷並不是“人形機器人馬上全面進入家庭”。相反，倉儲和物流仍是人形機器人部署的主要試驗場，製造和醫療領域也已經出現相關測試和潛在應用。
智能體的真正問題，不是“有沒有Agent”，而是企業流程本身
第二個趨勢，是Agentic AI。
過去一年，“智能體”成為企業 AI 中最熱門的概念之一，但現實情況遠沒有市場熱度表現得那麼成熟。
調查顯示，30%的企業仍處於探索階段，38%正在試點，14%接近部署，真正已經將智能體投入生產的企業只有11%。與此同時，42%的企業還在制定智能體戰略路線圖，35%的企業甚至沒有正式的智能體戰略。
為什麼大量智能體項目無法真正創造價值？
德勤給出的核心答案是：企業試圖讓 AI 自動化原本為人設計的流程，卻沒有重新思考這些流程是否還應該以原來的方式存在。
很多企業只是把 Agent 疊加在舊流程之上，結果只是把原有低效流程自動化。還有一些項目本質上只是普通自動化，卻被包裝成“智能體”，最終導致投入產出比並不理想。
因此，真正領先的企業正在轉向Agent-native，也就是“智能體原生”的流程設計。
它們不再從某個單獨任務入手，而是重新審視完整的端到端業務流程：那些環節可以交給 Agent，Agent之間如何交換資訊，那些決定仍需要人參與，以及整個過程如何重新設計。
HPE便採用了這樣的方式。公司開發了一個名為 Alfred 的 AI Agent，用於支援內部營運績效審查。它並不是由一個模型獨立完成所有工作，而是由前端介面連接多個底層 Agent，分別負責拆解問題、分析 SQL 資料、生成圖表和整理結構化報告。
隨著工作進一步分解，企業還將面對另一個問題：Agent可能不再只是一種軟體工具，而會逐漸成為一種新的“數字勞動力”，一個非常鮮明的說法silicon-based workforce，矽基勞動力。
在人與 Agent 組成的混合團隊中，Agent更擅長穩定、明確、大規模和重複性的流程，人則更多轉向監管、判斷、複雜問題處理以及尋找新的增長機會。Mapfre等企業已經開始採用這種“混合式”分工，讓 Agent 處理常規行政任務，而風險更高的客戶溝通繼續由人完成。
多Agent協作也正在形成新的基礎設施。
報告提到了 MCP、A2A 和 ACP 等不同協議。其共同方向，是讓不同 Agent 能夠連接企業資料和工具，相互發現、分配任務並協同完成工作。與其建構一個無所不能的大型 Agent，企業可能更傾向於部署大量更小、更專業的 Agent，然後通過編排完成複雜流程。
與此同時，Agent長期運行意味著推理呼叫、Token和算力消耗持續發生，因此企業還需要建立專門的 Agent FinOps，追蹤和控制這支“數字員工隊伍”的運行成本。
未來，企業甚至可能需要像管理員工一樣管理 Agent：包括入職、權限管理、績效記錄、身份驗證、生命周期管理和“退休”。但德勤也提醒，不能簡單照搬人力資源體系，因為數字勞動力和人類員工的能力邊界完全不同。
推理成本下降280倍，為什麼企業的AI帳單反而越來越高？
當 AI 真正進入生產環境，第三個問題很快浮出水面：基礎設施成本。
過去兩年，AI推理成本下降了約280倍，但企業總體AI開支卻在快速上升。
原因很簡單，使用量增長得比單位成本下降更快。
在概念驗證階段，通過 API 呼叫大模型服務通常非常方便；但當AI進入整個企業營運體系，尤其是Agent需要持續進行推理時，呼叫規模可能急劇擴大。報告稱，一些企業的AI月度帳單已經達到數千萬美元。
因此，企業的基礎設施戰略正在從過去的Cloud-first逐漸轉向Strategic hybrid，戰略性混合架構。
德勤提出了三層模式：
雲端負責彈性。適合需求不穩定、需要快速擴容、實驗以及快速使用最新AI服務的工作負載。
本地基礎設施負責穩定性。適合持續、大規模的生產推理，讓企業能夠控製成本、安全和性能。
邊緣計算負責即時性。用於製造、機器人、自動駕駛等對響應速度要求極高的場景。
同時，傳統資料中心也未必適合AI時代。
過去的資料中心主要圍繞CPU、標準伺服器、空氣冷卻和傳統虛擬化設計，而AI工作負載對GPU之間高速通訊、網路、散熱以及工作負載調度提出了新的要求。
報告因此提出了“AI Factory”AI工廠的概念：將AI專用處理器、高頻寬記憶體、資料管道、高性能網路、演算法庫和統一編排平台整合到一個基礎設施體系中。
基礎設施問題最終也會變成人才問題。
在經歷多年雲遷移之後，一些企業內部的資料中心能力已經弱化，但AI時代重新需要GPU叢集、高頻寬網路、特殊散熱以及混合計算成本管理等專業知識。與此同時，未來甚至可能由AI Agent自己管理AI基礎設施，根據負載、價格、模型選擇和碳排放情況動態做出資源決策。
AI不是給IT部門增加一個工具，而是在重建整個技術組織
第四項趨勢指向企業內部。
報告認為，漸進式的技術變革時代正在結束。
AI不只是提高某些任務的效率，它正在重新定義技術部門的結構、治理方式和角色。德勤一項針對美國企業的調查顯示，64%的受訪企業計畫在未來兩年增加AI投資，技術預算中用於AI的比例預計將從平均8%提高到13%。
與此同時，德勤另一項針對美國技術領導者的調查顯示，近70%的技術領導者計畫因為生成式AI而擴大團隊，而不是單純縮減員工。
AI架構師、人機協作設計師、邊緣AI和嵌入式系統工程師、合成資料質量專家、Prompt工程師以及模型訓練人員等新角色正在出現。
更深層的變化，是技術部門的定位。
過去，IT部門主要負責保持系統正常運行；現在，越來越多CEO開始要求技術領導者直接推動業務戰略。報告稱，在針對美國技術領導者的調查中，66%的大型企業已經把技術組織視為收入創造者，而非單純服務中心。
CIO的角色也正在發生改變，從技術戰略負責人，逐漸轉向AI倡導者、組織變革推動者和不同技術團隊之間的“編排者”。
這種重構有幾個共同特徵。
首先，現代化必須從業務問題開始，而不是為了技術升級而升級。其次，架構需要更加模組化、可觀察，從而讓系統可以不斷調整。第三，人才戰略需要圍繞人機協作重新設計。第四，治理不應該只是增加審批，而要在保持速度的同時建立可解釋、可審計和可監控的機制。
最終，AI不再只是一個附加工具，而可能成為從產品開發、決策到營運各個環節中的核心協作者。
AI帶來新的攻擊面，但AI本身也正在成為防禦工具
第五項趨勢，是AI時代的網路安全悖論。
企業部署AI越深入，獲得的競爭能力越強，但與此同時，新的安全風險也在增加。
德勤將企業目前面對的AI風險分為幾類，包括未經批准部署的“Shadow AI”、AI加速的攻擊，以及AI系統本身固有的資料、模型、應用和基礎設施風險。
報告認為，AI安全並不意味著過去幾十年的網路安全經驗全部失效。
相反，很多傳統方法仍然有效，只是需要適應AI環境，包括存取控制、安全開發生命周期、隔離、網路分段、Red Team和持續監控等。
真正發生變化的是速度和影響範圍。
當Agent能夠自主行動，當攻擊和防禦都以機器速度發生時，依賴事後響應的安全模式已經越來越難以滿足要求。
與此同時，AI也成為企業網路防禦的一部分。
企業正在利用AI識別人類難以發現的模式、持續監控威脅環境、加快響應速度，以及自動完成大量重複安全任務。報告還提到，部分企業已經使用AI Agent進行Red Team測試，讓智能體不斷尋找模型中的漏洞、偏見和不適當行為。
因此解決方案是，從AI項目啟動之初，就把安全嵌入設計之中。
安全需要成為AI創新的基礎能力，而不是項目上線前最後增加的一道限制。
五大趨勢之外，還有8個值得關注的技術“訊號”
除了五個核心章節，德勤還在報告結尾提出了一組“Tech Signals”。
所謂“訊號”，並不是對未來的確定預測，而是已經出現、但尚未完全發展成主導趨勢的早期變化。其中包括：
- 基礎模型是否正在接近平台期。新模型仍在進步，但部分指標上的提升已經不再像早期幾代模型那麼巨大。未來，企業如何部署、微調和把模型嵌入重新設計後的流程，可能比單純使用“最新模型”更重要。
- 新鮮真實資料的價值進一步提高。隨著基礎模型大量使用類似的公開資料進行訓練，資料本身的競爭差異正在變化。合成資料可以補充訓練資料，但也存在質量上限和模型退化風險。能夠持續獲得即時互動資料、專有業務資料和新研究資料的企業，可能獲得更強優勢。
- 神經形態晶片。對於部分稀疏、事件驅動的AI任務，神經形態晶片能夠比傳統GPU顯著降低能耗，這一點在AI從資料中心向大量邊緣裝置遷移時尤其重要。
- Edge AI繼續增長。越來越多AI推理將直接發生在手機、手錶、攝影機、工業機器人等終端，而不必把所有資料傳送至雲端，從而改善延遲、隱私、成本和離線能力。
- AI原生可穿戴裝置。AI吊墜、智能眼鏡、無屏AI裝置等新形態正在不斷出現，但消費者是否真的需要獨立AI硬體，還是更願意讓AI繼續存在於手機和耳機中，目前仍不確定。
- 生物識別身份認證。當AI能夠偽造聲音、檔案和行為特徵後，驗證一個人是否真實存在變得更加重要，但生物識別資料一旦洩露又無法像密碼一樣更換，因此未來更可能採用混合認證方案。
- AI Agent與隱私之間的交換。真正有能力替使用者管理郵件、日程、訂餐和個人事務的AI助手，需要獲得前所未有的個人資料存取權。能力越強，需要的權限越大，而使用者未必真正理解這些授權意味著什麼。
- 最後一個訊號，則是德勤在這份報告中專門提到的：GEO正在走向SEO的前台。
隨著越來越多使用者開始直接通過AI聊天機器人獲取答案，企業面對的內容競爭也從傳統SEO逐漸延伸到Generative Engine Optimization，生成式引擎最佳化。
德勤認為，GEO和SEO存在明顯差異：傳統SEO更多強調關鍵詞、反向連結和頁面流量，而GEO更加關注語義豐富度、作者專業度，以及內容能否最終被AI答案引用。
報告將這種變化放在更長的行銷技術周期中理解：如果說2000年代的重要流量管道是付費搜尋，2010年代是社交媒體廣告，那麼AI生成答案正在成為2020年代值得關注的新管道。
但德勤對這八個“訊號”的態度仍然保持克制。它們中的一部分可能最終發展成主導力量，另一些也可能逐漸消失。
真正重要的，並不是精準預測那項技術一定會成功，而是建立快速感知、判斷和響應變化的能力。
在技術從“新興”走向“主流”的時間不斷縮短之後，等待一切變得清晰，再開始行動，本身就可能成為一種風險。 (ATMCapital)