核心观点与关键数据
- Agentic AI 已进入生产阶段：约 28.4% 的组织使用 agentic 架构（包括 Agents 或 MCP Servers），其中 20.4% 使用 agentic frameworks，18.2% 部署了 MCP servers，10.1% 同时使用两者，表明 agentic AI 已从实验走向实际应用。
- AI 真实足迹远超模型数量：模型仅是可见的一小部分，每个模型通常伴随 2-3 个其他 AI 组件（工具、数据集、包等），AI 的实际规模是模型数量的 3 倍。
- 行业应用深度差异：医疗、金融等受监管行业和专业化行业平均每个账户嵌入约 50 个 AI 组件，技术公司平均约 30 个，表明前者更深度地应用 AI。
- 外部依赖主导 AI 栈：82.4% 的 AI 工具来自第三方包，每 1 个自定义工具对应约 5 个第三方工具，供应链风险显著增加。
- 数据溯源是薄弱环节：平均只有 0.46 个数据集被明确追踪，超过一半的模型缺乏数据来源记录，影响合规和风险应对。
研究结论与风险分析
- 从实验到 agentic 系统：AI 从简单的提示和聊天界面发展到嵌入企业运营的 agentic 系统，21.8% 的组织部署了 agentic frameworks，19.7% 部署了 MCP servers，表明 AI 从咨询转向执行。
- AI 采用强度与行业分布：技术公司虽然在总数上占优，但在 AI 组件密度（每账户平均数）上落后于医疗、金融等行业，后者构建更复杂、更深入的 AI 系统。
- AI 服务提供商格局：OpenAI 和 Google 共同占据约 60% 的市场份额，形成双寡头格局；HuggingFace 等构成稳定层，Mistral 等新兴力量正在渗透生产环境。
- AI 采用复杂度分布：市场呈现“两端化”趋势，41.7% 的用户使用 5 个以上不同模型（高度异构），37% 的用户尚未部署可追踪模型但正在构建基础设施，21.2% 用户使用 1-4 个模型。
- 新兴结构性风险：随着 agentic 系统的自主性和互联性增强，风险从单一组件转向系统组成和行为，主要风险包括：
- Agentic 暴露风险：自主系统在缺乏对自身组成、权限和执行路径理解的情况下运行，可能导致意外或未授权行动。
- 供应链依赖风险：对第三方工具的严重依赖扩大了攻击面，增加了供应链漏洞风险。
- 数据溯源不足：数据与模型关系的缺失阻碍了治理、审计和合规准备。
- 开发者监督压力：每名开发者平均管理约 0.18 个 AI 资产，对小型团队而言监督负担不轻，即使采用有限也需严格治理。
未来展望
企业 AI 已成为基础架构，agentic AI 的快速普及要求治理模式从模型级转向系统级，实现全面的供应链治理、严格的数据溯源和端到端的系统监督。缺乏相应治理的组织将在运营和防御上面临显著风险。
