2026年，人工智能将成为技术与工业界中最亮眼的明星。Granter预测，2026年全球人工智能（AI）总支出将达到2.52万亿美元，同比增长44%。作为科技界代表的IBM公司，宣布在2025年第四季度已经实现生成式人工智能业务规模突破125亿美元，公司在营收、利润和自由现金流方面的表现均超预期。

2026年，AI处于泡沫破灭低谷期，再往前走就是技术稳步成熟并得到广泛应用，最终成为社会生产力的一部分，就像PC之于当今的社会生产力那样。展望2026年，除了大模型、智能体、AI基础设施等继续高歌猛进，并迅速从技术创新演变为工业化和商品化的产品外，还有哪些新的技术趋势值得关注？

因果AI，决策智能

所谓因果AI或称为因果推理的出现，是因为当前的AI智能决策体系主要基于由大语言模型LLM所构建的知识图谱，而智能体在进行决策的过程中还需要理解决策与结果之间的因果关系，也就是事件为什么、如何发生，以及建立与此相应的数学模型。

在2022年的Gartner人工智能技术成熟度曲线中，因果AI处于技术萌芽期，到了2026年开始进入到实用阶段。IBM专家指出，因果推理主要为决定一个变量是否导致另一个变量变化的过程。因果推理算法源于流行病学、公共健康、计算经济学和数据科学等不同领域，并广泛在健康医疗、社会科学和各类决策中应用。

因果推理的目标是建立“因”与“果”的效应关系，而因果推理的根本挑战在于很难直接观察因果效应，这是因为只能观察到各种“因”作用于单个个体的“果”。例如很难判断某种药方、医药政策或治疗过程导致了可适用于大规模人群的“果”，因为不同的个体在接受这些“因”的效果方面存在差异甚至是巨大差异。

因果推理的一个重要理念是发掘相反事实，即与现实相特定对立的选择，这些选择包括不同的“药方”或根本没有“药方”、不同的决策或在因果链中略不同的变量等。例如，人们在头痛的时候吃阿司匹林能够止痛，但不吃阿司匹林也能止痛吗？问题在于，在已经服药的前提下，人们已经没有机会再尝试不吃药的“果”。

传统的因果推理主要依赖于统计方法，而将机器学习和人工智能应用于因果推理，即近年来兴起的因果AI。咨询机构Wikibon认为，因果AI智能决策将是2026年企业AI技术的重点之一：作为企业AI堆栈中的新成员，因果AI智能决策将使能智能体测试干预效果、运行反事实“如果”场景、产生可解释和可审计的决策级输出等。

因果AI智能决策在行业领域有广泛的应用，例如能源与电力、制造、供应链、金融服务等，这些领域的因果关系更为具体、明确和确切。因果AI智能决策对于智能体来说尤其重要，LLM大模型能够建议决策方案和解释决策，因果AI能够确认哪个行动有可能奏效、为什么奏效以及在何种前提下奏效。

AI重新定义商用智能终端，成为泛生产力工具

2026伊始，两大盛会奠定了AI与智能终端融合的大趋势：CES 2026与NRF 2026。这两个盛会，一个是智能终端和消费电子风向标，一个是零售终端生产力工具风向标。两大盛会叠加在一起，向全球传递了一个清晰的信号：AI正在突破智能助手或企业级运营优化等场景，坚定地向物理世界挺进，一场新质生产力工具革命即将全面拉开大幕。

对于智能终端厂商来说，现在要考虑的是从终端使用者场景和物理需求及安全需求出发，例如消防员、机场地面工作人员、建筑工人等，AI必须要为他们提供可衡量的生产力、效率和安全性改进与提升，而不是一些抽象的技术承诺。从终端场景出发，提供可衡量可测量的AI技术，将从根本上改变AI的设计、部署与重要性评估。

在CES 2026上有很多机器人等令人眼花缭乱的产品，但总结下来体现了智能终端从设备迈向智能生产生活方式的关键转折，无论是企业用户还是消费者的关注点都从单一硬件转向产品能否切实节省时间、降低成本、提高生产力、提高生活与工作效率、提升工作与生活品质等更为务实的角度，品牌也更注重提供基于真实场景的解决方案。相比于之前的CES，CES 2026透露了更为明确和清晰的终端场景需求，以及所需要的相应AI能力。

NRF 2026就更为明显：结果驱动执行。零售商们不再进行广泛的AI技术实验，而是将AI部署在能够带来即时成效和重复性价值的场景中。例如，AI增强的手持零售终端能够提供相关上下文知识、集成RFID与视频数据、让销售代表直接与库存和配送系统互动，从而带来更快的产品上架、更少的人工错误以及改进的店面执行效果，让零售商们能直观看到ROI。

咨询机构Wikibon认为，NRF 2026显示了包含AI在内的零售技术的讨论已经成熟，零售业已经从实验阶段进入了执行阶段，零售商们将AI、网络和云技术直接部署到能影响生产力、业务弹性和创造价值时间的领域。能够将技术投资与清晰定义的业务成果相结合的零售商，将有效地在整个运营领域大规模扩展技术创新。

加速走向AI，数据无需先行

长期以来，企业要部署AI，就必须要先理顺数据资产，这已经是业界共识。然而，咨询机构Wikibon却认为，现在要改变这一共识了。在传统企业IT的环境中，必须要先由人工方式理顺数据资产和标准化流程，然后再逐步实施AI，因为传统企业IT是线性扩展方式；而在AI环境中，却无需如此，而是先实施AI，再由AI和智能体对数据资产进行清理和整理，并在此基础上快速交付业务价值。

Wikibon在观察了Amazon、Capital One、Dell、Google、IBM、JPMorgan、Oracle、Siemens、Walmart等行业领先公司之后，发现它们更优先走上AI学习曲线、加速向AI运营模式挺进，来自这些公司的经验包括：无需等待完善数据，尽早学习和用上AI，尽早找业务场景实施AI，尽早构建可重复的交付模式，让AI飞轮自己运转起来；早期的AI实施项目，需要时间达到正确的状态，包括需要数据整理、测试和调优等过程，这些过程经常长达18个月，但后续的AI实施项目就可以在前期案例的基础上不断提速；大模型的选择并不是最为关键的要素，保持灵活性和深入应用则更为重要；此外，虽然需要经常考虑成本，但早期AI项目实施的业务收益（包括生产力、效率、上市时间等）已经远远超出了成本优化的收益。

为什么数据“无需先行”呢？这是因为企业数据的“质量”必须放到一个上下文环境中定义，所谓“clean干净”的数据是相对于特定的工作流程、决策、用户交互、风险控制等而言的。因此，试图在实施AI项目之前跨整个企业进行数据整理和清理，这不仅是一个多年期工程，而且也没有清晰的终端场景定义，更显著阻碍了最终驱动AI成功的组织学习过程。

Wikibon的研究显示，成功实施AI的领先企业，其数据主体仍然是混沌状态，只是企业构建了一个质量数据层（包括基础设施、数据库以及相关工具等），然后选择重要的AI项目，交付可衡量的结果，同时迭代式改进数据质量。

AI项目的项目行为更多类似学习曲线，而不像传统的IT基础设施项目：作为AI项目首次实现的可复用部署，能够加速之后的所有项目，诸如知识检索流程、效果评估工具、反馈循环、智能体代理模式、安全策略、项目运营手册、治理机制等，这些不断累积而成为组织资产，成为不断强化后续项目成功的“复利”。

Wikibon调研显示，未来十年，企业将显著增加技术投资，从营收的约4%大幅增加到约10%或更多，这不仅仅是“更多的投资”，而是完全不同规模的投资。越来越多的传统手工流程、传统基础设施、传统的慢节奏变革等，将被AI使能的能力所取代，包括数据清洗、语义理解、分类、工作流自动化等，智能体将成为业务流程的放大器，也让数据更可用。

对于成功的AI采用企业，他们有哪些可借鉴的实践呢？Wikibon总结：这些成功者将可复用的交付“工厂”作为加速器，而不是在项目第一天就要求完美架构；他们让结果驱动数据投资，接受“够好+可控”而不是“完美+最新”；他们将AI信任通过护栏、监控、评估和工作流控制等进行可实施化，而不是试图消灭不确定性。

展望2026：2026年将是AI技术实质性变革生产力的一年，越来越多的大模型推理、智能决策和智能体等AI应用的成本将大幅降低，让AI能够像电力一样接入千行百业的终端设备，成为新质生产力的组成部分。而2026年也将见证更多如OpenClaw和Claude Code等AI开发工具的生产力和效率变革，让AI应用开发和用AI撬动“老旧”技术资产更加便捷和便利，将更多的传统技术资产转换为AI资产，进一步转换为实打实的业务价值。(文/宁川)