2026年应用战略现状报告

2026年203：关键发现04：引言08：第1节20：第2节</></>27：结语29：关于本报告2026年关键发现在AI应用的发展过程中，推理正逐渐演•64%的组织允许使用AI调整策略或•用于提示词处理的应用服务对运营产<<在日益由AI驱动的威胁环境中，混合多32026年应用战略现状报告34随着各组织在平均使用七个AI模型，AI推理已经跨过了一种企业往往《2026年F5应用战略现状调查》报告的结果已悄然成为组织架构的一部分。这种转变并非由AI模型的复杂程度定义，而是由推理现在如何嵌入生产系统、运营决策循环以及交付应超过四分之三的受访者表示正在自行运营推理，同样有77%的受访者报告称，相对于模型训练或微调，推理是其主要的AI活动。AI经济已从构建转向运营，而且这些组织不再仅仅是“使用”AI。他们正通过AI管理业务，将其从创新转变为基础设施。此外，数据显示，尽管88%的受访者报告面临重大挑战，但组织仍这一转变的一个标志是，调查受访者表示他们型数量的增加并非源于新奇性，也不是因为某一个模型无法完成任务，而是因为企业需要使简而言之，我们已经进入一个多模型的世界，在这个世界中，推理不再像单一端点那样运如果您认为多云应用交付已经足够复杂，那么同的架构和安全挑战。当前的主要障碍不再是<<>78%52026年应用战略现状报告5可扩展性成为了一个问题，因为分布式推理将重心从模型本身转移到了管理推理流量的系统上，这些系统负责对推理流量进行管控、路由、限制和监测。与分布式应用部署类似，管理这些系统往往需要使用多种工具，这也进一步增加了复杂性。与此同时，一些新的责任领域也随之出现，例如模型感知认证、语义滥用但是，这些新的推理职责与平台团队、安全团队或应用团队的现有职权范围并不完全对应。新的推理领域跨越了这些职责。企业通常也不会简单地要求现有团队悄然承担这些新的、陌生的工作。相反，企业往往会进行职能细分，建立新的团队，并采用各自偏好的工具。如果不进行专门的整合或融合，由此产生的复杂性和安全风险将会变得错综复杂，这些挑战会在交付、安全、可靠性以及治理等多个层面不断我们的数据显示，整合进展明显滞后：只有简化开发者工作流。而其余组织仍在碎片化的控制面上进行管理，即使推理已成为其关键业6尽管如此，各组织仍在迅速推进多模型、分布们如何管理由此带来的复杂性，将在很大程度620262026年应用战略现状报告这些发现共同指向一个结论：如果AI失败、停滞或成本变得难以承受，其原因并不会是模型能力不足。真正导致失败的，将是那些低估了AI所带来的运营重要性、复杂性以及安全风险的组织。如果决策者继续沿用零散的单点解决方案，止步于仅适用于部分AI系统的默认服务，以及使用传统解决方案解决AI时代问题，而不能前瞻性地做出应变，那么AI的复杂性将另一方面，通过有意识地整合控制能力，并为团队提供跨模型的可观测性和保护能力，组织可以像在混合多云应用分发中已经获得的那2026年应用战略现状报告请继续阅读，以了解更多关于当今应用交付和778在某种程度上，数字化转型的整组织已将传统应用现代化为本地云应用或软件式来减少阻力。现代化的推进速度当前有所放缓，但并未停滞。2020年，现代应用平均占与2025年持平，这在一定程度上是因为过去一年中，各组织的关注重点已经大多转向AI。我们预计，现代应用在应用组合中的平均占比仍将继续上升，只是增长速度可能会有所放汰剩余的传统应用。三年之后，这一比例几乎86%的组织跨本地、公有云和托管环境运行应用在所有已部署的应用中，大约有多少比例采用以应用已经几乎均匀地分布在混合部署环境和模式中29%29%202620%21%20%18%17%12%%12%%9%本地传统本地云公有云SaaS托管边缘92026年应用战略现状报告9超过十分之九的组织（93%）正在管理混合多云环境。尽管应用迁移的速度有所放缓，但托管位置的多样性仍在迅速增加。受访者平均管理5个自有数据中心，同时还使用5个托管机在这种复杂环境中，AI成为最活跃的发展领域之一。原型、概念验证和谨慎实验的时代已经可或缺的一部分来运行。尽管面临诸多重大挑从一种新兴技术转变为必需能力，超过四分之三的受访者正在运行自己的推理服务。其中大多数组织管理着不止一个推理服务。平均每个组织运行2个推理服务，而五分之一的受访者管理着3个或更多。大多数组织希望能够对至少一部分推理服务进行自主控制和定制。尽管59%的受访者使用云服务提供商提供的公共实例，但几乎同样多的组织使用私有实例或自行管理开源实例。只有36%的组织主要依赖公共93%的组织正在管理混合多云环境2026年应用战略现状报告进行交互。最常见的方法是部署具备身份感知能力的基础设施，例如使用高级负载均衡器，根据机器或智能体的身份来路由和管理流量。接近一半（47%）的组织预计将实施身份感知机制。约四分之一的组织正在专注于开发并规范面向公众的API，使AIAgent能AI已经不再只是研发阶段的产物，它已成为嵌入日常流程中的生产工作负载，并对应用和业2026年应用战略现状报告您计划如何修改面向外部的应用以与AIAgent协98%的组织正在修改其应用以支持AIAgent访%的组织正在修改应用以供您计划如何修改面向外部的应用以与AIAgent协98%的组织正在修改其应用以支持AIAgent访%的组织正在修改应用以供AIAgent访问可观测性与自动化为推理提供有力支撑AI推理已经成为企业业务常态，这一点也得到首先，运营数据已经从单纯的告警和报告工具，转变为运行时依赖的重要组成部分。其使用率从2023年的较低水平，跃升至2025年的这种快速增长的采用曲线并不是企业简单尝试新工具的表现。相反，这表明企业已经普遍认识到：如果不能为这些系统持续提供结构化且工具。因此，可观测性不再只是反映系统状态再仅仅局限于提供建议的角色。我们的调查数据显示，AI正迅速从主要作为决策支持工具，运营数据的使用率大幅提升运营数据的使用率大幅提升2023202696%几乎所有组织目前都在使用运营数据，或计划33%2026年应用战略现状报告47%SLO/SLI报告96%95%97%97%三分之二的组织已经在使用AI自动调整策配置，并加速自动化工作。这一比例甚至超过了近60%依赖AI生成建议来指导人工决策的组织。因此，对大多数组织来说，AI已不再是实验性技术，而是嵌入并活跃在运维控制循环然而，我们的调查数据显示，完全自主执行目前仍被有选择地限制在那些影响可衡量且可逆的运维任务中。这些任务通常涉及成本控制或应用性能优化，例如流量调整和优化，以改善用户体验。在应用安全、合规以及业务风险等责任归属。相反，AI更像是一个受约束的执行者，通过执行决策来增强控制循环，同时悄然改变决策者对自动化、可观测性以及现代系统67%用于加速自动化工作59%用于生成策略和配置调整建议，以满足既定的SLOAI正在从“顾问角色”转变为“受约束的执行用于自动调整策略和配置66%以满足既定的SLO（服务2%未使用AI进行自动化2026年应用战略现状报告生成建议，还是调整策略，受访者都一致将可编程接口视为管理应用交付和安全服务的首选方式。在所有用例中，基于API的自动化排名化的受访者，也更倾向于使用基于API的机制来管理应用服务。这种对机器可读取治理方式我们从中得出两个重要结论。第一，自动化已应用的关键方式。第二，组织已经开始设计能够无需人工干预即可行动、响应和适应的系统，并围绕推理构建自动化能力，使其能够真正付诸实践。由于围绕某项工作负载的自动化深度通常是其成熟度的标志，因此可以认为推2026年应用战略现状报告务在哪些方面具有最大运营影响时，受访者几乎一致指向围绕推理本身构建的能力。受访者认为价值最高的领域在于输入侧保护，因此优先关注输入过滤、注入攻击防护、记忆合并和提示词处理等环节。输出内容审核也被认为非常重要，但当前的主要重点仍然是保护输入端，以避免出现“输入垃圾、输出垃圾”64%↓期望的价值。首先，大多数企业并不是在追预期成果分别是：更快的决策速度（33%的受访者）以及通过自适应学习带来的生产力提升（32%）。这些属于控制平面的收益。它们依2026年应用战略现状报告您期望从使用生成式AI中获得的两大主要收益更快的决策和更高的效率以微弱优势胜过其他数据驱动的选择/您期望从使用生成式AI中获得的两大主要收益更快的决策和更高的效率以微弱优势胜过其他数据驱动的选择/33%32%28%23%23%22%18%2%tt$↓</>节约、战略规划，甚至法规合规性，都落后于前两项。组织更期望AI能加速工作，而非推动创新或变革战略。同样，影响模型选择的因素，如集成兼容性、成本和可用性，是关于弹当更快的决策和生产力提升成为主要价值驱动力时，控制输入、管控提示词、执行约束和管理记忆就成为了最高效的控制手段。这就是为什么受访者报告称，AI应用交付和安全服务的最大运营影响集中在输入端。他们正在优化推理的“前门”，因为他们可以在不放弃控制权AI的运营核心在于推理——而非训练管道、数据标注或离线模型设计。企业正将模型视为可互换的执行引擎，而非智能的主要来源。真正的智能中心正在转移到推理阶段，而推理已2026年应用战略现状报告2026年应用战略现状报告毫无疑问，即使AI已经迅速普及，其部署仍然少面临一种限制。其中，计算资源成本位居首出现，需要管理的身份数量将呈爆炸式增长。其他主要担忧包括凭证盗窃，以及其他传统IT和安全模型无法应对的可视化和安全问题。若2026年应用战略现状报告由于AIAgent的激增，身份管理成为了首要担43%36%由于AIAgent的激增，身份管理成为了首要担43%36%34%34%30%26%21%15%8%无在战略业务职能中亦然。对于那些传统上被认为非常耗时的运维任务，例如故障排查、与工单系统集成、以及处理供应商API等，数据表明AI的采用并没有放缓。组织已经达到了一定程度的运营信心，效率低下并不会抑制他们对AI的使用。团队只是克服困难继续前行，因为些环境。当工作负载变得至关重要时，现有流程会围绕其进行调整。推理已经达到了这一里Agent方面会出现身<>y<>2026年应用战略现状报告AI推理不再是一个华而不实的实验、一个热门成为获取业务成果不可或缺的一部分。推理服务已经成为一种运营型工作负载，并由成熟的可观测性、嵌入式自动化以及清晰的架构层次因此，模型本身已经不再是AI运营的核心单位。相反，管控请求如何被整形、路由、限制和观测的系统，才是价值和风险集中的地方。从架构角度来看，智能正向应用栈的上层移动，进入交付环节。已认识到这一变化的组织，正以对待应用栈中其他关键组件同样严肃的态度来对待推理服务，并把它整合进自身的其速度有多快。真正的问题是：组织是否意识到他们实际上已经完成了这一步，并能够在不引入工具泛滥、职责断层以及复杂性失控的情况下，把它管理好，因为这些问题往往会影响应用栈中的其他组件。这些挑战可能通过制造安全风险或高昂的运营成本拖累组织，因此避2026年应用战略现状报告20第2节当你只使用一个AI模型时，推理看起来很简单。你将流量发送给模型，为其加上身份验证，也许再加一两个护栏，然后便可继续下一步。但这种思维模型在现实面前很快就会崩溃。我们的调查数据显示，大多数组织依赖不止一个AI模型。使用五个或更多不同AI模型的情况很常见，组织平均正在运营或积极评估的模型数量平均高达七个。这样的规模使得把推理视为单一端点的想法不再成立。AI已经不再只是选择一个最好的模型的问题，而是管理一整套模型20262026年应用战略现状报告这种多模型方法之所以成为常态，并不是因为没有任何单一模型足够强大，也不是因为团队只是想不断尝试各种“新玩具”。实际上，多模型AI的出现主要是由业务需求和技术因素共不同的接口方式，并且在高负载情况下的失败模式也不同。因此，单一模型战略很难在所有在决定使用多个AI模型时，组织会考虑许多与业务和战略需求相关的变量，其中包括成本优弹性和特定模型能力等技术考量也发挥着作于模型锁定或需要为特定模型重构应用接口而导致应用中断。就像混合多云应用部署一样，多模型AI架构也是对现实情况的一种回应，即没有一个模型能在每项任务上都表现出色，或多模型AI的存在原因与混合多云应用部署相同——技术原因例如API兼容性、可用性/故障切换能力、模型能力差距业务/战略原因获取开源模型的能力、合规要求实验或基准测试用户偏好受访者比例90%79%21%5%222026年应用战略现状报告22当推理成为生产环境体验的一部分时，具有竞持现有应用的集成、控制每次请求的成本，并在系统出现故障时维持服务可用性。多模型推理使企业能够根据功能、敏感性和策略来路由请求，从而像在受监管环境中管理应用流量一将战略多样化和获取开源模型的能力列为使用多个模型的重要理由，进一步表明多模型AI本质上是一种风险管理战略，而不是简单的实验行为。值得注意的是，用户偏好几乎算不上驱动因素。组织并非基于数据科学的偏好来选择多个模型，而是因为企业架构和业务需求所决一旦多个模型并行存在，推理就不再像一个无状态服务那样运作，而更像是一个分布式系统：不同模型承担不同的架构角色。有些模型可能规模更大、用途更通用，有些则更小、更专注于特定领域；有些模型侧重成本和吞吐量优化，而有些则更强调准确性和业务价值。因此，核心问题变成了请求路由：在当前条件下，应该由哪个模型来处理某个请求，同时又不能违反延迟、成本、安全或合规等约束。此52%232026年应用战略现状报告23我们关于AI模型如何被调整的调查数据证明了这种向分布式推理系统的转变。超过半数的组织正在对模型进行调整。大多数正在使用的调整技术是轻量级的，或者只是小规模的微调。但多模型链式调用和编排的使用率领先于所有其他技术，甚至超过了提示词工程。超过半数（52%）的组织使用多模型链式调用或编排。使用知识蒸馏的组织几乎同样多，超过三分之一的组织使用提示词工程或提示词模板。检索增强生成（RAG）虽然在架构图中常被视为默这一结果表明，从业者首先投资于那些能够跨模型协调、压缩和路由的机制，而不是简单地通过更多数据来丰富单一模型。换言之，他们AI的系统化对企业架构有着直接影响。当组织把大型模型蒸馏成更小的“学生模型”，将多个模型组合在一起，或根据任务或租户动态地链式调用模型时，关注点就从模型本身转移到了控制平面，即决定推理流量去向、原因以及版本管理、基于成本的模型选择、安全防护以及基于风险调整的决策流程等。受到交付、安全、成本控制和弹性等问题的影响，对多个模型进行编排时，会使推理变成一种受管工作负载。因此，真正重要的决策变成：如何设计和管理那些控制推理流量如何被整形、路由、约束、安全保护和监控的系统，熟悉的运营压力再次出现。成本不再是在部署时固定，而是随性、队列深度以及模型规模的影响。故障可能由模型漂移、性能下降或策略阈值被触发等条这些其实都是常见的应用交付和安全问题，只是出现在一个新的领域中。事实上，企业正将分布式推理视为一个新的应用层级。他们必须这样做，因为几乎所有组织都表示，他们正在使用至少一种战略来交付和保护AI推理服务，242026242026年应用战略现状报告超过一半的受访者表示，他们正在管理AI服务敏感数据泄露。超过三分之一的组织表示，他们已经建立了集中控制点，例如在多个模型和后端系统之间对AI流量进行负载均衡。这些技术清晰地对应了长期存在的应用交付和安全职责。此外，监控AI工作负载的公有云成本如今与AI安全性和可用性紧密交织，因为这些推理88%的组织已经部署简而言之，企业正在运营AI系统，并对其有着与应用交付和安全系统完全相同的性能、可用2026年应用战略现状报告你们如何交付和保护（或计划如何交付和保护）受访者比例管理你们如何交付和保护（或计划如何交付和保护）受访者比例管理AI服务和API的身份认证观测AI流量和应用需求流防止敏感数据泄露的服务保护和管理AI模型的服务用于AI流量访问 AI后端系统和模型的集中控制点（负载均衡）通过AI集成API的单一管理点简化开发者工作流我们不自行托管推理服务器55%54%51%43%40%28%25在多模型AI世界中，围绕推理的路由逻辑、策略执行、保护、可观测性和反馈回路比单个模型的选择更重要。然而，许多组织在描述其AI战略时，仍然侧重于模型而非系统。这在现实我们以前见过这种错位带来的风险。当企业架似的转变。随之而来的是负载均衡器、网关、服务网格和集中式策略引擎的兴起。AI推理正这两次转型之间的区别在于速度。在AI方面，组织已经进入了集群管理模式。一些组织在付出代价后才会发现，在没有编排的情况下运行七个模型，与在没有流量管理和安全措施不一致的情况下运行七个生产系统毫无区别。数字领导者将会很快认识到，推理本质上是一个应用交付和安全问题，基于这一视角，他们将构组织越是把这些系统视为架构层的一部分，就262026年应用战略现状报告2627总而言之，我们2026年的调查结果揭示了一个在运营上务实、且意识他们希望AI能帮助人们更快地做出决策、更对于应用交付和安全团队而言，关键工作不再在此基础之上，他们可以确保AI项目取得成加高效地工作，而不是完全取代人的判断。为是选择或训练AI模型，而是设计系统、策略和功。其他组织则会因自身的过度谨慎而停滞不限制机制，以决定AI在哪里可以执行操作、何前，或屈服于各种复杂性，导致部署和生产系统放缓、成本增加、风险滋生，并阻碍可扩展和保护，以及在必要时如何回滚或纠偏。这项性。只有数字领导者才能构建出既能安全扩展为了实现这些目标，组织正在协调多个AI模型工作本质上不是一个AI问题，而是一个企业架AI，