2026年應用戰略現狀報告

2026年203：關鍵發現04：引言08：第1節20：第2節</></>27：結語29：關于本報告2026年關鍵發現在AI應用的發展過程中，推理正逐漸演?64%的組織允許使用AI調整策略或?用于提示詞處理的應用服務對運營產<<在日益由AI驅動的威脅環境中，混合多32026年應用戰略現狀報告34隨著各組織在平均使用七個AI模型，AI推理已經跨過了一種企業往往《2026年F5應用戰略現狀調查》報告的結果已悄然成為組織架構的一部分。這種轉變并非由AI模型的復雜程度定義，而是由推理現在如何嵌入生產系統、運營決策循環以及交付應超過四分之三的受訪者表示正在自行運營推理，同樣有77%的受訪者報告稱，相對于模型訓練或微調，推理是其主要的AI活動。AI經濟已從構建轉向運營，而且這些組織不再僅僅是“使用”AI。他們正通過AI管理業務，將其從創新轉變為基礎設施。此外，數據顯示，盡管88%的受訪者報告面臨重大挑戰，但組織仍這一轉變的一個標志是，調查受訪者表示他們型數量的增加并非源于新奇性，也不是因為某一個模型無法完成任務，而是因為企業需要使簡而言之，我們已經進入一個多模型的世界，在這個世界中，推理不再像單一端點那樣運如果您認為多云應用交付已經足夠復雜，那么同的架構和安全挑戰。當前的主要障礙不再是<<>78%52026年應用戰略現狀報告5可擴展性成為了一個問題，因為分布式推理將重心從模型本身轉移到了管理推理流量的系統上，這些系統負責對推理流量進行管控、路由、限制和監測。與分布式應用部署類似，管理這些系統往往需要使用多種工具，這也進一步增加了復雜性。與此同時，一些新的責任領域也隨之出現，例如模型感知認證、語義濫用但是，這些新的推理職責與平臺團隊、安全團隊或應用團隊的現有職權范圍并不完全對應。新的推理領域跨越了這些職責。企業通常也不會簡單地要求現有團隊悄然承擔這些新的、陌生的工作。相反，企業往往會進行職能細分，建立新的團隊，并采用各自偏好的工具。如果不進行專門的整合或融合，由此產生的復雜性和安全風險將會變得錯綜復雜，這些挑戰會在交付、安全、可靠性以及治理等多個層面不斷我們的數據顯示，整合進展明顯滯后：只有簡化開發者工作流。而其余組織仍在碎片化的控制面上進行管理，即使推理已成為其關鍵業6盡管如此，各組織仍在迅速推進多模型、分布們如何管理由此帶來的復雜性，將在很大程度620262026年應用戰略現狀報告這些發現共同指向一個結論：如果AI失敗、停滯或成本變得難以承受，其原因并不會是模型能力不足。真正導致失敗的，將是那些低估了AI所帶來的運營重要性、復雜性以及安全風險的組織。如果決策者繼續沿用零散的單點解決方案，止步于僅適用于部分AI系統的默認服務，以及使用傳統解決方案解決AI時代問題，而不能前瞻性地做出應變，那么AI的復雜性將另一方面，通過有意識地整合控制能力，并為團隊提供跨模型的可觀測性和保護能力，組織可以像在混合多云應用分發中已經獲得的那2026年應用戰略現狀報告請繼續閱讀，以了解更多關于當今應用交付和778在某種程度上，數字化轉型的整組織已將傳統應用現代化為本地云應用或軟件式來減少阻力。現代化的推進速度當前有所放緩，但并未停滯。2020年，現代應用平均占與2025年持平，這在一定程度上是因為過去一年中，各組織的關注重點已經大多轉向AI。我們預計，現代應用在應用組合中的平均占比仍將繼續上升，只是增長速度可能會有所放汰剩余的傳統應用。三年之后，這一比例幾乎86%的組織跨本地、公有云和托管環境運行應用在所有已部署的應用中，大約有多少比例采用以應用已經幾乎均勻地分布在混合部署環境和模式中29%29%202620%21%20%18%17%12%%12%%9%本地傳統本地云公有云SaaS托管邊緣92026年應用戰略現狀報告9超過十分之九的組織（93%）正在管理混合多云環境。盡管應用遷移的速度有所放緩，但托管位置的多樣性仍在迅速增加。受訪者平均管理5個自有數據中心，同時還使用5個托管機在這種復雜環境中，AI成為最活躍的發展領域之一。原型、概念驗證和謹慎實驗的時代已經可或缺的一部分來運行。盡管面臨諸多重大挑從一種新興技術轉變為必需能力，超過四分之三的受訪者正在運行自己的推理服務。其中大多數組織管理著不止一個推理服務。平均每個組織運行2個推理服務，而五分之一的受訪者管理著3個或更多。大多數組織希望能夠對至少一部分推理服務進行自主控制和定制。盡管59%的受訪者使用云服務提供商提供的公共實例，但幾乎同樣多的組織使用私有實例或自行管理開源實例。只有36%的組織主要依賴公共93%的組織正在管理混合多云環境2026年應用戰略現狀報告進行交互。最常見的方法是部署具備身份感知能力的基礎設施，例如使用高級負載均衡器，根據機器或智能體的身份來路由和管理流量。接近一半（47%）的組織預計將實施身份感知機制。約四分之一的組織正在專注于開發并規范面向公眾的API，使AIAgent能AI已經不再只是研發階段的產物，它已成為嵌入日常流程中的生產工作負載，并對應用和業2026年應用戰略現狀報告您計劃如何修改面向外部的應用以與AIAgent協98%的組織正在修改其應用以支持AIAgent訪%的組織正在修改應用以供您計劃如何修改面向外部的應用以與AIAgent協98%的組織正在修改其應用以支持AIAgent訪%的組織正在修改應用以供AIAgent訪問可觀測性與自動化為推理提供有力支撐AI推理已經成為企業業務常態，這一點也得到首先，運營數據已經從單純的告警和報告工具，轉變為運行時依賴的重要組成部分。其使用率從2023年的較低水平，躍升至2025年的這種快速增長的采用曲線并不是企業簡單嘗試新工具的表現。相反，這表明企業已經普遍認識到：如果不能為這些系統持續提供結構化且工具。因此，可觀測性不再只是反映系統狀態再僅僅局限于提供建議的角色。我們的調查數據顯示，AI正迅速從主要作為決策支持工具，運營數據的使用率大幅提升運營數據的使用率大幅提升2023202696%幾乎所有組織目前都在使用運營數據，或計劃33%2026年應用戰略現狀報告47%SLO/SLI報告96%95%97%97%三分之二的組織已經在使用AI自動調整策配置，并加速自動化工作。這一比例甚至超過了近60%依賴AI生成建議來指導人工決策的組織。因此，對大多數組織來說，AI已不再是實驗性技術，而是嵌入并活躍在運維控制循環然而，我們的調查數據顯示，完全自主執行目前仍被有選擇地限制在那些影響可衡量且可逆的運維任務中。這些任務通常涉及成本控制或應用性能優化，例如流量調整和優化，以改善用戶體驗。在應用安全、合規以及業務風險等責任歸屬。相反，AI更像是一個受約束的執行者，通過執行決策來增強控制循環，同時悄然改變決策者對自動化、可觀測性以及現代系統67%用于加速自動化工作59%用于生成策略和配置調整建議，以滿足既定的SLOAI正在從“顧問角色”轉變為“受約束的執行用于自動調整策略和配置66%以滿足既定的SLO（服務2%未使用AI進行自動化2026年應用戰略現狀報告生成建議，還是調整策略，受訪者都一致將可編程接口視為管理應用交付和安全服務的首選方式。在所有用例中，基于API的自動化排名化的受訪者，也更傾向于使用基于API的機制來管理應用服務。這種對機器可讀取治理方式我們從中得出兩個重要結論。第一，自動化已應用的關鍵方式。第二，組織已經開始設計能夠無需人工干預即可行動、響應和適應的系統，并圍繞推理構建自動化能力，使其能夠真正付諸實踐。由于圍繞某項工作負載的自動化深度通常是其成熟度的標志，因此可以認為推2026年應用戰略現狀報告務在哪些方面具有最大運營影響時，受訪者幾乎一致指向圍繞推理本身構建的能力。受訪者認為價值最高的領域在于輸入側保護，因此優先關注輸入過濾、注入攻擊防護、記憶合并和提示詞處理等環節。輸出內容審核也被認為非常重要，但當前的主要重點仍然是保護輸入端，以避免出現“輸入垃圾、輸出垃圾”64%↓期望的價值。首先，大多數企業并不是在追預期成果分別是：更快的決策速度（33%的受訪者）以及通過自適應學習帶來的生產力提升（32%）。這些屬于控制平面的收益。它們依2026年應用戰略現狀報告您期望從使用生成式AI中獲得的兩大主要收益更快的決策和更高的效率以微弱優勢勝過其他數據驅動的選擇/您期望從使用生成式AI中獲得的兩大主要收益更快的決策和更高的效率以微弱優勢勝過其他數據驅動的選擇/33%32%28%23%23%22%18%2%tt$↓</>節約、戰略規劃，甚至法規合規性，都落后于前兩項。組織更期望AI能加速工作，而非推動創新或變革戰略。同樣，影響模型選擇的因素，如集成兼容性、成本和可用性，是關于彈當更快的決策和生產力提升成為主要價值驅動力時，控制輸入、管控提示詞、執行約束和管理記憶就成為了最高效的控制手段。這就是為什么受訪者報告稱，AI應用交付和安全服務的最大運營影響集中在輸入端。他們正在優化推理的“前門”，因為他們可以在不放棄控制權AI的運營核心在于推理——而非訓練管道、數據標注或離線模型設計。企業正將模型視為可互換的執行引擎，而非智能的主要來源。真正的智能中心正在轉移到推理階段，而推理已2026年應用戰略現狀報告2026年應用戰略現狀報告毫無疑問，即使AI已經迅速普及，其部署仍然少面臨一種限制。其中，計算資源成本位居首出現，需要管理的身份數量將呈爆炸式增長。其他主要擔憂包括憑證盜竊，以及其他傳統IT和安全模型無法應對的可視化和安全問題。若2026年應用戰略現狀報告由于AIAgent的激增，身份管理成為了首要擔43%36%由于AIAgent的激增，身份管理成為了首要擔43%36%34%34%30%26%21%15%8%無在戰略業務職能中亦然。對于那些傳統上被認為非常耗時的運維任務，例如故障排查、與工單系統集成、以及處理供應商API等，數據表明AI的采用并沒有放緩。組織已經達到了一定程度的運營信心，效率低下并不會抑制他們對AI的使用。團隊只是克服困難繼續前行，因為些環境。當工作負載變得至關重要時，現有流程會圍繞其進行調整。推理已經達到了這一里Agent方面會出現身<>y<>2026年應用戰略現狀報告AI推理不再是一個華而不實的實驗、一個熱門成為獲取業務成果不可或缺的一部分。推理服務已經成為一種運營型工作負載，并由成熟的可觀測性、嵌入式自動化以及清晰的架構層次因此，模型本身已經不再是AI運營的核心單位。相反，管控請求如何被整形、路由、限制和觀測的系統，才是價值和風險集中的地方。從架構角度來看，智能正向應用棧的上層移動，進入交付環節。已認識到這一變化的組織，正以對待應用棧中其他關鍵組件同樣嚴肅的態度來對待推理服務，并把它整合進自身的其速度有多快。真正的問題是：組織是否意識到他們實際上已經完成了這一步，并能夠在不引入工具泛濫、職責斷層以及復雜性失控的情況下，把它管理好，因為這些問題往往會影響應用棧中的其他組件。這些挑戰可能通過制造安全風險或高昂的運營成本拖累組織，因此避2026年應用戰略現狀報告20第2節當你只使用一個AI模型時，推理看起來很簡單。你將流量發送給模型，為其加上身份驗證，也許再加一兩個護欄，然后便可繼續下一步。但這種思維模型在現實面前很快就會崩潰。我們的調查數據顯示，大多數組織依賴不止一個AI模型。使用五個或更多不同AI模型的情況很常見，組織平均正在運營或積極評估的模型數量平均高達七個。這樣的規模使得把推理視為單一端點的想法不再成立。AI已經不再只是選擇一個最好的模型的問題，而是管理一整套模型20262026年應用戰略現狀報告這種多模型方法之所以成為常態，并不是因為沒有任何單一模型足夠強大，也不是因為團隊只是想不斷嘗試各種“新玩具”。實際上，多模型AI的出現主要是由業務需求和技術因素共不同的接口方式，并且在高負載情況下的失敗模式也不同。因此，單一模型戰略很難在所有在決定使用多個AI模型時，組織會考慮許多與業務和戰略需求相關的變量，其中包括成本優彈性和特定模型能力等技術考量也發揮著作于模型鎖定或需要為特定模型重構應用接口而導致應用中斷。就像混合多云應用部署一樣，多模型AI架構也是對現實情況的一種回應，即沒有一個模型能在每項任務上都表現出色，或多模型AI的存在原因與混合多云應用部署相同——技術原因例如API兼容性、可用性/故障切換能力、模型能力差距業務/戰略原因獲取開源模型的能力、合規要求實驗或基準測試用戶偏好受訪者比例90%79%21%5%222026年應用戰略現狀報告22當推理成為生產環境體驗的一部分時，具有競持現有應用的集成、控制每次請求的成本，并在系統出現故障時維持服務可用性。多模型推理使企業能夠根據功能、敏感性和策略來路由請求，從而像在受監管環境中管理應用流量一將戰略多樣化和獲取開源模型的能力列為使用多個模型的重要理由，進一步表明多模型AI本質上是一種風險管理戰略，而不是簡單的實驗行為。值得注意的是，用戶偏好幾乎算不上驅動因素。組織并非基于數據科學的偏好來選擇多個模型，而是因為企業架構和業務需求所決一旦多個模型并行存在，推理就不再像一個無狀態服務那樣運作，而更像是一個分布式系統：不同模型承擔不同的架構角色。有些模型可能規模更大、用途更通用，有些則更小、更專注于特定領域；有些模型側重成本和吞吐量優化，而有些則更強調準確性和業務價值。因此，核心問題變成了請求路由：在當前條件下，應該由哪個模型來處理某個請求，同時又不能違反延遲、成本、安全或合規等約束。此52%232026年應用戰略現狀報告23我們關于AI模型如何被調整的調查數據證明了這種向分布式推理系統的轉變。超過半數的組織正在對模型進行調整。大多數正在使用的調整技術是輕量級的，或者只是小規模的微調。但多模型鏈式調用和編排的使用率領先于所有其他技術，甚至超過了提示詞工程。超過半數（52%）的組織使用多模型鏈式調用或編排。使用知識蒸餾的組織幾乎同樣多，超過三分之一的組織使用提示詞工程或提示詞模板。檢索增強生成（RAG）雖然在架構圖中常被視為默這一結果表明，從業者首先投資于那些能夠跨模型協調、壓縮和路由的機制，而不是簡單地通過更多數據來豐富單一模型。換言之，他們AI的系統化對企業架構有著直接影響。當組織把大型模型蒸餾成更小的“學生模型”，將多個模型組合在一起，或根據任務或租戶動態地鏈式調用模型時，關注點就從模型本身轉移到了控制平面，即決定推理流量去向、原因以及版本管理、基于成本的模型選擇、安全防護以及基于風險調整的決策流程等。受到交付、安全、成本控制和彈性等問題的影響，對多個模型進行編排時，會使推理變成一種受管工作負載。因此，真正重要的決策變成：如何設計和管理那些控制推理流量如何被整形、路由、約束、安全保護和監控的系統，熟悉的運營壓力再次出現。成本不再是在部署時固定，而是隨性、隊列深度以及模型規模的影響。故障可能由模型漂移、性能下降或策略閾值被觸發等條這些其實都是常見的應用交付和安全問題，只是出現在一個新的領域中。事實上，企業正將分布式推理視為一個新的應用層級。他們必須這樣做，因為幾乎所有組織都表示，他們正在使用至少一種戰略來交付和保護AI推理服務，242026242026年應用戰略現狀報告超過一半的受訪者表示，他們正在管理AI服務敏感數據泄露。超過三分之一的組織表示，他們已經建立了集中控制點，例如在多個模型和后端系統之間對AI流量進行負載均衡。這些技術清晰地對應了長期存在的應用交付和安全職責。此外，監控AI工作負載的公有云成本如今與AI安全性和可用性緊密交織，因為這些推理88%的組織已經部署簡而言之，企業正在運營AI系統，并對其有著與應用交付和安全系統完全相同的性能、可用2026年應用戰略現狀報告你們如何交付和保護（或計劃如何交付和保護）受訪者比例管理你們如何交付和保護（或計劃如何交付和保護）受訪者比例管理AI服務和API的身份認證觀測AI流量和應用需求流防止敏感數據泄露的服務保護和管理AI模型的服務用于AI流量訪問 AI后端系統和模型的集中控制點（負載均衡）通過AI集成API的單一管理點簡化開發者工作流我們不自行托管推理服務器55%54%51%43%40%28%25在多模型AI世界中，圍繞推理的路由邏輯、策略執行、保護、可觀測性和反饋回路比單個模型的選擇更重要。然而，許多組織在描述其AI戰略時，仍然側重于模型而非系統。這在現實我們以前見過這種錯位帶來的風險。當企業架似的轉變。隨之而來的是負載均衡器、網關、服務網格和集中式策略引擎的興起。AI推理正這兩次轉型之間的區別在于速度。在AI方面，組織已經進入了集群管理模式。一些組織在付出代價后才會發現，在沒有編排的情況下運行七個模型，與在沒有流量管理和安全措施不一致的情況下運行七個生產系統毫無區別。數字領導者將會很快認識到，推理本質上是一個應用交付和安全問題，基于這一視角，他們將構組織越是把這些系統視為架構層的一部分，就262026年應用戰略現狀報告2627總而言之，我們2026年的調查結果揭示了一個在運營上務實、且意識他們希望AI能幫助人們更快地做出決策、更對于應用交付和安全團隊而言，關鍵工作不再在此基礎之上，他們可以確保AI項目取得成加高效地工作，而不是完全取代人的判斷。為是選擇或訓練AI模型，而是設計系統、策略和功。其他組織則會因自身的過度謹慎而停滯不限制機制，以決定AI在哪里可以執行操作、何前，或屈服于各種復雜性，導致部署和生產系統放緩、成本增加、風險滋生，并阻礙可擴展和保護，以及在必要時如何回滾或糾偏。這項性。只有數字領導者才能構建出既能安全擴展為了實現這些目標，組織正在協調多個AI模型工作本質上不是一個AI問題，而是一個企業架AI，