麦肯锡在 143 页的《Technology Trends Outlook 2026》中列出了 14 项技术趋势。把它们连起来看，会发现一个更值得关注的问题：AI 加快了代码、科研候选方案和业务动作的生成速度，企业验证、交付和供给这些成果的能力能否跟上？
假设一个研发团队让 AI 智能体一夜之间提交几十个代码改动。第二天，团队并不会自动得到几十个可用功能：有人要确认需求、审核代码、做安全测试、处理系统兼容问题，最后才能发布。
再把场景换成药物研发。AI 可以迅速给出大量候选分子，但实验设备、研究人员和验证预算不会随候选数量同步增加。把场景换成数据中心也一样：模型调用量可以迅速增长，电网接入、变压器和供电能力却无法按软件更新的节奏扩张。
这是我读麦肯锡 2026 年 9 月发布的《Technology Trends Outlook 2026》后，最想分享的判断：**技术进步正在把瓶颈从“能不能生成”推向“能不能验证、执行和持续供给”。**它贯穿报告中的智能体、科学发现、芯片、网络安全和能源章节。[1]
一、先弄清这份报告在测什么
这份年度报告讨论 14 项趋势，分为 AI 革命、计算与连接前沿、前沿工程三组。相较上一版，它单独加入了智能体软件开发和AI 辅助科学发现与工程。上一版的“云与边缘计算”没有继续作为独立前沿趋势列出；报告解释为这类技术已经更加成熟和普及，不能据此推断云与边缘计算不再重要。[1]
读报告里的“趋势排名”，尤其要注意方法。麦肯锡跟踪六类活动：搜索、新闻、专利、论文、股权投资和招聘需求，再结合专家访谈评估采用阶段。它的创新和关注度分数是在本次研究的 14 项趋势之间标准化的相对指标；关注度也可能受到新闻和搜索热度影响。分数高低既不是技术质量评分，也不能直接换算为商业回报。[1]
同样，报告中的“股权投资”涵盖融资、并购、私募股权和上市等资本市场交易，不包含企业建设数据中心的资本开支或日常运营开支。2026 年全年投资额则是按上半年交易活动线性外推，报告明确提醒，大额交易和季节性因素可能造成偏差。[1]
因此，读这份报告最有价值的方式，是观察趋势之间怎样相互制约，而不是把资本市场交易额直接当成企业已经获得的收益。
二、第一处瓶颈：AI 写得更快，人能否更快验证？
报告在“智能体软件开发”一章给出了一个鲜明的对照：它引用的一项研究发现，使用 AI 编码工具后，编码活动增加约 180%，但实际发布的版本只增加约 30%。[1][2]
这两个数字衡量的不是同一件事。代码改动可以由工具快速生成；一个能够交付给用户的版本，还要经过需求判断、审查、集成、测试和发布。上游产出变多，可能使下游队列更拥挤。
我们可以把这件事理解成一条生产线：
| 环节 | AI 容易加快的部分 | 仍需组织投入的部分 |
|---|---|---|
| 需求 | 整理材料、生成方案 | 决定用户真正需要什么 |
| 编码 | 生成、修改、解释代码 | 审核架构、兼容性与安全性 |
| 测试 | 生成用例、辅助排查 | 确认用例覆盖真实风险 |
| 发布 | 准备文档与流程 | 控制变更、回滚并观察实际效果 |
据此，团队若只统计“AI 写了多少行代码”或“提交了多少次修改”，很可能高估生产力。更值得跟踪的是被接受的改动比例、发布周期、生产故障率和用户实际使用情况。这是基于报告与所引研究提出的管理建议，不是报告给出的统一考核标准。
同样的瓶颈也出现在科学研究中。报告把“AI 辅助科学发现与工程”新增为独立趋势，并指出 AI 可以更快提出药物和材料候选方案；但湿实验、临床试验和监管审查所需的时间，不会因为候选生成提速而同步缩短。报告也明确说，AI 发现的药物目前仍缺少充分的临床结果，不能把候选分子数量等同于成功上市的药物数量。[1]
对药物研发团队而言，真正需要重新设计的是候选—实验—反馈的循环：先用模型缩小搜索范围，再结合专家经验决定哪些候选值得占用实验预算；实验之后，把可靠结果反馈给下一轮筛选。AI 在这里创造的价值，不只是“生成更多”，还有在有限验证能力下提高优质候选进入实验的概率。后一句是本文从报告的验证瓶颈延伸出的判断。
三、第二处瓶颈：智能体会行动，企业能否安全授权？
报告引用麦肯锡 2026 年 AI 调查：89% 的受访者称其组织在至少一个业务职能中常规使用 AI，但只有37%的受访者认为 AI 项目对企业整体息税前利润产生了某种正向影响。[1]这里说的是所有 AI 应用，不能读成“37% 的智能体项目已经盈利”；这些数字也不意味着其余企业的投入必然失败。
智能体要从聊天框进入业务流程，成本与风险都会改变。报告指出，在某些企业环境里，一次智能体工作流消耗的 token 可能达到普通聊天提问的 5—30 倍。原因很直观：它要反复推理、检索资料、调用工具、检查结果，有时还要协调其他智能体。这是特定环境中的区间，并非每一次调用都会如此。[1]
更难的是授权。试想一个运维智能体判断服务器需要重启：它是否读到了正确的配置？是否知道服务器所属的业务？当前是否处在不能中断的时间窗口？谁授权它执行？如果判断错了，系统能否立即停止并回滚？
这些问题要求企业为智能体建立一套可执行的规则：
- **事实来源：**资产、权限、流程和历史记录由哪些系统提供，以谁为准。
- **动作边界：**哪些工具只可读取，哪些动作可以自动执行，哪些必须审批。
- **过程留痕：**保留调用、依据、审批、执行结果及异常记录。
- **退出机制：**出现错误或越界时，由谁接管、如何暂停和恢复。
报告的网络安全章节也把智能体身份、机器之间的交互和操作链条的可审计性列为重要问题。[1]我的理解是：**模型能提出行动建议，企业基础设施负责决定它能否行动。**若后者没有准备好，增加智能体数量只会增加需要人工核查的复杂度。
四、第三处瓶颈：算力需求涨得快，物理供给能否跟上？
报告在 AI 基础设施章节指出，美国与 AI 基础设施相关的电力需求预计从2025 年约 30 吉瓦增至2030 年超过 90 吉瓦。这是预测，范围是美国，也不能直接理解为全球数据中心的总用电量。[1]
电力的挑战还在于“接得上”。报告引用国际能源署的数据称，全球有超过 2500 吉瓦的可再生能源、储能及大型用电项目等待电网连接。这个总数包括多类项目，不是说有 2500 吉瓦的 AI 数据中心正在排队。[1][3]
资本投入也反映了供给压力，但需要分清类型：
| 报告数据 | 它具体指什么 | 阅读时应注意 |
|---|---|---|
| 2025 年能源与可持续技术约1942 亿美元 | 该趋势相关的股权投资，为报告中当年最高的趋势类别 | 不等于全球能源基础设施年度建设总额 |
| 2025 年 AI 基础设施与模型架构1450 亿美元 | 该趋势相关的股权投资 | 不等于数据中心实际建设开支 |
| 2026 年上半年该 AI 基础设施趋势约3840 亿美元 | 截至年中的同类资本市场活动 | 不能把半年数字直接当作全年已实现规模 |
| 到 2030 年全球数据中心建设资本开支预计约6.7 万亿美元 | 报告援引的累计资本开支预测，常被概括为“接近 7 万亿美元” | 与前三项股权投资使用不同口径，不能相加，也不是单年的开支 |
上述数值分别见报告总论、AI 基础设施和能源章节；6.7 万亿美元的原始估算另见麦肯锡此前的专题研究。[1][4]特别需要留意报告展示的“2026 年有五项趋势投资可能较 2025 年至少翻倍”：这是将 2026 年上半年交易按月度速度外推的方向性估计。其中智能体软件开发一项还受到一笔报告注明“已宣布、待完成”的巨额交易显著影响。把这个图表读成“14 个赛道的真实全年营收增速”，就完全偏离了它的含义。
当电力、内存、散热和网络成为约束，芯片竞争也会改变。报告认为，推理负载越来越多样，低延迟、小批量、多轮智能体调用与大规模离线处理并不需要完全相同的芯片配置。因此，专用加速器、内存架构、软件和供电方式正在协同设计。[1]
对于部署 AI 的企业，问题也会从“哪个模型参数最多”逐步转向：**在既定时延、隐私、可靠性和预算条件下，怎样组合模型与算力资源，让一个任务以合理成本完成？**报告提到小模型、模型压缩和推理优化，使本地、边缘或企业自托管部署在部分场景更可行；具体选择仍要由任务需求决定。[1]
五、把 14 项趋势变成企业可用的判断框架
技术趋势报告最容易被误用的地方，是把每个热门词都变成一项采购任务。企业更需要找到自己的约束环节。
我建议在讨论任何 AI 项目之前，依次回答四个问题：
| 问题 | 需要检查什么 | 合适的结果指标 |
|---|---|---|
| 生成得更快了吗？ | 模型是否真正缩短某项任务的处理时间 | 每项任务耗时、人工参与时间 |
| 验证得过来吗？ | 审查、实验、测试是否成为新积压点 | 通过率、返工率、每个已验证结果的成本 |
| 能安全交付吗？ | 权限、集成、回滚和审计是否到位 | 端到端完成率、故障率、接管次数 |
| 能持续供给吗？ | 推理成本、计算资源、电力与人才是否可承受 | 每个成功任务的总成本、稳定运行能力 |
对于软件团队，“成功任务”可以是安全发布且被用户使用的功能；对于科研团队，可以是通过实验验证的优质候选；对于企业智能体，可以是在权限范围内正确完成且无须大量人工返工的业务流程。衡量单位应跟着最终成果走，而不是跟着模型最容易产生的中间产物走。
这个框架是我对报告跨章节内容的归纳，并非麦肯锡提供的一套通用公式。它还能解释一个看似矛盾的现象：组织可能同时看到模型能力提高、AI 使用量增长、相关资本投入增加，却暂时看不到同比例的产品交付和财务收益。上游跑得越快，原本不显眼的下游环节就越可能成为新的瓶颈。
结语
这份报告讨论机器人、芯片、科学发现、智能体和能源，看起来横跨不同产业。把它们连起来，问题却相当具体：当 AI 可以更快提出方案并采取行动，谁来验证结果，谁来承担执行责任，什么资源支撑它长期运行？
对企业来说，下一阶段的竞争力可能更少取决于一次演示生成了多少内容，更取决于能否持续把这些内容变成可靠的产品、经过验证的发现，以及可负担的真实服务。这不是报告对所有企业的确定性预测，而是基于其 14 项趋势和数据得到的判断。
资料来源与说明
[1] Michael Chui、Roger Roberts、Tanguy Catlin，麦肯锡，《Technology Trends Outlook 2026》，2026 年 9 月 15 日。本文依据用户提供的 143 页原报告核对总论、研究方法及相关章节；凡属本文分析，已在文中标明。
[2] Mert Demirer、Leon Musolff、Liyuan Yang，《Writing code versus shipping code: Productivity effects across generations of AI coding tools》，CEPR，2026 年 6 月 21 日。文中 180% 与 30% 采用麦肯锡报告所引用的研究口径。
[3] 国际能源署，《Electricity 2026: Grids》，2026 年。电网排队的 2500 吉瓦数据包含可再生能源、储能和大型用电项目。
[4] 麦肯锡，《The cost of compute: A $7 trillion race to scale data centers》，2025 年 4 月 28 日。该研究估算到 2030 年全球数据中心需累计投入约 6.7 万亿美元。
