F5：2026年应用战略现状报告（31页）.pdf

核心结论速览： 组织平均在生产环境中使用七个AI模型，推理已成为分布式系统：AI推理已经跨越了从“实验”到“运营基础设施”的关键门槛，78%的组织自行运行AI推理，52%正在使用多模型编排来适配并扩展其AI模型。 93%的组织在混合多云环境中开展业务运营：86%的组织跨本地、公有云和托管环境运行应用，平均管理5个自有数据中心、5个托管机房和4个不同的公有云服务提供商。 77%的组织表示推理已成为其最主要的AI活动，远超模型训练或微调：AI经济已从“构建”转向“运营”，组织不再仅仅是“使用”AI，而是通过AI管理业务。 98%的组织正在准备部署智能体AI：其中47%计划部署身份感知基础设施，77%预计AI Agent在身份和访问控制方面会出现问题。 64%的组织允许使用AI调整策略或配置：AI正从“顾问角色”转变为“受约束的执行引擎”，在明确的控制边界内参与IT运维。 88%的组织已部署至少一种用于推理的应用服务：包括AI身份认证、API访问管理、AI流量监控和敏感数据泄露防护。 可观测性已成为系统本身的一部分：运营数据的使用率从2023年的较低水平跃升至近100%，组织普遍认识到无法在没有结构化上下文信息的情况下运行AI或任何现代工具。H2：研究背景——AI推理跨越“实验”门槛。第十二年调查揭示的根本性转变：F5《2026年应用战略现状报告》基于全球1,100多位IT决策者的调研数据，揭示了AI应用发展的关键拐点——推理已从新兴技术转变为必需的生产工作负载。几年前仅作为AI实验开始的活动，如今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，而是由推理如何嵌入生产系统、运营决策循环以及交付应用、产品和服务的管道来定义。从构建到运营的范式转移：超过四分之三的受访者表示正在自行运营推理服务，77%报告称推理是其主要AI活动（相对于模型训练或微调）。AI经济已从构建转向运营，组织不再仅仅是“使用”AI，而是通过AI管理业务，将其从创新转变为基础设施。尽管88%的受访者报告面临重大挑战，但组织仍在大规模推进这一转型。多模型世界的形成：组织平均同时运行或正在积极评估七个AI模型。模型数量的增加并非源于新奇性，而是因为企业需要使用多种模型来满足API兼容性、成本、可用性、数据主权以及合规等方面的需求。报告明确指出：“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行，而开始像一个分布式系统一样运作。”。H2：混合多云——应用部署的“新常态”。基础设施的分布化趋势：93%的组织正在管理混合多云环境。尽管应用迁移速度有所放缓，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个托管机房设施，总计达到10个基础设施部署地点。此外，平均每个组织还使用4个不同的公有云服务提供商。现代化进程的演进：2020年，现代应用平均占应用组合的29%。如今这一比例已达到53%，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大多转向AI。然而，2023年仍有16%的组织表示没有计划淘汰剩余的传统应用，三年后这一比例几乎已经触及最低水平，表明应用现代化仍在持续推进。AI Agent推动应用变革：除了管理分布式推理服务外，98%的组织都在积极计划修改其面向外部的应用，以便与AI Agent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（47%），约四分之一正在开发规范化的面向公众API，另有20%正在采用语义数据标准以确保AI Agent能明确理解上下文。H2：推理时代——从技术到基础设施。可观测性的“范式跃迁”：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近乎普及。这种快速增长的采用曲线表明，组织已经普遍认识到：如果不能为这些系统持续提供结构化且具备上下文的信息，就无法运行AI或任何现代工具。可观测性不再只是反映系统状态的一面镜子，而已经成为系统本身的一部分。AI在IT运维中的角色演进：三分之二的组织（64%）已经在使用AI自动调整策略和配置，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。AI不再是实验性技术，而是嵌入并活跃在运维控制循环中的关键组成部分。受约束的执行边界：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（如成本控制或应用性能优化）。在应用安全、合规以及业务风险等关键决策方面，人类仍然保持监督和控制。AI并没有取代人类监督，而是作为一个受约束的执行者，通过执行决策来增强控制循环。API优先的自动化：在所有用例中，基于API的自动化排名最高。即使那些表示尚未使用AI进行自动化的受访者，也更倾向于使用基于API的机制来管理应用服务。自动化已经不再是运维的辅助工具，而是AI实现规模化应用的关键方式。H2：多模型推理——分布式系统的现实。七个模型的管理挑战：组织平均正在运营或积极评估的模型数量平均高达七个。使用五个或更多不同AI模型的情况非常普遍。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模型的问题，而是管理一整套模型与服务组合的问题。业务考量驱动多模型决策：多模型AI的出现主要由业务需求和技术因素共同推动。不同模型具有不同的成本结构、不同的接口方式，并且在高负载情况下的失败模式也不同。组织决策的考量因素包括：成本优化（不同模型的Token定价差异显著）、合规要求（数据必须留在特定司法管辖区）、战略多元化（避免供应商锁定）、弹性和特定模型能力（确保API兼容性）。多模型推理的本质是风险管理：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。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选择多个模型，而是因为企业架构和业务需求所决定。从无状态服务到分布式系统：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。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，同时不能违反延迟、成本、安全或合规等约束。编排成为AI基础设施的核心：超过半数（52%）的组织使用多模型链式调用或编排，这一比例甚至超过了提示词工程。AI的系统化直接影响企业架构：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，或根据任务动态链式调用模型时，关注点就从模型本身转移到了控制平面——决定推理流量去向、原因以及如何保护这些流量的系统。H2：AI基础设施的交付与安全。推理服务已成运营型工作负载：88%的组织已经部署了至少一种用于推理的应用服务。超过一半的受访者表示，他们正在管理AI服务的身份认证和API访问、监控AI流量以及防止敏感数据泄露。超过三分之一的组织已经建立了集中控制点，如在多个模型和后端系统之间对AI流量进行负载均衡。应用服务承担关键角色：与推理相关的应用交付和安全服务包括：输入侧保护（输入过滤、注入攻击防护、记忆合并和提示词处理）、输出内容审核、身份认证与API访问管理、AI流量监控、敏感数据泄露防护和跨模型负载均衡。这些技术清晰地对应了长期存在的应用交付和安全职责。价值与风险都集中在推理的管理系统：受访者认为价值最高的领域在于输入侧保护，优先关注提示词处理等环节。企业希望从生成式AI获得的主要价值是“更快的决策速度”（33%）和“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。因此，控制输入、管控提示词、执行约束和管理记忆成为了最高效的控制手段。运营挑战未能减缓AI采用：接近90%的受访者表示至少面临一种限制——计算资源成本高居首位，具备足够技能的人才获取紧随其后。超过90%的受访者也表示，一旦这些障碍被克服，智能体AI又将带来一系列全新挑战（身份数量爆炸式增长、凭证盗窃等）。然而，没有人止步不前。AI推理带来的价值超过了这些麻烦本身。H2：未来展望——AI Agent与智能体时代。AI Agent将重塑应用交互模式：98%的组织正在准备部署智能体AI。最常见的挑战预期是：随着AI Agent大量出现，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，以及传统IT和安全模型无法应对的可视化和安全问题。身份管理成为首要挑战：77%的受访者预计AI Agent在身份和访问控制方面会出现问题。这一数据揭示了智能体AI时代即将面临的核心矛盾——AI Agent的数量将远超人类用户，且每个Agent都需要独立的身份、权限和安全策略。F5的核心洞察：AI推理不再是一个华而不实的实验或未来的担忧，对于许多组织而言，AI已成为获取业务成果不可或缺的一部分。问题不在于组织是否会将AI投入运营，而在于是否意识到已经完成了这一步，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管理好它。延伸阅读：以上为报告核心内容分析，如需获取完整报告详细数据及全部图表，请访问下载页下载完整PDF报告。H2：FAQ区块。Q1：报告的核心结论是什么？A1：AI推理已从实验性技术转变为生产级基础设施。组织平均使用七个AI模型，78%自行运行推理，52%使用多模型编排。推理不再像单一端点那样运行，而是像一个分布式系统。93%的组织在混合多云环境中运营，98%准备部署智能体AI。Q2：为什么组织平均使用七个AI模型？A2：多模型方法由业务需求和技术因素共同驱动——不同模型具有不同的成本结构、接口方式和失败模式。考量因素包括成本优化、合规要求、战略多元化（避免供应商锁定）、弹性以及特定模型能力。没有任何单一模型能在所有任务上表现出色。Q3：AI在IT运维中扮演什么角色？A3：AI正从“顾问角色”转变为“受约束的执行引擎”。64%的组织已使用AI自动调整策略和配置。但在应用安全、合规及业务风险等关键决策方面，人类仍保持监督和控制。AI在可逆、可衡量的运维任务中自主执行，在关键决策中辅助人类。Q4：多模型推理面临哪些运营挑战？A4：推理不再是无状态服务，而是一个分布式系统——不同模型承担不同架构角色。核心挑战包括：请求路由（哪个模型处理某个请求）、成本控制（每次请求成本不同）、延迟管理（受GPU可用性和队列深度影响）、故障处理（模型漂移、性能下降）以及身份管理（AI Agent数量爆炸式增长）。Q5：推理的交付与安全服务包括哪些？A5：包括输入侧保护（输入过滤、注入攻击防护、提示词处理）、输出内容审核、AI身份认证和API访问管理、AI流量监控、敏感数据泄露防护、跨模型负载均衡和公有云成本监控。88%的组织已部署至少一种此类服务。Q6：AI Agent时代的主要挑战是什么？A6：98%的组织准备部署AI Agent，77%预计身份和访问控制会出问题。主要挑战包括：需要管理的身份数量爆炸式增长、凭证盗窃风险、传统IT和安全模型无法应对的可视化问题，以及AI Agent权限管理。H2：数据来源说明。本报告核心数据与观点均来源于F5发布的《2026年应用战略现状报告》。这是F5第十二次年度调查，基于全球1,100多位IT决策者的调研数据。四分之三的受访者代表年收入在10亿至100亿美元之间的组织。受访者来自云、技术和金融服务等多个行业，67%是拥有预算权的IT决策者，39%是C级IT高管（如CIO或CTO）。数据反映了在应用交付和安全领域最具前瞻性的市场群体的真实判断。