到2027年，40%的AI项目将因基础设施碎片化（速度、成本、安全）而失败。统一的AI连接平台是解决这些危机的关键，它能提供治理、成本可见性和部署速度，从而确保AI项目的成功。
译自：Why 40% of AI projects will be canceled by 2027 (and how to stay in the other 60%)
作者：Alex Drag
具身AI（Agentic AI）竞赛已然开始，大多数组织正面临失败的风险。这并非因为他们缺乏雄心，而是因为他们在没有统一战略的情况下同时打三场战争。
审视那些成功的具身AI项目与Gartner预测的到2027年将被取消的40%项目之间的区别，模式显而易见：组织并非在AI上失败，而是在支持AI在企业规模下运行的基础设施上失败。
大多数AI举措存在三个根本性危机，并且单独解决它们是行不通的。它们必须通过统一的AI连接计划协同解决。
阻碍具身AI基础设施的三大危机
危机一：建立可持续的速度
众所周知，速度至关重要。董事会要求AI代理，高管为试点项目提供资金，团队争相部署。但紧迫性并未转化为实际速度。S&P Global报告称，42%的公司在投产前就放弃了AI项目。组织快速部署代理，但也同样快速地将其撤回。
令人不安的事实是，许多行动最快的组织现在正在倒退。
令人不安的事实是，许多行动最快的组织现在正在倒退。想想看，麦当劳在部署到100多个地点后终止了其AI语音订餐项目，或者39%的AI客户服务聊天机器人被撤回或重新设计。没有预先建立基础的速度会产生技术债务，这些债务会不断累积，直到迫使彻底重建。实现可持续速度的组织不仅行动迅速，更是在支持迭代而非要求重启的基础设施上迅速行动。
危机二：碎片化成本
当团队争相部署时，财务和财务运营（FinOps）团队正眼睁睁看着利润率被侵蚀。84%的公司报告称，AI成本导致毛利率侵蚀超过6%，26%的公司报告侵蚀达到16%或更多。这并非源于战略性过度投资，而是源于混乱：系统碎片化、代币消耗未被追踪、僵尸基础设施以及分散在不同团队中且彼此不知对方在构建什么的冗余工具。
无法衡量的事物，也无法实现货币化。
还有一个次要问题是，无法衡量的事物无法实现货币化。组织在利润流失的同时也错失了收入，因为它们缺乏对使用模式、单位经济和基于使用定价所需数据的可见性。只有15%的公司能够将AI成本预测的准确性控制在±10%以内。其他所有公司都基于希望而非数据在运营。
危机三：影子AI定时炸弹
第三个危机更为隐蔽，但潜在破坏性更大。86%的组织对其AI数据流没有可见性。20%的安全漏洞现在被归类为影子AI事件。96%的企业承认AI代理已经或即将引入安全风险。
处于发布压力的开发团队正在建立LLM连接，将敏感数据路由到模型，并扩展代理到代理（agent-to-agent）的通信，所有这些通常都没有经过安全审查。每次部署都会增加攻击面，但可见性却跟不上。当组织通过漏洞、审计失败或监管调查发现问题时，损害已是结构性的。补救意味着回滚、重建以及需要数年才能恢复的声誉损害。
为什么单独解决这些问题行不通
大多数组织错误地将速度、成本和治理视为需要独立解决方案的独立问题。他们要求开发和AI/ML团队推动速度，要求财务运营（FinOps）控制AI成本，要求安全部门构建治理框架——所有这些都没有一个共享的、统一的方法：三个工作流和三个组织孤岛。这导致了碎片化。旨在解决问题的结构反而使问题恶化。这并非意味着这些团队不应该成为各自工作流的主要负责人；只是领导者不应以孤立的方式处理这些挑战。可以这样看待这些关系：
- 治理：没有它，速度就会产生风险。每个在没有适当控制下部署的代理都会扩大攻击面。快速行动只会更快地累积漏洞。从长远来看，这会减慢你的速度。正确的治理将等同于速度。
- 成本可见性：否则，速度会侵蚀利润。每次没有单位经济分析的部署都只是一场赌博，赌博未来能收支平衡。快速行动意味着更快地流失资金。而资金流失最终会导致创新预算减少。
- 速度：没有速度，治理就会停滞不前。适用于传统IT的手动审查周期和审批流程无法扩展到具身AI工作负载。将部署速度拖慢到爬行状态的治理并非治理——它是通往无关紧要的缓慢之路。
那些能够同时掌握这三者的组织将获得收益，而那些试图单独解决它们的组织将看到差距不断扩大。
具身AI时代的赢家都建立了统一的基础设施，能够同时解决速度、成本和治理问题。
成功的样子
具身AI时代的赢家有一个共同的模式：他们建立了统一的基础设施，将速度、成本和治理作为一个单一的集成平台来解决。这使他们能够：
- 自信部署。团队部署代理时，知道安全护栏是自动化的，而非手动。安全和合规性发生在基础设施层，而非通过增加数周时间线的审查会议。
- 清晰投资。财务部门信任预测，因为它们基于消费数据。产品团队可以在发布前建模单位经济效益。成本归因将支出与业务成果关联起来。
- 将其构建的成果货币化。基于使用量的定价成为可能，因为在每一层都对消费进行计量，并且AI能力能产生收入流。
- 掌握全局。可见性涵盖整个AI数据路径，不仅是LLM调用，还包括构成真实世界具身AI架构的API、事件、MCP连接以及代理到代理的通信。
- 随着时间推移加速。每次部署都在前一次的基础上进行，机构知识不断积累，平台也变得更加智能。
这就是飞轮效应：治理实现速度，速度实现成本效率，成本效率资助对治理和速度的进一步投资。这三种能力在统一时会复合增长，在碎片化时则会崩溃。
AI连接性：统一平台方法
解决这些复合挑战的方法并非另一个点工具，而是一种新的架构方法，用于AI系统、API和代理如何在生产环境中连接和运行：AI连接性。
AI连接性是一个统一的治理和运行时层，它涵盖了代理所遍历的完整数据路径，从API和事件到LLM调用、MCP连接以及代理到代理的通信。
传统的API管理处理应用程序间的请求-响应流量。AI网关处理代理与模型间的流量。单独来看，两者都无法满足具身AI的全部需求。
代理不仅仅调用LLM。它们遍历整个数字生态系统，从调用MCP工具到将API和事件流作为上下文消费，与其他代理协调，并访问企业内部的数据源。每个连接点都需要协同工作的可见性、控制和治理。
AI连接性通过提供以下功能弥补了这一差距：
- 统一流量管理，跨越不同协议、上下文和智能，即具身AI堆栈——REST、GraphQL、gRPC、Kafka、WebSocket、MCP、LLM、A2A等。
- 一致策略执行，无论流量是传统API调用还是代理通过多步工作流进行推理，都能应用安全、合规和成本控制。
- 全数据路径可观测性，不仅显示代理正在做什么，还显示它们连接到什么，数据流向何处，以及成本是多少。
- 内置货币化基础设施，在每一层计量消耗，从而实现基于使用量的定价、成本归因和单位经济效益可见性。
- 开发者自助服务，让团队无需等待手动审查即可构建和部署。
当治理、成本可见性和部署速度共享一个通用平台时，它们会相互强化而非竞争。团队可以在自动护栏的保障下快速行动，运行时内置的计量功能使成本保持可见，而基础设施层执行的策略则扩展了安全性。
Kong：AI连接战略的基石
这就是我们在Kong所构建的。Kong提供了AI连接层，它涵盖了跨API、事件和AI原生流量的整个数据路径，并具备可持续AI项目所需的治理、可观测性和货币化基础设施。
使用Kong的组织可以通过一个平台查看和控制整个AI数据路径。他们可以在所有流量类型上强制执行一致的策略，计量使用量以进行成本归因和收入捕获，并为开发者提供自助服务，使其能够访问大规模构建和部署代理所需的基础设施。这就是AI连接性的实践：一个让速度-成本-治理飞轮真正运转起来的统一平台。
机会之窗正在关闭
将主导具身AI时代的组织正在今天奠定其平台基础。他们没有等待完美的解决方案；相反，他们正在建立基础设施以支持日益复杂的AI工作负载。大多数企业仍在与碎片化工具和孤立方法作斗争，而市场领导机会对那些果断行动者来说仍然敞开。但机会之窗正在关闭。每个季度过去，又有少数组织采用统一平台方法。一旦领导者脱颖而出，追赶将变得指数级复杂。问题不在于AI连接性是否重要，而在于你是在此基础上构建，还是被那些正在构建的组织甩在后面。
