技术成熟度曲线（The Hype Cycle），又称技术循环曲线，光环曲线，炒作周期，指的是企业用来评估新科技的可见度，利用时间轴与市面上的可见度(媒体曝光度)决定要不要采用新科技的一种工具。此曲线由著名国际咨询公司Gartner（高德纳咨询公司）于1995年开始，高德纳咨询公司依其专业分析预测与推论各种新科技的成熟演变速度及要达到成熟所需的时间。

1. 2021年新兴技术成熟度曲线

建立信任，加速增长以及塑造变革将是2021年新兴技术三大主要趋势，并可推动企业机构去探索诸如非同质化通证（NFT）、主权云、数据编织、生成式人工智能和组装式网络等新兴技术从而确保竞争优势。

三大新兴技术趋势主题：

建立信任

只有安全性和可靠性才能带来信任。这一点也可以延伸至将创新作为IT提供业务价值的弹性核心和基础。该基础必须包括工程化的、可重复的、可信的、经过验证的和可扩展的工作实践和创新。

例如数字和云技术与服务市场目前由美国和亚洲的供应商主导。因此，许多欧洲公司将它们的数据存储在这些地区，这引发了政治上的不安以及对保留数据控制权和遵守当地法规方面的担忧。各国可以使用主权云来实现数字和数据主权，而这又将提供数据保护控制、驻留要求、保护政策和情报采集方面的法律要求。

建立信任时需要关注的技术包括主权云、非同质化通证（NFT）、机读法规、去中心化身份、去中心化金融、同态加密、主动元数据管理、数据编织、实时事件中心和员工通信应用。

加速增长

在建立可信的核心业务之后，恢复和增长才会变成可能。为了确保短期目标的可实现性，企业机构应平衡技术风险和业务风险偏好。当以创新为主导的核心业务扩大规模时，加速增长将会扩展交付范围和价值。

例如制药业正在使用生成式人工智能这项新兴技术帮助减少药物研发的成本和时间。Gartner预测到2025年，超过30%的新药和材料将通过生成式人工智能技术进行系统性的研发。生成式人工智能不仅将增强和加速许多领域的设计，它还有可能“发明”人类可能错过的新颖设计。

为了加速增长，应探索以下技术：多重体验、行业云、人工智能驱动的创新、量子机器学习（ML）、生成式人工智能和数字人类。

塑造变革

变革一般具有颠覆性而且往往与混乱联系在一起，但企业机构可以利用创新来塑造变革，于混乱中带来秩序。关键在于预测并根据变革需求进行自动调整。

例如组装式业务应用能够更好地匹配应用体验与不断变化的业务运营环境。建立在组装式应用技术基础上并且以组装式思维构建的组装式业务使企业机构能够识别和把握业务机会、应对意外的颠覆并以客户的节奏满足他们不断变化的需求，从而维持客户的忠诚度。

希望塑造变革的企业机构应考虑组装式应用、组装式网络、人工智能增强设计、人工智能增强软件工程、基于物理信息的人工智能、影响力工程化、数字平台指挥者工具、命名数据网络和自集成应用。

2. 2022年的顶级战略技术趋势

顶级战略技术趋势技术趋势分别是数据结构、网络安全网格、隐私增强计算 、云原生平台、可组合应用程序、决策智能、超自动化、人工智能工程、分布式企业、全面体验 、自主系统 和生成式 AI12大技术。

其中，超自动化已连续3年入选技术趋势报告，成为入选次数最多技术之一。充分说明超自动化在全球数字化转型浪潮中继续担任重要角色，以及超自动化市场将保持高速增长趋势。超自动化是Gartner在《2020年10大技术趋势》中首次提出并居首位，在《2021年9大技术趋势》中再次入选。超自动化是一种技术合集，主要包括：RPA、低代码开发平台、流程挖掘、AI等创新技术。

Gartner将12项主要战略技术共分为三大主题，工程信任、重塑变革和加速增长。

• 工程信任：包括数据结构、网络安全网格、隐私增强计算和云原生平台4项技术。该细分市场的技术通过确保跨云和非云环境，更安全地集成和处理数据以创建更具弹性和效率的 IT 基础，提供具有成本效益的 IT 基础扩展。

• 重塑变革：包括可组合应用程序、可组合应用程序、决策智能、超自动化、人工智能工程。通过该领域的创新新技术解决方案，用户可以扩展和加速数字化进程。这些技术趋势使组织能够通过更快速地创建应用程序，自动化各种业务流程、优化AI并实现更快、更明智的决策，从而响应不断变化的商业环境。

• 加速增长：包括分布式企业、全面体验 、自主系统 、生成式 AI。通过利用这一细分市场的战略技术趋势，组织可以释放IT力量倍增器，从而赢得业务和市场份额。总之，这些趋势使组织能够最大限度地创造商业价值并增强数字化能力。
  

数据结构（Data Fabric）

数据结构提供跨平台和业务用户的数据源的灵活、有弹性的集成，无论数据位于何处，都可以在需要的任何地方提供数据。数据结构的真正商业价值在于，能够使用分析来学习和积极推荐应该使用和更改数据的位置。这可以减少高达 70% 的数据管理工作。到2024年，数据结构部署将在数据利用率中提升四倍效率，同时将人力驱动的数据管理任务减少一半。

网络安全网格（Cybersecurity Mesh）

网络安全网格是一种灵活、可组合的架构，可集成广泛分布的不同安全服务。网络安全网格使同类最佳的独立安全解决方案能够协同工作以提高整体安全性，同时将控制点移至更接近它们旨在保护的资产。它可以跨云和非云环境快速可靠地验证身份。到2024年，采用网络安全网格架构的组织，将安全工具整合为合作生态系统，将减少个人安全事件的财务影响约为90％。

隐私增强计算（Privacy-Enhancing Computation ）

隐私增强计算可确保，在不受信任的环境中处理个人数据。不断发展的隐私和数据保护法律以及日益增长的消费者担忧正在推动这一趋势，它利用各种隐私保护技术在满足合规要求的同时从数据中提取价值。到2025年，60％的大型组织将在分析、商业智能或云计算中，使用一个或多个隐私增强计算技术。

云原生平台（Cloud-Native Platforms ）

云原生平台是一种技术，可让您构建具有弹性、弹性和敏捷性的新应用程序架构，使您能够响应快速的数字变化。这改进了传统的云迁移方法，该方法无法利用云的优势并增加了维护的复杂性。到2025年，云原生平台将作为超过95％的新数字举措的基础设施，在2021年只有40%。

可组合应用程序（Composable Applications）

可组合应用程序由以业务为中心的模块化组件构建而成，可以更轻松地使用和重用代码，加快软件解决方案的上市时间并释放企业价值。

决策智能（Decision Intelligence ）

决策智能是一种改进组织决策的实用方法。它将每个决策建模为一组流程，使用智能和分析来通知、学习和完善决策。决策智能可以支持和增强人类决策，并有可能通过使用增强分析、模拟和人工智能实现自动化。到2023年，超过三分之一的大型组织将有分析师负责决策数据，包括决策建模。

超自动化（Hyper automation ）

超自动化是一种规范的业务驱动方法，可以快速识别、审查和自动化尽可能多的业务和 IT 流程——实现可扩展性、远程操作和业务模型中断。超自动化是技术合集，包括RPA、低代码开发平台和流程挖掘等工具。

人工智能工程 （AI Engineering ）

AI 工程旨在通过自动更新数据、模型和应用程序以优化生产 AI 解决方案的价值，以简化 AI 交付。结合强大的人工智能治理，它将实施人工智能的交付，以确保其持续的业务价值。

分布式企业（Distributed Enterprises）

分布式企业体现了数字优先、远程优先的商业模式，以改善远程员工体验，数字化消费者和合作伙伴接触点，并构建产品体验。远程员工和消费者的增加导致对虚拟服务和混合工作场所的需求不断增长。

全面体验 （Total Experience ）

全面体验是一种业务战略，它整合了跨多个接触点的员工体验、客户体验、用户体验和多重体验，以加速增长。整体体验的目标是通过对利益相关者体验的整体管理，提高客户和员工的信心、满意度、忠诚度和拥护度。到2026年，60％的大型企业将使用全面经验来改变他们的商业模式，实现世界级的客户和员工体验。

自主系统 （Autonomic Systems ）

自主系统是自我管理的物理或软件系统，它们从环境中学习并实时动态修改自己的算法以优化其在复杂生态系统中的行为。这创造了一套灵活的技术能力，能够支持新的需求和情况，优化性能并在没有人为干预的情况下防御攻击。

生成式 AI（Generative AI）

生成式 AI从数据中学习人工制品，并生成与原始产品相似但不重复的创新产品。这项技术有可能创造新形式的创意内容，如视频、写作等，并加速从医学到产品创造等领域的研发周期。

3. 2021年人工智能技术成熟度曲线

通过使用自然语言处理（NLP）和新兴技术，如生成式人工智能、知识图和复合人工智能，组织越来越多地使用人工智能解决方案来创建新产品、改进现有产品并扩大其客户群。

然而，组织的首要重点是加快概念验证（POC）进入生产的速度。因此，以下四种趋势主导了今年的人工智能领域：

• 实施人工智能计划
• 有效利用数据、模型和计算
• 负责任的人工智能
• 人工智能数据
  
  Gartner认为以下四项趋势正在推动人工智能创新：

负责任的人工智能（Responsible AI）

Gartner研究副总裁Svetlana Sicular表示：“提高人工智能技术的可信度、透明性、公平性和可审核性对各类利益相关者的重要性仍在日益增加。负责任的人工智能有助于：实现公平（即便数据中存在偏见也不例外）、获得信任（尽管透明度和可解释性方法正在逐步发展）以及在确保监管合规的同时，努力克服人工智能的概率性质。”

Gartner预测到2023年，所有人工智能开发和培训人员都必须具备负责任的人工智能方面的专业知识。

小而宽数据（Small and Wide Data）

数据是成功人工智能计划的基础。小而宽数据策略能够实现更强大的分析和人工智能、减少企业机构对大数据的依赖，并提供更丰富、更完整的情境感知。

根据Gartner的预测，到2025年，70%的企业机构将被迫把重点从大数据转向小而宽数据，这将为分析工具提供更多的上下文并减少人工智能对数据的需求。

Sicular表示：“小数据的关键在于使用只需较少数据就能提供实用洞察的分析技术，而宽数据则能实现各种数据源的分析和协同作用。把这些策略结合在一起就能够实现更强大的分析并有助于获得更加全方位的业务问题视角。”

人工智能平台的操作化（Operationalization of AI Platforms）

运用人工智能促进业务转型的紧迫性和关键性正在推动人工智能平台的操作化需求。这意味着将人工智能项目从概念转向生产，从而可以依靠人工智能解决方案来解决企业范围内的问题。

Sicular表示：“根据Gartner的研究，只有一半的人工智能项目能够从试点进入到生产，而这些项目的平均完成时间为9个月。人工智能编排和自动化平台（AIOAPs）和模型操作化（ModelOps）等创新正在实现可重用性、可扩展性和治理，加快人工智能的采用和增长速度。”

资源高效利用（Efficient Use of Resources）

鉴于人工智能部署所涉及到的数据、模型和计算资源复杂性与规模，人工智能创新需要最高效地利用这些资源。多重体验（multiexperience）、组合式人工智能（composite AI）、生成式人工智能（generative AI）和Transformer因能够以更高效的方式解决各类业务问题而引起了人工智能市场的关注。

4. AI与超自动化支撑数字化变革

Gartner定义的超自动化，将RPA、智能业务管理(IBMPS)、人工智能(AI)及高级分析(AA：Advanced analytics)集合到一起

超自动化以机器人流程自动化（RPA）为核心，添加人工智能（AI）、流程挖掘、分析和其他高级工具，全面扩展自动化组合能力。借助超自动化，组织可以为越来越多的知识型工作实现自动化，让每个人都能有机会参与全面数字化转型。

超自动化涉及多种技术、工具或平台，包括但不限于人工智能、机器学习、事件驱动的软件架构、RPA、智能 BPM 套件 (iBPMS)、集成平台即服务 (iPaaS)、低代码工具以及其他类型的决策、流程和任务自动化工具。

例如制造业中的ERP系统，迈进了企业数字化之路的大门。如今的制造业通过将人工智能、信息技术、资源效率管理和人因工程学等相结合，逐步推动智能工厂和工业4.0的早日实现。

然而，实际工作是大量规则性强、重复度高的繁琐人工操作正消耗着企业的人力资源，损害企业的生产效率和资源效率。

RPA机器人流程自动化技术，不仅能够自动执行大量的重复工作，还能无缝衔接各种不同系统，成为驱动数据在各系统之间的“叉车"和“搬运工”。通过RPA技术和其化技术的结合，“超自动化”yperautomation)可以帮助制造业企业在数字化之路上不再受制于信息系统中的繁琐人工操作，让智能工厂实现真正智能。

机器人流程自动化（Robotic process automation）简称RPA，是以软件机器人及人工智能（AI）为基础的业务过程自动化科技。

超自动化构成

第一，RPA是一种流程自动化解决方案，主要承担超自动化的自动化部分。RPA可以使员工团队中的业务用户，将平时需要人工进行的系列重复且基于规则的操作任务实现自动化。

第二，智能业务管理，可算是业务流程管理(BPM)的智能升级版。融合AI技术的智能业务管理，主要用于在策略层构建系统的整体自动化架构方案，并承担一定的业务流程自动化任务。它通过调度包括RPA在内的各种自动化组件，以及端到端工作流程的整套方案，保证业务流程自动化的最佳实践。

第三，人工智能，大家已然了解很多。在超自动化体系中，AI代表了企业技术堆栈中可用的一系列智能过程，包括机器学习(ML)，自然语言处理(NLP)和智能光学字符识别(OCR)。

这些技术，可以让超自动化识别更多的数据模式，持续发现并优化更多的业务流程自动化应用场景，也是保证非结构化数据业务场景使用RPA的基础，可以说AI让超自动化的应用与推广具备了更多可能性。

第四，对于高级分析，大家接触的可能并不多。高级分析强调使用技术和工具检查数据，以评估对业务流程的更深刻见解，预测业务成果并围绕决策制定建议，从而实现最大价值和ROI。

事实上，超自动化过程高级分析可通过组织孪生化实现，通过软件模型可以构建并分析可能影响公司数字业务的任一场景，便于组织针对某种优势或者缺陷进行超自动化实施进程的各种决策。

超自动化特征

通过了解四大重点组成部分，我们总结了超自动化的几个特征：

首先，超自动化提供了一个数字劳动者的路径。它让那些依赖于人类知识输入的工作，通过数据采集分析、人工智能等方式产生出虚拟数字工作者。这些数字工作者不仅可以承担重复性的任务，还能够连接到各种应用程序、使用结构化和非结构化数据进行操作，分析数据并作出决策，设计流程并发现新的自动化机会。

其次，超自动化能够让企业更简单的实现业务流程自动化。只需要一个近乎傻瓜式的超自动化方案，就能让任何企业实现以前大费周章完成不了的自动化项目。

同时，超自动化可以让自动化适用于更复杂的场景。人工智能、机器学习、神经网络、高级分析等技术的引入，也使得诸多行业尤其工业生产领域的自动化，不再停留在简单重复的程度上，那些存在非表标准化数据的业务场景同样能够实现自动化，更多场景的增效降本也将受益于超自动化。

超自动化能够为企业带来的五个好处

由此，便能归纳出超自动化可以为企业带来的好处，至少包括以下5点：

1、增强劳动力。利用超级自动化解决方案的强大功能，员工能够可简单有效的利用其可用资源自动执行其职务内的许多流程，并更快地完成更多工作。最小化手动任务，使他们能够专注于更具影响力与价值的工作，譬如计划和策略。这一点，正是源自RPA的主要特征。

2、员工技能提升。超自动化使得自动化不再仅依赖于IT，自动化业务在技术难度上趋向大众化及傻瓜化，业务用户可以成为各自部门的自动化领导者。由此，非专业员工同样可以借助超自动化提升技能，企业也以此得到更多高素质员工。

3、系统集成。超级自动化是一个架构、系统及工具的集合，在功能上实际上也是最大程度的系统集成。借助它的集成功能，企业内部基础IT架构和分散的数据系统能够实现无缝通信，确保所有基本系统都可以访问相同的集中式数据，进一步消除数据孤岛。在当今的企业基础架构中，企业实践混合云和或多云基础架构，集成是效率流程的重要组成部分。

4、数字敏捷性。王吉伟频道认为，不管是组织的业务敏捷性，还是运营与决策的敏捷性，都要归结到数字敏捷性。要提高数字敏捷性，必然离不开自动化、智能化对各种数据的高效处理。超自动化正是为此而生，通过各种形式的自动化紧密协作，企业可以从单一技术的一次性收益转变为真正的数字敏捷性和大规模灵活性。

5、提高投资回报率。投资回报率(ROI)是企业的关键指标，超自动化能够让企业数据更好的流通，帮助企业更快速的决策，让整个企业架构运行更有成效，它本身就是高回报率的企业经营解决方案。使用超自动化的关键分析，企业可以基于自动化流程，按周、月、年优化并节省时间和金钱，跟踪实现确切的投资回报率。

RPA是超自动化的起点。从基础RPA阶段进化到部门级的端到端业务流程自动化能力的RPA+阶段，再到先进的企业级超自动化阶段，RPA到超自动化这三个阶段的演进，从对数字化转型的能力提供上看，可以形象的描述为：由点到线，再由线到面的数字化过程。

最后，超自动化使得自动化不再仅依赖于IT，RPA自动化业务能够更加清楚企业业务运行的方向和规模发展情况，通过数据也可以更好地预判业务的发展潜力，在数据驱动下更快地做好业务能力构建和业务方向的调整。企业发展的适应能力和转向能力获得整体提升。

参考：

[1]. 念银思唐. Gartner发布2021年新兴技术炒作周期报告：NFT位于“期望膨胀期”. 腾讯新闻. 2021.8.28
[2]. CSDN云计算. Gartner发布2021年新兴技术成熟度曲线，三大新兴技术趋势主题. CSDN博客 .2021.08
[3]. RPA全球生态. Gartner发布《2022年12大技术趋势》：超自动化连续3年入选 . 搜狐新闻. 2021.11
[4]. Gartner Top Strategic Technology Trends for 2022
[5]. The 4 Trends That Prevail on the Gartner Hype Cycle for AI, 2021
[6]. AI科技大本营. Gartner 发布 2021 年人工智能技术成熟度曲线. 知乎. 2021.09
[7]. 肖永威. 2020年Gartner新兴技术成熟度曲线，AI持续增强. CSDN博客. 2020.09
[8]. 王吉伟. 数字化转型具体落地有着落，超自动化开启RPA红利时代 .百度. 2020.08