时间：2026-09-30来源：网络作者：adminf
从模型能力到任务执行：价值迁移、落地路径与企业行动建议
委托方：上海吉柯迪企业发展有限公司
编制方：北京雅傲祥时科技有限公司・行业研究部
二〇二六年九月
依据《咨询服务合同》(合同编号：O‑2026‑9‑JKD) 编制
本报告系北京雅傲祥时科技有限公司（以下简称 “乙方”）根据其与上海吉柯迪企业发展有限公司（以下简称 “甲方”）签署的《咨询服务合同》（编号：O‑2026‑9‑JKD）专项编制的工作成果。依据合同第七条约定，乙方仅为甲方特别定制开发的本工作成果之全部所有权、使用权与支配权归甲方所有。
依据合同第八条保密条款，本报告内容、编制过程中引用的甲方资料以及双方合作事项均属保密信息。未经甲方事先书面许可，乙方不得以任何形式向第三方披露本报告的全部或部分内容，亦不得单方面对媒体公开合作内容。
本报告仅供甲方内部决策参考。乙方已尽合理努力核验报告中引用的公开数据与行业信息，并在引用处注明来源，但不对第三方数据源的准确性、完整性与时效性作出保证。报告中标注 “乙方测算” 或 “乙方判断” 的内容，系乙方基于自身研究方法形成的分析意见，不构成证券投资建议、法律意见或任何形式的要约。甲方依据本报告作出商业决策所产生的后果，由甲方自行承担。
本报告数据与信息截至 2026 年 9 月 30 日。
本报告是乙方依据合同约定，面向甲方管理层的产业研究交付物。与一般性行业综述不同，本报告的分析主线是三个对甲方有直接决策意义的问题：这个市场是否值得投入？价值在哪里、壁垒在哪里？应当以什么路径、什么节奏介入？以下八条核心判断构成本报告的结论框架，正文各章提供论据、数据与操作建议。
判断一（市场阶段）：中国 AI Agent 市场已跨过概念验证阶段，进入 “生产力验证与商业化放量” 的早期阶段。据 CIDC 数据，狭义企业级 AI Agent 市场规模 2025 年已达 212 亿元，基准情景下 2029 年将达 3,320 亿元（2024‑2029 年复合增长率约 107.6%）；乙方三情景概率加权期望值约 3,310 亿元。市场兑现的真正驱动变量不是模型性能，而是 “单位任务经济性”。
判断二（价值迁移）：产业价值正沿产业链从 “模型能力” 向 “任务执行与结果交付” 迁移。模型层因能力趋同与 API 价格竞争加速商品化，价值捕获高地向中游连接与治理环节、下游行业 Know‑how 环节集中。
判断三（渗透漏斗）：企业渗透呈显著漏斗结构 ——KPMG 2026 年二季度调研显示，53% 的受访企业正在部署 AI Agent，但跨工作流编排多个智能体的企业仅占 18%，乙方推算真正进入多智能体实践的企业约为 3%。漏斗卡点不在模型，而在系统连接、权限治理、评测标准与组织能力 —— 这些卡点恰是服务与产品的机会所在。
判断四（协同架构）：Agent 与 Workflow 不是替代关系，而是 “自主决策与确定性执行” 的分工协同。企业落地成败的关键，在于能否按业务风险、任务复杂度与自动化价值划清两者的决策边界。
判断五（Know‑how 壁垒）：下游行业应用的差异化来源已从模型能力转向行业 Know‑how、业务流程与运行数据资产。深度嵌入客户核心工作流、持续沉淀运行数据的厂商形成 “越用越强” 的数据复利壁垒，客户迁移成本不断抬升。
判断六（路线分化）：市场存在两条主流路线 —— 以字节跳动为代表的 “平台组织化” 路线与以月之暗面为代表的 “模型自主化” 路线，二者分别回答 “Agent 如何进入组织” 与 “Agent 如何完成更长任务”。企业选型应按任务性质匹配路线，而非追随厂商声量。
判断七（商业模式）：企业软件的定价逻辑将逐步从 “席座 × 功能” 转向 “任务量 × 结果质量”。Gartner 已提出 Agentic AI 正在推动结果导向定价，但订阅制与结果计费将长期并存；这一转变将重构企业 AI 采购的预算科目与谈判议价结构。
判断八（行动窗口）：对企业客户而言，2026‑2027 年是低成本建立 Agent 能力资产的窗口期。乙方建议以 “场景优先级矩阵” 遴选场景、以 “三阶段路线图” 控制节奏：先在高价值、低风险、数据就绪的场景建立标杆，再规模复制，治理与评测体系与试点同步建设。
上述判断的论据、测算过程与操作建议详见正文第二章至第七章；全部数据的来源与口径说明见第一章第三节及附录 A。
委托背景。本报告系乙方依据《咨询服务合同》(编号：O‑2026‑9‑JKD) 向甲方交付的阶段性研究成果。合同约定，乙方利用其在网络信息渠道、市场操作、专业人员经验知识等方面的优势，根据甲方的实际情况提供宏观经济、市场动态、金融政策环境、产业发展研究等咨询服务，并完成相应的市场研究报告。本报告即为该约定项下的产业发展研究交付物。
分析立场。AI Agent 作为人工智能从 “内容生成” 走向 “任务执行” 的关键产品形态，正处于商业化早期的关键观察窗口：市场规模快速放大，但口径混乱、噪声密集；厂商叙事密集，但可信的价值分析稀缺。因此，乙方在本报告中不对 AI Agent 技术作百科全书式介绍，而是围绕甲方的三个核心关切展开分析：其一，市场规模与增长的可信度如何；其二，产业价值分布在哪里、壁垒由什么构成；其三，企业应以何种路径与节奏介入。
对象界定。本报告所称 AI Agent，指以大语言模型为核心决策中枢、具备自主规划推理、工具调用与任务闭环能力的智能系统。传统规则驱动型聊天机器人、固定流程 RPA 工具、单轮问答式语音助手等不具备自主决策与任务规划能力的产品，不在本报告研究范畴之内。
口径约定。本报告采用狭义与广义两级口径。狭义口径指企业级 Agent 产品与服务市场（即 CIDC 统计口径），为本报告市场规模测算与情景分析的基准；广义口径涵盖终端设备、AI 应用与基础设施在内的产业链总盘，仅在讨论生态空间时引用。凡引用客户提供资料的数据，本报告统一标注其原始来源（CIDC、QuestMobile、KPMG、Gartner 等）；凡乙方自行测算或形成的判断，一律标注 “乙方测算” 或 “乙方判断”，两者不作混用。
研究方法。本报告采用 “案头研究 + 框架分析 + 模型测算” 相结合的研究方法。案头研究覆盖客户提供资料、政策文件与企业公开披露信息；框架分析包括价值迁移分析、竞争位势分析、场景优先级五维评分与风险矩阵；模型测算包括市场规模三情景测算与典型场景 ROI 敏感性测算。
数据来源
《2026 年中国 AI Agent 行业发展研究报告》（2026 年 9 月）及其引用之 CIDC、QuestMobile、KPMG、Gartner 等机构数据；
国家网信办、国家发展改革委、工业和信息化部等部门公开政策文件；
相关企业公开披露信息与产品发布资料；
乙方行业数据库与产业专家访谈积累。
局限性声明
AI Agent 市场处于早期，统计口径差异大、数据噪声高，不同机构对 “企业级 Agent 市场” 的界定存在差别，本报告已在引用处注明口径；
渗透率与部署率等调研数据受样本结构影响，可能存在幸存者偏差；
三情景测算与 ROI 测算高度依赖假设条件，本报告已给出敏感性区间，但实际结果仍可能超出区间；
本报告数据与信息截至 2026 年 9 月 30 日，此后进展需以更新研究为准。
基准情景评估。引用 CIDC 数据：中国企业级 AI Agent 市场规模 2024 年为 86 亿元，2025 年达 212 亿元，预计 2026 年 449 亿元、2027 年 896 亿元、2028 年 1,760 亿元、2029 年 3,320 亿元，2024‑2029 年复合增长率约 107.6%。乙方认为该测算的方向与量级可信：从需求侧看，企业降本增效的刚性需求与 C 端用户行为迁移同时发生；从供给侧看，模型能力与推理成本两条曲线同向下行；从制度侧看，2026 年国家级专项文件的出台为规模化落地扫清了政策不确定性。
三情景测算。但单一增长曲线无法回答 “增长有多稳” 这一决策问题。为此，乙方以 CIDC 数据为基准情景，另设保守与乐观两个情景并赋予概率权重，得到 2029 年市场规模的概率加权期望值约 3,310 亿元。
表 2‑1 中国企业级 AI Agent 市场规模三情景测算 (乙方测算)
资料来源：基准情景引自 CIDC (转引自客户提供资料)；保守、乐观情景及权重为乙方测算。
图 2-1 中国企业级 AI Agent 市场规模三情景测算（2024-2029e）
资料来源：CIDC（基准情景）；保守、乐观情景为乙方测算。
情景解读。三个情景的分歧点集中在两个变量：一是 “任务完成率” 能否达到生产级标准，这是企业从试点转向规模部署的先决条件；二是 “单位任务成本” 的下降斜率，这决定长链路任务何时具备经济性。换言之，市场规模的兑现本质上是一个成本问题而非技术问题。乙方同时提示：即便在保守情景下，市场仍将保持年均约 90% 以上的增长，“值不值得关注” 已无悬念，决策的关键在于 “何时、以何种角色进入”。
政策动力。国家层面的政策供给经历了从 “规范奠基”(2023‑2024) 到 “战略定调与激励”(2025) 再到 “专项规范与放量并重”(2026) 的演进。两个标志性节点值得特别注意：2025 年 8 月 “人工智能 +” 行动意见首次提出智能体普及的量化发展目标；2026 年 5 月《智能体规范应用与创新发展实施意见》作为首部国家级智能体专项指导文件，在明确治理要求的同时系统部署了发展原则，实质上为行业规模化落地提供了 “制度通行证”。对企业的直接含义是：合规能力正从成本项转变为市场准入项。
技术动力（能力侧）。技术驱动呈现 “一个中枢、四大模块、两类基础设施” 的结构：大模型作为决策中枢持续升级，多模态理解、长上下文处理与复杂逻辑推理能力为任务拆解和路径规划提供可靠支撑；感知、记忆、规划推理、工具调用四大核心模块的技术路径收敛并逐步达到生产级标准；以 MCP、A2A 为代表的互联互通协议加速标准化，开发框架与工具链补齐工程化能力，共同打通规模化落地的关键堵点。
技术动力（成本侧・乙方判断）。乙方特别强调成本侧的变量。模型量化、推理加速、KV Cache、分布式调度、模型路由与端云协同等优化技术的共同目标，是降低 “完成一次有效任务” 的综合计算成本。乙方对公开模型 API 定价与推理优化趋势作指数化估算：2026 年单位任务推理成本约为 2024 年的 12%，2029 年或降至 3% 以内。由于 Agent 完成一次任务往往对应多轮乃至数十轮模型推理，单位推理成本下降对 Agent 经济性的杠杆效应远大于对普通 AI 应用。乙方将 “任务完成率上升” 与 “单位任务成本下降” 的同向叠加称为 “成本‑能力剪刀差”—— 它持续扩张 Agent 商业化的可行域，是理解本行业商业化节奏最重要的单一变量。
图 2-2 单位任务推理成本指数化估算（2024=100，对数轴）
资料来源：乙方估算，基于公开模型 API 定价与推理优化趋势，仅供趋势参考。
需求动力。B 端与 C 端形成共振。B 端是企业级市场的需求主体：客户提供资料引用中国信通院调研指出，产业整体处于早期渗透阶段，多数企业将 AI Agent 应用于试验与局部赋能，但降本增效的刚性需求持续凸显；Agent 相较传统数字化工具的真正差异，在于对非结构化场景的适配能力与跨系统任务闭环能力 —— 前者覆盖了传统工具无法处理的模糊指令与动态流程，后者打通了割裂的业务链路。C 端方面，QuestMobile 数据显示 2026 年上半年国内 AI 原生应用月活跃用户达 4.99 亿、同比增长 85.4%，用户对 AI 的使用正从基础信息查询向事务处理与代办式服务迁移。乙方判断：C 端海量用户的行为验证与数据积累，正在反哺 B 端产品的能力供给，两端并非孤立市场，而是同一能力栈的两级变现。
表 2‑2 B 端与 C 端需求结构对照 (乙方整理)
资料来源：需求方向引自客户提供资料；商业含义为乙方判断。
结构判断 (乙方判断)。乙方对需求结构的两点补充判断：其一，B 端三个方向的落地顺序与 5.2 节场景评分结论一致 —— 流程自动化替代先行，专业提效跟进，数据决策赋能对数据治理基础要求最高、释放最晚；其二，C 端对 B 端的意义常被低估：4.99 亿月活用户的行为数据与需求验证，实质上是全社会对 “任务式交互” 的大规模用户教育，它降低了 B 端员工的认知与培训成本，间接抬升了企业侧部署的成功率。
漏斗结构。KPMG 2026 年二季度调研显示，53% 的受访企业正在部署 AI Agent，但跨工作流编排多个 Agent 的企业仅占 18%。乙方据此推算，真正进入多智能体实践的企业约为 3%。这一漏斗结构比任何单一数据都更准确地刻画了行业真实成熟度：关注度远超部署度，部署度远超协同度。
表 2‑3 企业渗透漏斗卡点诊断 (乙方分析)
资料来源：漏斗数据引自 KPMG (转引自客户提供资料)；卡点诊断为乙方分析。
诊断结论。卡点诊断的结论是：当前制约市场放量的不是 “模型不够聪明”，而是 “企业就绪度不足”。三个卡点中，前两个（决策、工程治理）正是咨询、实施与中间件服务的市场空间所在；第三个（架构与组织）则决定了多智能体在 2027 年前难以成为企业应用的主流形态。这直接指向本章的核心推论：未来两年，产业链的价值分配将向 “解决卡点的环节” 倾斜 —— 连接、治理、评测与实施服务。
通用框架 (乙方测算工具)。为使 “降本刚需” 从口号变为可算的账，乙方给出一个通用测算框架：
年化净收益 ≈ 可替代工作量 × 人力成本 × 可用率折扣 −(Agent 运行成本 + 平台摊销 + 运维投入)
影响结果最大的三个变量是可替代率、人力成本与可用率折扣。乙方观察到的行业规律是：任务越标准化、企业数字化基础越好，可用率折扣越小，即 Agent 实际承担比例越接近理论替代率；反之，流程模糊、数据散乱的企业往往在试点阶段即遭遇 “理论收益缩水”。该框架的价值不在于得出精确数字，而在于为甲方评估任何具体场景提供统一的算账逻辑 —— 第五章第三节将以 “文档处理与审核” 场景给出完整测算与敏感性分析。
分析框架。客户提供资料将 AI Agent 产业链划分为上游基础层（算力基础设施、大模型、数据与工具服务）、中游工具与平台层（开发框架与工具链、低代码平台、中间件与系统集成、通信协议）与下游应用层（通用场景、垂直行业、端侧与具身）。乙方追问：每一环节的价值捕获潜力如何、趋势如何？答案是显著分化的。
图 3-1 AI Agent 产业链三层结构与代表环节
表 3‑1 产业链各环节价值分析 (乙方评级)
资料来源：环节划分引自客户提供资料；价值趋势、毛利水平与评级为乙方定性判断。
图 3-2 产业链价值捕获潜力“微笑曲线”（乙方定性评级）
资料来源：乙方定性评级（0-100），环节划分引自客户提供资料。
迁移逻辑。价值迁移的方向可以用一句话概括：从 “卖智能” 到 “卖结果”。过去价值锚定在模型参数与性能（谁的模型更强谁赢），当前价值锚定在任务完成与结果交付，并进一步沉淀为运行数据资产。与此同时，模型 API 价格竞争使单纯依靠模型调用获利的空间收窄，模型厂商被迫向推理基础设施、行业模型与企业服务延伸以提升价值捕获能力，产业链价值重心随之向 “连接与治理” 及 “行业应用” 两端迁移。乙方认为，这一迁移是未来三年产业链上最确定的趋势，也是第四章竞争格局分析与第七章投资建议的逻辑基础。
图 3-3 AI Agent 产业价值锚点迁移路径
资料来源：乙方分析。
两级口径的含义 (乙方判断)。价值分布的结论需要放在两级口径下理解。狭义口径（企业级 Agent 市场 212 亿元至 3,320 亿元）衡量的是可直接计费的产品与服务价值；广义口径下，入口、终端、AI 应用与基础设施已进入数亿用户、千亿级潜在产业链的阶段。乙方提示：狭义与广义的巨大落差本身即是行业判断的一部分 —— 它意味着当前狭义市场远未饱和，未来几年产业链总收入的主要增量来自狭义口径向广义场景的渗透，而不是存量市场的份额再分配；对投资决策而言，这比 “赛道拥挤” 的直觉更接近事实。
模型层：商品化逻辑。随着头部模型能力差距收窄，企业选型关注点已从 “谁的模型更强” 转向 “谁能以更低成本稳定完成更多真实任务”。模型正从相对稀缺的智能资源变为可调用、可组合、可替换的基础能力，议价权向应用侧转移；模型厂商则需向推理基础设施、行业模型、工具调用与企业服务延伸，以提升模型之外的价值捕获。对上游厂商而言，“模型即产品” 的时代正在结束， “模型即组件” 的时代已经开始 —— 这一判断直接影响了第七章对投资标的估值逻辑的提示。
算力层：结构性变化。Agent 与传统生成式 AI 的算力消耗结构根本不同：后者以训练与单轮内容生成为主，前者需要持续进行任务规划、工具调用、环境交互、结果验证与迭代纠错，一次任务往往对应多轮至数十轮模型推理。因此算力竞争的焦点正从训练规模转向单位任务效率 —— 衡量指标将从 “每秒处理多少 Token” 转向 “完成一次有效任务需要多少计算资源”。端侧方面，手机、PC、汽车与可穿戴设备逐步具备本地推理能力，形成 “端侧快速响应 + 云端复杂推理” 的协同模式，2026 年国内已有多款手机端侧生成式 AI 服务完成备案。
数据层：从语料到运行资产 (乙方判断)。数据价值正发生结构性迁移。训练阶段的数据价值体现为高质量语料与行业知识； Agent 时代，真实业务运行中产生的任务轨迹、工具调用记录、失败模式与执行结果成为新的高价值资产，并可反哺 Agent 评测、流程优化与模型选择，形成 “任务执行 — 数据沉淀 — 能力优化 — 再次执行” 的闭环。乙方判断：这一闭环是企业级市场最重要的护城河来源，因为它无法通过一次性采购获得，只能通过持续运行积累 —— 数据资产在谁手里运行，价值就在谁手里沉淀。
平台价值跃迁。随着 Agent 进入真实业务环境，企业需求已从 “能否快速搭建一个 Agent” 转向 “能否稳定接入业务流程、持续完成复杂任务并保持可控”。Agent 平台正从应用构建工具升级为覆盖开发、评测、部署、运行与治理全生命周期的企业级智能基础设施，其价值要素包括：统一资产（模型、工具、知识、技能的模块化与标准化管理，支撑跨团队复用）、规模运营（批量部署、版本管理与运行监控）与持续优化（基于运行数据与效果评估迭代）。
第一设计原则。客户提供资料中 “Agent 与 Workflow 加速融合” 的判断具有很高的实践价值，乙方将其提炼为企业落地的第一设计原则：Agent 负责意图理解、复杂规划、动态决策与异常处理，Workflow 负责规则明确、流程稳定、风险可控的确定性步骤（如退款、订单修改、工单创建）；两者双向调用，构成 Agentic Workflow 架构。企业真正的可规模化智能化改造，并非让所有业务完全交由 Agent 决策，而是按业务风险、任务复杂度与自动化价值进行合理分工 —— 在自主性与确定性之间划出的边界，就是平台竞争力与企业落地成败的分水岭。
图 3-4 Agent×Workflow 协同架构与分工原则
资料来源：客户提供资料；乙方整理。
连接与治理：新护城河。Agent 进入生产环境后的主要技术难题往往不再是模型本身，而是如何连接企业既有 IT 系统、并保证执行过程可追踪、可控制、可溯源。企业内部的 ERP、CRM、OA、数据库与行业软件历史上通过 API 彼此连接，但传统 API 并未设计面向 Agent 的语义化能力；MCP、Connector 等新型连接机制的本质，是将分散的软件能力重新封装为 Agent 可理解、可调用的工具。由此催生的 Agent 连接与运行中间层承担五大核心能力：能力连接、身份与权限、运行调度、全程可观测与安全治理 —— 腾讯云等厂商已推出面向 Agent 的安全网关类产品，反映该层正从开发便利性工具向企业级基础设施演进。乙方判断：该环节当前竞争者有限、需求刚性、先发者可积累协议与场景资产，是 2026‑2027 年产业链上确定性最高的价值洼地。
竞争要素转移。随着通用模型能力加速商品化，下游行业 Agent 的差异化来源已转向对行业 Know‑how、业务流程与真实场景的深度适配。同一模型能力应用于不同企业，实际效果可能显著差异 —— 原因在于企业数据结构、业务流程、权限体系与操作规则高度异质。决定行业 Agent 能否持续创造价值的关键四要素是：行业知识（术语、规则、最佳实践）、业务流程（岗位、环节、任务关系）、数据资产（历史数据与运行数据的持续训练与优化）与场景经验（长期场景运行异常处理）。
先行实证。先行者的实证正在积累：国家能源集团依托海量数据资产打造千亿级发电行业大模型 “擎源”，在安全环保、电力交易、产调中枢、设备检修四大业务领域部署 41 个智能体、覆盖 13 个场景，深入电力生产经营全流程；联想 iChain 供应链智能体覆盖预测、决策与协同多环节，供应链决策时长缩短 50%‑60%。乙方提示：企业公开披露的成效数据多属典型案例，不能直接代表行业平均水平，但方向性结论可靠 —— 任务链越长、数据资产越厚、流程嵌入越深，价值兑现越充分。
复利壁垒 (乙方判断)。能够长期沉淀业务知识、积累真实运行数据并深入嵌入客户核心工作流的厂商，更容易形成持续迭代能力与较高的客户迁移成本。这解释了行业 Agent 市场的一个关键结构特征：它不会出现 “赢者通吃”—— 每个行业、每类流程都是独立的复利积累过程，先发者领先的从来不是模型，而是运行数据与流程知识。对甲方这样的企业客户而言，这一结论同样反身成立： Agent 运行的越久、沉淀的数据越多，切换成本越高 —— 因此初始选型与数据归属条款的分量远比表面看起来更重。
分析立场。中国 AI Agent 市场参与者多元，客户提供资料将其归纳为六大阵营：综合科技 / 云平台厂商、大模型原生厂商、SaaS 与企业软件厂商、AI 专业厂商与 Agent 创业公司、终端硬件厂商、开源及开发者生态，市场整体呈现 “大厂平台卡位、软件厂商承接场景、专业厂商垂直突围、终端厂商争夺入口、开源生态扩大供给” 的格局。乙方认为，判断各阵营胜负手的关键不是当前收入，而是其资源禀赋与 “价值向任务执行层迁移” 这一趋势的匹配度。
表 4‑1 AI Agent 市场六大阵营竞争位势分析
资料来源：阵营划分与代表玩家引自客户提供资料；胜出条件与主要风险为乙方判断。
图 4-1 六类玩家竞争定位矩阵（乙方评估）
资料来源：乙方定性评估；阵营划分引自客户提供资料。
格局解读。定位矩阵显示：综合科技 / 云平台厂商占据 “生态主导” 象限，但其场景纵深依赖伙伴生态补齐；SaaS 厂商与 AI 专业厂商在 “垂直深耕” 象限各有所长 —— 前者赢在存量系统与客户关系，后者赢在交付灵活性与场景专注；开源生态以标准与心智竞争，是其他阵营的能力供给方。乙方由此得出本章第一个结论：市场的分层竞争意味着不同象限之间更多是竞合而非零和，企业客户可以在不同层次组合采购，而不必（也不应）将全部筹码押注单一阵营。
两条路线。客户提供资料对字节跳动与月之暗面的案例分析，恰好构成当前中国 Agent 市场的两条代表性路线。字节跳动以豆包工作为核心，整合扣子、飞书与火山引擎 HiAgent，将 Agent 从单点工具推向企业级生产力体系：扣子解决 “如何生产 Agent”，豆包工作解决 “Agent 如何直接完成工作”，飞书 8.0 通过系统级 Agent 原生改造解决 “Agent 在哪里工作”——Agent 得以进入群聊、访问文档、参与会议并调用企业工具，豆包工作伙伴更使 Agent 成为拥有独立组织身份的团队级智能体。月之暗面则以模型原生能力推动 Agent 自主性：K2 奠定通用 Agent 能力，K2.5 引入 Agent Swarm，K2.6 强化长程任务与多 Agent 协作，其 Agent Swarm 由主 Agent 自主决策任务拆解与并行处理，支持最多 300 个子 Agent 并行执行、超过 4,000 次工具调用。
资料来源：前五行引自客户提供资料；“乙方解读”行为乙方分析。
选型含义 (乙方判断)。乙方判断：两条路线并非替代关系 —— 字节路线回答的是 “组织如何容纳 Agent”，月之暗面路线回答的是 “Agent 能力上限在哪里”，对应企业内部不同性质的任务。实务上的正确姿势是按任务性质匹配：高合规要求、强流程约束的办公与业务场景优先考虑平台组织化路线，借助其权限与组织体系降低治理成本；研发提效、批量信息处理、长程研究等开放性任务可引入自主化路线产品，但必须以明确的权限边界与操作审计为前提。
为什么研究服务型案例。客户提供资料中的另两个案例，揭示了中国市场的一个结构性特征：单纯的标准化软件交付难以让 AI 在广大企业真正落地，“产品 + 服务” 一体化模式反而构成中国市场的独特壁垒 (乙方判断)。
汇智智能：FDE 双边生态。汇智智能（2023 年成立，南京）构建 “服务 + 引擎 + 算力” 全栈产品体系：核心产品 Hellome 应用智能体服务平台以 “FDE（前沿部署工程师）经验封装” 为核心 —— FDE 将行业一线打磨成熟的智能体封装上架，中小客户无需投入大量学习与培训成本即可低成本获取适配自身场景的智能体，个性化需求由平台上的 FDE 在线定制响应；Hzhermes 智能体引擎负责任务拆解、流程调度与跨软件自动化执行；Agentsyun 词元工场聚合调度 200 余个大模型，通过智能路由实现模型调度与成本优化。公司已覆盖政企、文旅、电商、制造、金融、教育等 50 余个行业、服务超 10,000 家企事业单位。乙方点评：汇智模式的价值在于把 “交付成本” 转化为 “生态资产”——FDE 既是服务者也是供给者，形成 “专家入驻 — 智能体丰富 — 需求增长 — 专家受益” 的双边循环；其壁垒是人才网络与场景经验，而非算法本身。
特赞科技：数据复利。特赞科技（2015 年成立，上海）走 “专有模型 + 企业 Context + 长程智能体” 路线：自研发散推理模型（CRM）与主观世界模型（SWM），结合 Context System 与 400 余项 Agent Skills 构成长程智能体运行机制；已积累 10PB 级跨产业多模态企业数据；服务 180 余家企业客户（含 60 余家财富 500 强），支持 100 万余名专业知识工作者。其 Tezign GEA 产品通过前置部署团队结合企业目标、业务 Context、系统及责任边界，为企业构建专属长程智能体应用 —— 某全球零零食糖品牌的产品创新周期由 3 周缩短至 3 天、可行创新方案增加 6 倍。乙方点评：特赞验证了 “数据复利 + 规模化交付” 模式 ——10PB 级企业数据与头部客户群体的持续运行，构成模型层厂商难以复制的壁垒；其企业 Context 方法论对大型企业尤具参考价值。
表 4‑3 四案例商业模式对比 (乙方整理)
资料来源：案例事实引自客户提供资料；壁垒与启示为乙方分析。
三条路径。综合本章分析，乙方认为未来三年市场将沿三条路径分化出胜者：
生态卡位—— 以平台与入口整合全栈能力，赢家是少数巨头；
垂直深耕—— 以行业 Know‑how 与数据复利建立迁移成本，赢家是各细分领域的深耕者；
服务封装—— 以 FDE 式人才网络降低企业采用门槛，赢家是运营能力强的服务型平台。
对甲方而言，这一格局的含义是：不存在 “一家买断” 的最优解，正确姿势是分层组合采购、在不同层次引入不同阵营的供应商，并保留替换能力。
四种模式。客户提供资料将 Agent 在产业端的应用深化归纳为四种递进模式：从单任务替代，到多任务串联，再到跨系统协同，最终走向 Agent 驱动的全流程自动化。应用扩展并非简单的 Agent 数量增加，而体现为单个 Agent 承担任务范围扩大、在业务流程中的参与环节增多。交通运输部公布首批 102 项综合交通运输大模型智能体创新应用典型案例，覆盖智能调度、设备运维、交通运行分析、巡检等方向，显示行业级应用正由单点功能走向任务链。乙方补充各模式的适用条件与风险控制要点如下。
表 5‑1 Agent 应用深化的四种模式与风控要点
资料来源：模式划分引自客户提供资料；适用条件与风控要点为乙方补充。
模式匹配原则 (乙方判断)。乙方提示一个普遍存在的认知误区：四种模式是递进关系，但企业不应按顺序 “排队走完”—— 正确的做法是按场景特征匹配模式：多数企业 80% 的价值在前两种模式即可兑现，跨系统与全流程模式应留给数字化基础与治理能力成熟的条线。这与参考报告中 “企业通常优先将 Agent 应用于业务频次较高、数字化基础较好、流程相对清晰且收益容易衡量的环节” 的判断一致。
评估框架 (乙方工具)。“先做什么、后做什么” 是企业落地最普遍的决策难题。乙方构建五维评估框架：价值密度 (权重 30%)、实施难度 (权重 25%，反向计分)、数据可得性 (权重 20%)、合规风险 (权重 15%，反向计分)、可复制性 (权重 10%)，对十个高频场景逐一打分并加权排序。权重设定反映一般性优先级，甲方可根据自身战略偏好调整 —— 该矩阵属乙方工具模型，配套调整方法可按合同约定另行提供。
表 5‑2 十大应用场景优先级评分矩阵 (乙方测算，十分制)
资料来源：乙方测算。注： “实施难易” 与 “合规风险” 为反向指标（分高者更优）；权重为价值密度 30%、实施难易 25%、数据可得性 20%、合规风险 15%、可复制性 10%。
图 5-1 场景优先级气泡图（横轴实施难度、纵轴价值密度、气泡为相对市场规模）
资料来源：乙方测算。
结果解读。评分结果显示：智能客服、数据分析与报表、文档处理与审核位列前三，构成 P0 优先落地场景；代码与研发辅助、营销内容生成、财务对账与稽核为 P1；人力资源运营、供应链计划、合规与法务审查为 P2；生产设备运维因实施难度与合规风险最高列为 P3。矩阵结论的含义是 “从左上角开始做”：低难度、高价值、低合规风险的场景先行，其意义不仅是收益本身，更在于以最小代价跑通 “连接 — 评测 — 治理” 的组织能力，为高难度场景铺路。乙方同时强调，评分中的合规维度应结合甲方所处行业与数据敏感度校准，P2 场景中的 “财务对账” 若数据基础良好，可上调至 P1。
测算假设。以表 5‑2 中排序第三的 “文档处理与审核” 场景为例进行 ROI 测算（乙方示例测算，实际以甲方企业真实数据为准）。基准假设：处理人员 120 人、人均年成本 12 万元、其中 40% 工作量可被 Agent 替代、替代场景实际可用率折扣 15%（即 Agent 实际承担理论替代量的 85%）、Agent 运行成本按被替代人力当量人均 0.10 万元 / 年、平台许可与集成摊销 60 万元 / 年、运维投入 2 人（24 万元 / 年）、一次性实施投入 180 万元按三年摊销（60 万元 / 年，已计入摊销项）。
表 5‑3 “文档处理与审核” 场景 ROI 测算 (乙方示例测算)
资料来源：乙方测算，假设条件见正文，仅供方法演示。
图 5-2 年化净收益敏感性分析（可替代率 × 人均人力成本）
资料来源：乙方测算。
敏感性结论。敏感性分析显示：可替代率在 30%‑60%、人均成本在 10 万‑15 万元区间内，年化净收益约 218 万‑827 万元，静态回收期约 4‑10 个月。乙方提示三点：其一，测算中最易被高估的变量是可替代率 —— 企业应以试点实测数据修正假设，而非以厂商宣称值为准；其二，本测算未计入质量与时效收益（差错率下降、处理周期缩短），该部分宜作为加分项单独计量；其三，治理投入（权限、审计、评测）应视为收益兑现的必要成本而非可选项 —— 跳过治理投入的 “高收益” 测算不可信。
总体节奏。基于上述分析，乙方给出 18 个月三阶段落地路线图。核心原则是 “先立能力、再上规模”：阶段一以 2‑3 个 P0 场景验证技术可行性与组织接受度，同步建立评测基线与治理框架 v1；阶段二将验证过的模式复制至 6‑8 个场景，重点建设平台统一资产与监控评测体系，并与供应商谈判结果计费试点；阶段三转向体系化运营，推动多智能体协同、数据资产闭环与组织能力内化，使 Agent 能力从 “项目” 沉淀为 “资产”。
图 5-3 企业 Agent 落地三阶段路线图（0-18 个月）
资料来源：乙方建议。
表 5‑4 三阶段落地路线图 (乙方建议)
资料来源：乙方建议；预算区间为乙方估算，须结合企业实际规模校准。
政策脉络。客户提供资料梳理的七份政策文件，按政策取向可分为三个阶段。乙方对政策脉络的解读是： 2023‑2024 年规范奠基阶段，确立了生成式 AI 分类分级、算法备案与安全评估等底线制度；2025 年进入战略定调与激励阶段，“人工智能 +” 行动首次提出智能体普及量化目标，政策重心从 “防风险” 转向 “促发展”；2026 年进入专项规范与放量并重阶段，“十五五” 规划纲要将智能体、具身智能、群体智能列入鼓励方向，5 月出台的《智能体规范应用与创新发展实施意见》从技术创新、场景应用、安全治理、生态培育等方面作出系统部署，成为首部国家级智能体专项指导文件。
表 6‑1 AI Agent 相关政策演进阶段划分
资料来源：政策文件梳理引自客户提供资料；阶段划分与企业含义为乙方判断。
图 6-1 中国 AI Agent 相关政策时间线（2023-2026）
资料来源：客户提供资料；乙方整理。
实操含义。对企业的实操含义有三：其一，面向金融、医疗、交通等强监管行业的 Agent 产品，安全评估与备案正在进入招投标资质清单 —— 合规将直接影响订单获取；其二，2026 年国内已有多款手机端侧生成式 AI 服务完成备案，端侧赛道同样纳入监管视野，端云协同产品的合规边界需提前规划；其三，先行建立内部治理体系的企业，将在政策进一步明朗化的过程中获得 “先发合规优势”—— 监管框架越细，合规存量越值钱。
四环节框架。随着 Agent 能够代表个人或企业执行实际操作， 治理对象将从传统的模型输出扩展至智能体行为：需要回答的不只 是“内容是否合规”，还包括“Agent 是谁、代表谁行动、被授予 什么权限、实际执行了什么操作、发生异常后责任如何认定”。乙 方将该要求落为企业可执行的四环节全生命周期框架（图 6-2）： 部署前进行能力评估与风险识别，明确可执行边界，避免能力与权限错配；交互时按任务类型与风险等级动态分配最小必要权限，降 低数据泄露与误操作风险；运行中持续监测操作与工具调用，异常 行为实时干预或人工介入；事后完整记录执行链路与授权链路，支 持责任认定与持续优化。
图 6-2 Agent 企业全生命周期治理框架
资料来源：客户提供资料；乙方整理。
建设节奏 (乙方判断)。乙方建议企业将治理框架与试点同步建设而非事后补课：治理框架 v1（含权限矩阵、操作日志规范、人工确认节点清单）应在落地路线图阶段一（0‑3 月）交付。理由有二：
其一，治理是 5.3 节 ROI 测算中收益兑现的必要成本，缺位的治理将在试点放大阶段以事故形式 “补交学费”；其二，治理资产同时是对客户与监管的资质证明 —— 在合规成为准入项的政策环境下，先建治理者先拿订单。
表 6‑2 企业 Agent 应用风险矩阵 (乙方评估)
资料来源：乙方评估。概率与影响为定性判断，企业应结合自身业务校准。
风险结论。八项风险中，任务错误、数据泄露与权限失控构成 “高危组”，其共性在于都与 Agent 获得 “执行权” 直接相关 —— 这正是治理框架存在的理由，也解释了为什么连接与治理中间件成为产业链价值高地。乙方进一步判断：未来企业 Agent 预算中治理与安全占比将持续上升，这是行业走向成熟的标志而非成本劣势；对甲方而言，将其视为 “收益保障性投资”，比视为 “合规负担” 更接近事实。
趋势一：从单次执行到持续进化。未来 AI Agent 技术演进将逐步从 “单次完成任务” 转向 “持续完成任务并不断提升完成质量”：执行 — 反馈 — 学习 — 优化 — 再执行闭环将使 Agent 能力从初始配置转向运行进化，Agent 之间的差异将越来越取决于能否在真实环境中持续积累经验、形成稳定的能力资产。
应对：企业应从第一天起规划运行数据的归属与沉淀机制 —— 数据资产在谁手里运行，决定未来议价权在谁手里。
趋势二：目标型产品与结果计费。Agent 产品的重要变化不是增加更多功能，而是产品组织方式转向围绕用户目标组织能力：用户只需明确最终目标，系统自行调用工具与服务完成任务。这将进一步影响企业软件的价值衡量与商业模式 ——Gartner 在 2026 年研究中已提出，Agentic AI 正推动企业软件从传统席座授权模式转向基于业务活动或结果的定价方式。乙方判断：订阅制与结果计费将长期并存，标准化程度高的 Agent 沿用订阅与调用量计费，与业务成果深度绑定的服务将逐步引入按任务、按工作量乃至按结果计费。
应对：企业采购谈判应提前布局 “任务基线测量”，为结果计费准备可审计的计量基础。
趋势三：智能体互联网。未来 Agent 生态将向能力互联演进： Agent 既是应用，也是可被其他 Agent 调用的能力节点，智能体互联网（Internet of Agents）雏形初现；专业 Agent 即便不直接面对终端用户，只要能在特定环节提供高质量能力，也可通过被持续调用形成商业价值。
应对：对甲方这类具有投资属性的企业，能力分发、调用与评价机制中的卡位机会值得纳入观察清单。
趋势四：治理动态化与身份化。随着 Agent 承担的任务复杂度与权限范围提高，治理体系将从静态权限控制走向与任务上下文结合的动态授权：Agent 需要独立且可溯源的数字身份，治理需覆盖 Agent 之间的身份识别、权限传递与责任边界。
应对：将 Agent 身份管理纳入企业统一身份与访问管理 (IAM) 体系规划，避免形成第二套孤立身份系统。
建议总览。综合全报告分析，乙方从 “自用” 与 “布局” 两个视角提出建议。
表 7‑1 对甲方的行动建议清单 (乙方建议)
资料来源：乙方建议。
建议一：以 “算账” 定场景，不以 “先进” 定场景。场景选择的唯一标准是可核算的净收益与风险可控性，跟风部署最 “先进” 的场景是试点失败的首要原因。
建议二：治理先行，与试点同步交付。治理框架 v1（权限矩阵、操作日志、人工确认节点）不是后续补丁，而是 ROI 兑现的前提。
建议三：数据资产归属写进每一份采购合同。运行数据的归属与迁移条款决定三年后的议价权，这是最容易被忽略、事后最难补救的一条。
建议四：分层组合采购，保留替换能力。按第四章结论在不同层次引入不同阵营供应商，接口标准化，避免单点依赖。
建议五：把 2026‑2027 当作能力建设窗口期，而非观望期。现阶段试点成本与人才争夺烈度均低于放量期，先建立能力资产者将在 2028 年后的规模化阶段获得成本与经验的双重优势。
建议六：布局视角优先关注 “解决卡点” 的环节。渗透漏斗与价值评级共同指向：连接治理中间件、垂直行业 Know‑how 厂商与 FDE 式服务平台，是确定性最高的三个方向；纯模型层标的需以商品化视角重估。
结语。AI Agent 产业的叙事正在从 “模型有多强” 切换为 “任务完成得多好”。对产业参与者，价值迁移要求重新选择站位；对企业客户，渗透漏斗的卡点意味着当前进入的技术门槛恰恰最低 —— 竞争的不是技术，而是组织准备度与治理能力。乙方认为，基准情景下 2029 年 3,320 亿元的市场规模能否兑现，取决于单位任务经济性的改善曲线；而对企业个体而言，比预测市场更重要的是在窗口期内完成 “场景验证 — 能力沉淀 — 治理建制” 三步走。本报告将随产业进展持续更新，乙方可按合同约定就后续专项议题（场景测评、标的分析、季度跟踪研究）向甲方提供延伸研究服务。
注：本报告对 “客户提供资料数据” 与 “乙方测算” 严格分列标注。
本报告为乙方依据《咨询服务合同》（编号：O‑2026‑9‑JKD）专项编制的工作成果。依据合同第七条，本报告之全部所有权、使用权与支配权归甲方所有；未经甲方事先书面许可，任何机构或个人不得引用、复制、传播本报告的全部或部分内容。
本报告所载信息与观点基于截至 2026 年 9 月 30 日乙方所能获得的资料形成。乙方已尽合理努力核验引用数据并在正文注明来源，但不对第三方数据源的准确性、完整性与时效性作出任何明示或默示保证。报告中标注 “乙方测算”“乙方判断” 的内容属分析意见，不构成证券投资建议、法律意见、审计意见或任何形式的要约或承诺。
人工智能产业处于快速发展变化之中，本报告的前瞻性判断（包括但不限于市场规模预测、情景假设与趋势展望）存在不确定性。甲方依据本报告作出商业决策产生的后果，由甲方自行承担。
陈明远款树桩松鼠供春式紫砂壶：段泥藏趣的紫砂花器自明清兴起，以摹写自然草木生灵为核心意趣，将山野生机凝于砂器方寸之间，清代制壶名家陈明远尤擅仿生塑器，...
清・亚犀角雕件 陈明远款莲瓣诗文紫砂茗壶：砂泥藏韵的清代 陈明远款树桩松鼠供春式紫砂壶：段泥藏趣的 清代光绪元宝铜元：晚清时代变革里的龙纹钱
Copyright © 2002-2018 中国母婴网 版权所有 备案号：
站点声明：本网内容为转载,为广告，相关素材由广告主提供，广告主对本广告内容的真实性负责。
本网发布目的在于传递更多信息，并不代表本网赞同其观点和对其真实性负责，转载内容仅供读者参考。
如有站点名称冲突,侵权等请联系我们删除，请您监督！
