AI Agent 元年:大模型开始“自己干活”

时间:2026-11-13

        2026年被称为AI Agent的“元年”,但支撑这个判断的,首先是一组方向相反的数据。Gartner预测,全球AI Agent与助手支出将从2025年的165亿美元增至2026年的292亿美元,同比增长77%,2027年进一步达到655亿美元;同一机构又在另一份预测中给出,到2027年底超过40%的Agentic AI项目将被取消,原因集中在成本失控、业务价值不清和风险控制不足。支出在涨,项目在死。两者并不矛盾:Agent市场正在经历一场从“演示”到“生产”的残酷筛选,买方还在进场,但大量试点走不完从Demo到生产的那段路。“元年”的真实含义,不是大模型变得“更像人”,而是它第一次被允许“替人做事”,并且必须证明自己能把事做对。

从“对话框”到“代理人”:范式切换的实质

  过去两年,大模型的主流使用方式是“人问一句、模型答一句”,产出停留在文本和建议层面。Agent改变的是这个结构:给定目标,模型自主规划步骤、调用工具、读写系统、执行操作,最终交付可验收的结果。中国信通院在《智能体治理研究报告(2026年)》中将这一转变概括为从被动应答的“对话框”跨越为自主行动的“代理人”。国家发展改革委宏观经济研究院研究员陈曦的定义更直接:智能体以大模型为能力底座,具备自主感知、记忆、决策、交互与执行能力,可以自主思考规划、调用工具,“帮助用户把事办成”。

  评估标准随之改变。工具调用准确性、长程一致性、结构化输出,从“加分项”变成了“硬指标”。中国工程院院士邬贺铨将Agent的运行逻辑概括为“大模型+记忆系统+工具调用+规划能力”的闭环,把通用模型转化为针对具体任务的代理。这意味着竞争焦点从“模型能回答什么”转向“Agent能完成什么” 。

市场在涨,项目在死:落地的密度与分化

  产业端的响应速度比多数人预想的更快。中国信通院《企业级智能体技术与应用研究报告(2026)》显示,中国企业级AI智能体市场规模从2025年的212亿元增至2026年的449亿元,年增长率超过111.8%;IDC口径下的企业采纳率达到40.3%,活跃服务商超过300家。企业智能体采纳率从2024年底的17.3%攀升至2026年上半年的40.3%。McKinsey 2026年的调研提供了一个更审慎但同样关键的切面:约20%的企业在全企业范围规模化使用Agent;年营收超过10亿美元的企业中这一比例为40%,较上一年的27%明显提升,而10亿美元以下的企业停留在22%,没有增长。Agent的扩散并不均匀:大型组织正在以显著更快的速度把它推进生产环境,中小企业的采用曲线则平缓得多。

  落地案例的密度也在发生变化,而且价值开始可以被计量。中兴通讯南京滨江基地有80多名“数字员工”跑在业务线上,有的排生产计划、有的盯订单流转、有的负责产品全生命周期管理,仅供应链场景每天词元消耗量就超过90亿;负责仓储优化的智能体将月拣选距离从40多万米降到16万米。蒙牛的一线运营人员没有编程基础,用腾讯WorkBuddy搭建出奶牛诊疗智能体,单牧场诊疗时效从1.5天缩短到2小时,类似由一线员工自主开发的AI数字员工在蒙牛已达到45个。国网浙江电力则把“数字员工”做成了岗位技能体系,13个物资专业技能覆盖计划、招标、合同、供应、质量、仓储全链条。更宏观的尺度上,我国日均词元调用量从2024年初约1000亿增至2026年3月约140万亿,26个月增长1400倍。这些数字的共同指向不是“模型很聪明”,而是Agent被放到了具体的工作流节点上,产出可以用拣选距离、诊疗时效、审核工作量来衡量。

为什么是2026年:三个条件同时成熟

  Agent能在2026年集中进入生产环境,不是单一技术突破的结果。

  第一,基础模型的可靠性跨过了可用门槛。 任务理解、规划和工具调用上的进步,使Agent在受控条件下能够完成多步骤任务,但在长程复杂任务上仍有明显短板——超过4小时人类工作时长的任务成功率不足10%。

  第二,协议层收敛,Agent有了“接入现实”的标准接口。 2025年底,MCP与A2A先后捐赠给Linux基金会,MCP归入Agentic AI Foundation,A2A归入LF AI & Data。2026年6月25日,Linux Foundation Agentic AI Foundation发布MCP+A2A融合草案,正式确认了分层架构:A2A负责Agent与Agent之间的横向协调,MCP负责Agent与工具、数据库之间的纵向连接,两者是互补管道而非替代关系。MCP在2026年7月的修订进一步把协议层改为无状态,使大规模部署和扩展成为可能。这一治理结构的核心意义在于消除单厂商锁定风险:协议不归任何竞争对手独有,企业才敢把预算投进去。

  第三,推理成本的持续下行让经济账变得可算。 2023年初主流模型API定价约30美元/百万Token,到2026年已跌至0.1—0.25美元区间,降幅达90%—99%。但成本下行并不自动等于盈利:某制造企业上线财务数字员工首月,Token账单超出预算470%,而业务部门反馈“还不如手动快”。Agent的经济可行性,取决于单任务成本与单任务产出之间的差额,而不是Token单价本身。

“元年”的另一面:工程瓶颈与治理门槛

  生产环境中的Agent,失败率远比演示场景诚实。某调研机构追踪了全球60家企业、100余个真实Agent实例后得出的结论是:业界90%的企业级Agent困在“Demo惊艳、落地无声”的死局中,而且“Demo效果越好,落地失败率反而越高”。原因不在模型能力,而在工程层:Demo是受控环境,数据干净、流程预设、边界清晰;真实生产环境的数据散落在多个系统里,格式不统一,权限交叉重叠,业务流程还有各种“特殊情况”。

  长程任务的衰减尤其明显。GAIA基准上2026年领先Agent的整体水平约74.6%,人类基线约92%,到十步以上的长程任务差距进一步拉大。更关键的是“假成功”:Agent汇报“订单已取消”,但取消接口实际调用失败,或者传错了订单号。任务完成率只记录终点,不记录途中意图有没有被理解错、工具有没有调错、上下文有没有被拉长。 评估必须从“汇报口径”转向“权威系统的最终状态”——订单、工单、看板里的状态真的变了,才算完成。

  治理问题则从“建议”变成了“门槛”。Agent获得系统操作权限之后,错误的影响从“内容偏差”扩大为退款、审批、下单、停机等实际业务损失。中国信通院的风险图谱描述得很清楚:幻觉从“输出错误”升级为“行动错误”,自主性催生越权操作和工具滥用,交互协作带来级联失效和责任追溯真空。Gartner的数据显示,57%的企业已部署Agent,但近40%因安全风险控制问题项目失败。Agent的“能力”和“被允许使用的边界”必须同步设计,否则越能干,越危险。

  治理基础设施已经在以标准化的方式落地。2026年7月,中国信通院启动“可信互联网智能体一键关停能力评估”,覆盖实例关停、链路切断、动作阻断、推理兜底等技术能力,以及流量降速、局部停用、服务熔断等运营干预手段。2026年10月发布的《工业和信息化领域人工智能安全评测框架(2026版)》将“权限边界与关键参数配置”列为六大评测维度之一。腾讯云与信通院联合发布的《AI Agent安全实践指引》则提出“看得清、用得稳、风险可追溯”的三步走路径,直指权限管控不当、外部组件供应链风险、输入内容不设防等五类高发风险。治理不再是Agent上线之后才考虑的事后补充,而正在成为部署之前的前置条件。

分化的轮廓与真正的刻度

  行业分化的轮廓因此变得清晰。金融服务以47%的生产部署率走在最前,银行和保险的Agent已经进入私人银行、合规、投顾等核心条线;软件互联网、电信的试点转产率超过50%,制造、医疗、政务则相对滞后,卡点不在模型,而在数据就绪度、系统集成复杂度和组织接受度。竞争的关键从“模型能不能调”转向“Agent能不能在受控边界内稳定地完成任务”。企业不再为“AI能力”买单,而是为“AI产出的结果”买单:过去卖API调用次数、卖Token消耗量,现在要卖“处理的工单数”“节省的人时”“缩短的周期”。

  Agent元年的真正刻度,不是大模型学会了多少新技能,而是它第一次被放到真实业务的约束条件下接受检验。衡量标准随之改变:从消耗了多少Token,转向完成了多少任务、减少了多少流程断点、释放了多少人力、把多少“演示”变成了可复用的生产资产。数字员工正在走进千行百业,但它们能不能留下来,取决于能不能把活干对、干稳、干得划算——这件事,比“自己干活”本身难得多。

咨

询

请拨打咨询热线:
4001-11-4001

订购意向