过去一年，产业界谈论 AI 的方式明显变了：从“模型又变强了多少”，转向“能不能真正上生产、能不能带来真实收益”。AI 智能体，也就是能够自己拆解任务、调用工具、把事情办完的 AI，成了这一轮转变的关键载体。36氪研究院在 2026 年 9 月发布的行业报告给出判断：国内 AI 智能体已经跨过概念验证，进入生产力验证与商业化放量的早期阶段。那么，企业到底把智能体用在了哪里？从试点到规模化，又要走过哪几步？

一、智能体和聊天机器人，差在哪里

很多人第一次接触大模型，是从一个对话框开始的：问一句，答一句。这类产品的目标是“回答问题”。而智能体的目标是“完成任务”。36氪研究院的报告把两者的差别说得很清楚：聊天机器人以问答响应为目标，智能体则以任务执行、交付结果为目标，具备自主决策、任务闭环、动态适配和原生调用工具的特点。

一个典型的智能体，通常由几部分能力组合而成：以大模型作为决策“大脑”，能够感知输入的信息，拥有长期记忆，能把目标拆解成步骤并规划先后顺序，能调用数据库、业务系统、搜索等工具，还能根据执行结果反馈调整做法。单看每一项能力都不算新鲜，组合在一起，AI 第一次具备了“接下一件事，并把它办完”的雏形。

二、市场在哪个阶段：商业化放量的早期

36氪研究院引用 CIDC 的数据称，2025 年国内企业级 AI 智能体市场规模为 212 亿元，预计 2029 年达到 3320 亿元，2024 年至 2029 年的年均复合增速达到 107.6%。

增长背后有三股推动力。政策上，“十五五”规划将智能体、具身智能列为重点创新方向，相关专项文件陆续出台，兼顾创新激励和安全合规。技术上，大模型的推理能力在提升、推理成本在下降，感知、记忆、规划、工具调用等核心模块逐步走向生产可用，MCP、A2A 等连接协议走向标准化，智能体的开发、调试和运维工具也越来越完善。市场上，企业已经不满足于单点工具提效，而是希望 AI 打通跨系统的业务链路，承担标准化的多步骤工作。

不同类型的智能体，发展速度并不一样。报告的判断是：企业通用智能体率先商业化，行业垂直智能体正从试点走向规模化，个人消费类智能体在快速探索，手机、汽车等终端上的智能体还处于生态布局阶段，机器人等具身智能体则仍在早期验证。

三、企业把智能体用在了哪里

Anthropic 与研究机构 Material 在 2025 年末对美国 500 多位技术领导者做了一次调研，勾勒出了一张相当具体的“使用地图”。

编程是渗透最深的领域。近 90% 的受访组织在使用 AI 辅助编程，86% 已经把编程智能体用于生产代码的开发，42% 的组织信任智能体在人的监督下主导开发工作。而且收益并不只体现在“写代码更快”：在规划构思（58%）、代码生成、文档编写、测试审查（均为 59%）等各个环节，组织都报告了时间上的节省。

编程之外，数据分析和流程自动化最“有感”。受访者认为影响最大的用例，是数据分析和报告生成（60%）以及内部流程自动化（48%）；56% 的组织计划在下一年优先用智能体做研究和报告工作。财务要月报，销售要渠道分析，运营要供应链可见性，这类工作在每家企业都大量存在，也最容易看到效果。

应用正在从单步走向多步、从部门走向跨部门。57% 的组织已经在多阶段的工作流程中部署了智能体，其中 16% 进一步推进到了跨多个团队的跨职能流程。2026 年，81% 的组织计划着手更复杂的场景：39% 计划开发处理多步骤流程的智能体，29% 计划把智能体用于跨职能项目。

回报已经看得见。80% 的受访组织表示，智能体投资已经产生了可衡量的经济回报，88% 预计回报会持续或增长。对于 2026 年短期内受影响最大的职能，受访者的判断依次是软件开发（57%）、客户服务（55%）、市场营销与销售（46%）以及供应链、物流和运营（44%）。这几个领域的共同点是：重复性工作多、迭代快、绩效指标清晰，投资回报容易衡量。

四、主流架构：智能体负责“想”，工作流负责“稳”

智能体越能干，企业越担心一件事：它会不会自作主张、出错失控？行业给出的主流答案，是“智能体 + 工作流”的协同架构。

36氪研究院的报告这样描述两者的分工：智能体负责开放、动态、非结构化任务的意图理解与动态决策，比如读懂客户一段含糊的需求、从一堆资料里归纳要点；工作流则承担规则确定、高风险、强确定性的业务步骤，比如价格计算、审批流转、付款操作。两者可以相互调用，在自主性和可控性之间取得平衡。

这种架构的好处在于，企业不必在“全靠规则”和“全交给 AI”之间二选一。该灵活的地方让 AI 发挥，该严格的地方用规则兜住，关键节点再加上人工确认，风险就被控制在可接受的范围内。

值得一提的是，多个智能体协同工作虽然是热门方向，但目前仍处于早期。报告引用的调研显示，只有 18% 的企业开展了多智能体编排。智能体并不是越多越好：只有跨领域、多环节的复杂任务才适合多智能体协作，而它也会带来通信协调、成本和结果一致性等新的工程难题。现阶段，大多数企业仍以单个智能体加工作流为主，多智能体以局部试点为主。

五、落地四步走：从单任务到全链路

36氪研究院总结了智能体在企业中的典型演进路径：单任务替代、多任务串联、跨系统协同、全链路业务自动化。以一家做批发贸易的企业为例，这四步大致是这样的：

• 第一步，单任务替代。让智能体接手一项高频、规则清楚的工作，比如回答客户关于价格、起批量、发货时间的常见问题，或者每天自动汇总一份销售简报。
• 第二步，多任务串联。把相邻的几项工作连起来：客户咨询后，智能体查价格、查库存，生成报价单，客户确认后再生成订单草稿，交给销售确认。
• 第三步，跨系统协同。订单确认后，自动同步到仓库的拣货清单和财务的收款记录，减少人工在多个系统之间来回录入、反复核对。
• 第四步，全链路业务自动化。从获客、咨询、报价、成交、收款、发货到复购提醒，形成一条由智能体和工作流共同驱动的业务链路，人主要负责关键决策和异常处理。

报告同时提醒，企业应优先落地高频、流程清晰、数字化基础好的场景，高风险环节保留人工介入。每一步都站稳了，再走下一步，比一开始就追求全链路自动化要稳妥得多。

六、自己做，还是买现成的

在智能体的建设方式上，Anthropic 的调研给出了一个很有参考价值的分布：47% 的组织采用混合方式，把现成方案和定制组件结合起来；21% 完全依赖现成的智能体产品；20% 利用接口、开源模型或开发工具包自行构建。

混合方式占主导，说明没有哪一种做法能满足所有需求。现成的产品上手快、成本低，但往往缺少针对企业特定流程的定制；完全自建控制力强、差异化明显，却需要大量的工程投入。多数企业找到的平衡点是：能用现成产品的地方先用起来，只在定制真正能带来优势的地方投入开发。

36氪研究院的报告还指出，垂直行业智能体的竞争重点，已经不再是底层模型，而是行业经验、业务流程理解、企业数据适配和场景经验的积累。对于中小企业来说，这意味着选择服务商时，与其比较谁用的模型更新，不如看谁更懂自己的行业、更愿意走进自己的业务。

七、最常见的卡点：不是模型，而是数据、系统和人

从试点走向规模化，企业遇到的阻力集中在几个方面。Anthropic 的调研显示，与现有系统的集成（46%）、数据的获取与质量（42%）、实施成本（43%）和变革管理（39%）是最主要的障碍；中小企业在员工抵触和培训需求上遇到困难的比例明显更高，达到 51%。

Anthropic 对大量真实使用数据的分析还揭示了一个更底层的规律：复杂任务需要多得多的上下文才能做好。数据分散、各成孤岛的企业，很难解锁复杂的智能体用例。换句话说，智能体能做多复杂的事，很大程度上取决于企业能给它提供多完整、多准确的业务信息。

治理也正在成为刚需。报告预计，治理的对象会从模型的输出，延伸到智能体的实际行为：它以什么身份操作、被授予了哪些权限、做了哪些操作、出了问题由谁负责。部署前的风险评估、运行中的动态监控、交互时的权限管控、事后的追溯追责，将构成一个全生命周期的治理框架；授权也要遵循“最小化、动态授予”的原则。

结语

2026 年很可能是 AI 智能体从“能用”走向“规模化生产力”的分水岭。企业之间真正的差距，不在于选了哪家的模型，而在于谁更早把智能体接进业务系统、把数据整理好、把流程理顺，并完成组织和人的转变。

如果要把这张地图浓缩成企业今年就能动手的三件事，大致是：第一，盘点一遍业务里高频、规则清楚的工作，选出最适合交给智能体的一到两项；第二，把这些工作要用到的数据和资料整理好，打通最关键的一两个系统；第三，在上线的同时定好规则：智能体能做什么、哪些操作要人确认、出了问题怎么追溯。

对于大多数企业，最好的起点仍然是一个具体的、高频的、能算清账的场景。先让一个智能体真正上岗、真正办成事，再沿着“单任务、多任务、跨系统、全链路”的路径一步步往前走，智能体才会从演示里的亮点，变成企业里稳定可复制的生产力。

参考资料

• 36氪研究院《2026年中国AI Agent行业发展研究报告》，2026 年 9 月（市场规模数据来自 CIDC）。
• Anthropic 与 Material 对 500 多位美国技术领导者的调研及 Anthropic 经济指数分析（据 36氪《硅谷最新调研：2026年，AI Agent到底会走向哪？》，2026 年 1 月）。