导读
2026 年过半，「AI 智能体」已成为交通集成、法律服务、制造业、商贸等各行各业无法回避的话题。
供应商在讲，客户在问，招标文件里开始出现相关要求。企业管理者普遍感到必须行动，但疑虑同样真实：
这些技术是否成熟可靠？数十万乃至上百万的投入，能否真正带来回报？
这种疑虑并非个例，全球企业管理者都在面对同样的拷问。
本文基于 Gartner、Deloitte、McKinsey、IBM、NVIDIA 等机构公开发布的原始报告与数据，围绕三个核心问题展开：行业先行者的实践方向、大多数企业的失败原因、以及务实起步的路径。
一、AI 正在快速铺开，但距离规模盈利仍有距离
以下数据全部来自原始出处。
AI 的渗透率确实惊人。 McKinsey 每年追踪全球企业的 AI 使用情况，2025 年的最新数据是：88% 的企业已经在至少一个业务环节里日常使用 AI，比 2024 年涨了 10 个百分点；使用生成式 AI 的比例从 2024 年的 33% 直接翻到了 72%。1 这不是小数，方向是明确的。
但会用和用好，是两码事。 同一个调研里，真正算得上「AI 高绩效者」（AI 贡献了超过 5% 的息税前利润）的企业，只有 6%。1
Deloitte 2026 年的《企业 AI 现状》报告进一步揭示了这一差距：2
66% 的企业确实看到了 AI 带来的效率提升------这解释了为什么所有人都在往前冲。
但往下看，只有 40% 看到了成本下降，只有 20% 看到了收入增长。
图片来源于Deloitte 2026 年《企业 AI 现状》
更值得关注的是：37% 的企业仍然只是「表面用 AI」------工具在用，但业务流程、组织方式未发生实质性改变。这相当于用 AI 修补了局部环节，而非系统性地改造业务。
NVIDIA 同期面向金融、零售、医疗、电信、制造五个行业 3200 多份回复的调研佐证了这个判断：64% 的企业已经积极使用 AI，28% 还在评估阶段。但被问到 AI 最大的影响是什么时，超过一半人的回答是------「员工效率提高了」。3 收入和业务模式，暂时还没到。
换句话说：AI 的「入场券」已经广为普及，但「盈利证明」仍掌握在少数企业手中。
二、数据背后的四个关键判断
1. 最大的坑：治理没跟上技术
Deloitte 2026 年报告中有一个数据值得企业管理者重视：
AI Agent（能自主决策、自主执行的多步骤任务系统）的使用正在爆发式增长。 目前 23% 的企业已经有中等以上的 Agent 使用，预计两年内翻到 46%。2
但同一个报告里紧接着这句：
「只有五分之一（约 21%）的企业，建立了成熟的 AI Agent 治理机制。」2
换言之：五家企业中，四家的 AI Agent 缺乏有效治理。 权限管理、决策责任归属、错误兜底机制------这些关键问题尚未解决，Agent 却已经在运行。
IBM 2025 年调研了全球 33 个国家的 2000 名 CEO，发现：只有 25% 的 AI 项目达到了预期的投资回报，只有 16% 实现了企业级规模化推广。4 更麻烦的是，50% 的 CEO 承认，他们的技术投入速度太快，导致组织里积了一堆彼此不互通的技术碎片。4
更稳妥的做法是：在 AI 规模化之前，先建立治理框架（权限、审计、责任归属），先打好数据基础。
2. 安全不说清楚，什么功能都别想上
对于国内企业，尤其是涉及等保 2.0、行业保密要求的企业，数据安全不是「加分项」，是「一票否决项」。
国务院 2025 年 8 月印发的《关于深入实施"人工智能+"行动的意见》，一面将智能体应用普及率目标定为 2027 年超 70%、2030 年超 90%，5 一面也对数据安全、自主可控划了硬杠杠。两件事叠加，产生了一个现实约束：并非所有市面上的 AI 方案都适用于中国企业。 市面主流的 SaaS 型 AI 方案，数据要上传到厂商的公有云才能使用------不论这个云在国内还是国外，只要数据离开了企业内网，安全部门和 IT 部门的审核就难以通过。
更稳妥的做法是：私有化部署。AI 引擎、模型、数据全部运行在企业自有服务器上，数据不出内网。
3. 成本非一次性的，而是持续发生的
许多企业首先关心的是「采购一套需要多少钱」，但这个问题本身是错位的。AI 的成本不是一笔采购支出，而是一条持续发生的费用流。
IBM 的调研里，61% 的 CEO 说正在积极采用 AI Agent------意愿是强的。4 但意愿不等于能力。Gartner 预测到 2027 年底超过 40% 的 Agent 项目会被取消，排在第一位的原因就是「成本失控」。7 换言之，多数企业的投入并非不足，而是分配不当。
Deloitte 的数据提供了一个有用的参考框架：34% 的企业正在用 AI 深度改造业务（新产品、新流程、新商业模式），30% 在改造关键流程，37% 还停留在表面。2 这三类的投入产出完全不在一个量级------深度改造组最高。更值得注意的细节是：表面用 AI 的那 37%，支出并不低。按 token 计费的云端 AI，简单问题和复杂问题的计费标准相同，月底账单到达时才能看到实际花费。
更稳妥的做法是：从第一天就建立成本跟踪机制，投入与产出按月评估。不采用「先上线再说」的大项目模式，从单个环节切入，验证可行后再扩展。
4. Gartner 的两项预测------值得认真对待
Gartner 是全球最老牌的技术研究机构之一，他们 2025 年下半年发了两个和 AI Agent 直接相关的预测，都是同一位分析师（Anushree Verma）署名：6 7
预测一（2025 年 8 月）： 到 2026 年底，40% 的企业应用会嵌入任务型 AI Agent------而 2025 年这个比例还不到 5%。从 5% 到 40%，只用一年。
预测二（2025 年 6 月）： 到 2027 年底，超过 40% 的企业 AI Agent 项目会被取消------不是因为技术做不出来，而是因为「成本失控、业务价值没证明、风险控制不到位」。
这两条预测放在一起看，结论只有一个：Agent 浪潮正在到来，但大多数企业会先交一笔昂贵的学费。
三、给企业管理者的四个建议
综合以上分析，对于正在评估 AI Agent 的企业，以下四个方向值得优先考虑：
第一，从小处切入，验证后再扩展。 选择一个团队中高频重复的工作------例如整理标书、撰写周报、巡检数据汇总------让 Agent 先行承担。验证可行、拿到结果后，再逐步扩展范围。
第二，先解决治理和数据问题，再谈功能。 Deloitte 数据：仅 21% 的企业建立了成熟治理。如果企业的数据必须上云才能使用 AI，需要评估：数据外传后，一旦发生泄露，后果是否可承担？如果答案是否定的，只考虑私有化部署方案。
第三，接入现有系统，不做推倒重来。 企业已运行多年的 ERP、CRM、WMS 等系统，不应为了引入 AI 而推翻重建。选择能够与现有系统「非侵入式对接」的方案。
第四，先让团队用起来，再看怎么推广到全公司。 Deloitte 的数据里有一个容易被忽略的细节：37% 的企业在用 AI，但停留在表面------工具买了，业务流程和组织方式没变。这往往不是技术问题，而是团队对 AI 的真实能力缺乏体感。如果团队成员连日常的 AI 工具都没用熟，就急于搭建大规模 Agent 平台，结果通常是：系统建好了，人不会用。正确的顺序是：先从一两个高频场景切入，让团队在日常工作中真正用起来，拿到可衡量的结果，再扩展到其他部门。下面用一个具体产品，展示这条路在实际中是怎么走的。
政策层面，国务院已明确目标：到 2027 年，智能体应用普及率超 70%；到 2030 年，超 90%。5 这意味着问题已不是「要不要做」，而是「什么时候开始」。
四、到底什么是「智能体」？一个具体产品的画像
以下通过一个具体产品，展示 AI 智能体在实际工作中的运作方式。
图片来源于Coco Agent 官网
智能体不是「问答机器人」------它能自主执行到底
多数人对 AI 的认知是「问一句，答一句」------类似搜索引擎的升级版。智能体的运作逻辑与此根本不同。
Coco 的工作逻辑是：用户说出目标，它自行判断执行路径。 不需要人为指定步骤顺序和工具选择。
以制造业为例。月底需要查看各车间巡检报告时，传统流程是：车间主任报数据 → 助理汇总 Excel → 管理者翻阅。
引入 Coco 之后，只需下达指令：「汇总这周三个车间的巡检情况，挑出需要关注的问题，按严重程度排。」Coco 会：自行读取各车间巡检记录 → 识别异常项 → 对比历史数据判断趋势 → 按严重程度排序 → 给出结论。交付的是分析结果，而非原始数据。
这个例子里，Coco 做了五步------读数据、找异常、对历史、排序、出结论------而使用者只做了一步：说清楚目标。
换一个行业，换一个岗位，逻辑是一样的
可能有人会问：这是制造业的巡检场景，法律服务、贸易、工程集成等行业是否适用？
答案是：Agent 的底层工作方式不依赖特定行业。 换一个场景，改变的只是输入内容和输出形式，中间的推理、规划、验证遵循同一套底层逻辑。
做法律服务的老板： 律所接了新客户的尽调需求，以前是初级律师花三天翻工商信息、裁判文书、失信名单，然后手动写尽调报告。使用 Coco，只需说明需求：「对这家公司做基础尽调，重点看近三年的涉诉情况和股权质押，给我一份摘要，风险点标红。」流程和巡检报告是同一套模式------搜信息、找关键点、交叉验证、结构化输出。区别只是信息源从车间记录换成了公开法律数据库。
做贸易的老板： 客户要一批货，要求三天内出报价方案。传统做法是让业务员翻供应商名录、查物流报价、算关税、拼成一份报价单。使用 Coco，只需说明需求：「这个品类，三个候选供应商，含物流和关税，给我对比报价表。」它自己检索供应商信息、比对价格与交期、核算税费、生成对比表。
做工程集成的老板： 招标文件几百页，以前是一个团队花两周逐条拆解技术要求和评分标准。使用 Coco，只需说明需求：「拆这份标书，提取所有带'须满足'的关键技术条款，列出我们的响应策略。」
做研发管理的老板：管理者想知道项目进度，问一句「Alex 这周做了什么」------Coco 从真实项目数据里直接汇总：「本周 18 次提交，7 组实验，mAP 提升到 94.7%，预计 3 天内完成」。销售明天要见客户，问一句「有没有工业质检相关的案例」------Coco 自动检索企业历史项目，「找到 3 个：钢材缺陷（97.3%）、PCB 检测（99.1%）、轴承（41 FPS），方案草稿已生成」。
五个完全不同行业的场景，Coco 在背后执行的是同一套逻辑：理解需求 → 自主拆解步骤 → 调度工具执行 → 检查结果 → 交付。
支撑这些场景的核心能力
支撑这些场景的不是「更强的对话能力」，而是四个核心能力：
第一，它理解业务上下文。 不是孤立地理解单条指令，而是将其置于业务背景中解读------数据在哪里、历史做过什么、行业术语的含义是什么。缺少这一层，回答就是「正确的废话」。
第二，它自主拆解任务。 给定目标后，自行判断：应分几步执行？每一步需要什么信息？中间遇到阻塞是否有备选方案？不同行业、不同任务，拆解方式各异------但这种「拆解」能力是通用的。
第三，它自主调用工具。 需要搜索时调搜索，需要读文件时读文件，需要出报告时调报告引擎，需要画图表时调图表工具。使用者无需充当「工具调度员」------它自行判断用什么工具、何时调用。
第四，它自行检查结果。 任务完成后自行复核：数据是否准确？逻辑是否通顺？格式是否规范？发现问题自行修正。这个「执行---检查---修正」的闭环，是智能体与「问答式聊天机器人」关键区别。
企业级部署：安全、可控、自主
第二章已指出，企业 AI 落地的三道核心坎：安全合规、数据不出内网、成本可控。安全已在前面讨论，此处着重说明成本问题------许多企业对 AI 的真正焦虑不是「买不买得起」，而是「算不清账」。
云端 AI 按 token 计费。一个问题消耗多少 token、月底账单是多少，事前很难精确估算。更麻烦的是，简单问题和复杂问题的计费标准相同------因为系统不对模型做区分调用。这不是某一家公司的问题，而是 SaaS 定价模式的天然缺陷。
Coco 在这件事上的立场很明确：控制权归属企业方------包括成本决策权。
成本自主可控。 可以接入云端模型，也可以接入本地部署的开源模型------运行在自有 GPU 上，无按次计费，成本仅为硬件和电费。
多模型支持，选择权在企业。 使用国产模型满足合规要求，或使用其他模型满足特定场景的性能需求------选什么模型、跑在什么环境里，由企业决定。不会被绑定在单一供应商上。
本地运行 + 私有化部署。 AI 引擎和数据全部运行在企业自有服务器上，数据不出内网。支持完全离线运行------涉密场景、隔离网环境均可使用。浏览器直接访问，无需安装额外客户端。
非侵入式接入。 不要求推翻现有系统。如果企业已在用钉钉、飞书、企业网盘等工具，Coco 通过连接器打通它们------数据在哪就在哪用，无需搬运。
总结
AI 智能体的方向是正确的，但大多数企业的做法存在问题。更稳健的企业并非技术更强，而是思路更清晰------先管治理，再管安全，从小处开始，验证后再放大。
下一步
读到这里，一个核心问题可能仍然存在：这与我的业务到底有什么关系？
Coco 团队提供一次业务对谈：由企业方描述日常工作中的具体痛点，团队反馈 Coco 能否承接、如何承接、需要什么条件。一次对话，即可判断这项技术是否与企业业务相关。
参考文献
1 McKinsey, The State of AI: 2025 report (2025).
2 Deloitte, State of AI in the Enterprise 2026 (2026.6).
3 NVIDIA, 2026 Enterprise AI Survey (2026).
4 IBM Institute for Business Value & Oxford Economics, CEO Study 2025 (2025.5.6).
5 中华人民共和国国务院，《关于深入实施"人工智能+"行动的意见》(2025.8)。
6 Gartner, press release (2025.8.27).
7 Gartner, press release (2025.6.25).