智能体爆发带来的系统性影响仍在持续。

　　9月初，微软宣布从新财年开始调整业务分部，将原有业务重新划分为“Agents and Infra（智能体与基础设施）”和“Devices and Consumer（设备与消费者）”。市场普遍认为，这意味着 “Agent + 基础设施” 正在进入一家全球科技巨头的核心经营叙事。

　　新的商业模式和经营叙事来自需求的变化。Gartner在2026年4月做出预测，到2028年，平均一家《财富》500强企业将拥有超过15万个AI Agent。

　　当Agent从几个、几十个走向数百乃至上千个，企业面临的关键问题从“能不能做出一个智能体”走向如何高效生产、统一管理、持续运营，并让不同智能体围绕同一个业务目标稳定协作、交付结果。

　　这也让市场参与者的目光不约而同投向AI基础设施赛道。《中国经营报》记者注意到，去年以来，包括微软、Google、甲骨文以及蚂蚁数科、火山引擎等国内外企业纷纷加码智能体工厂业务，在围绕“如何批量生产、部署、治理和运营Agent”的竞速下，企业AI的破局焦点正在从单点应用建设，走向规模化智能体基础设施建设。

　　Agent越多，企业越焦虑？

　　“去年我们更多是把AI智能体接入部分场景先跑起来，今年情况很快就变了；一年时间内部已经上线了几百个智能体。数量上来之后，现在我们最关心的是，这么多智能体怎么评估、怎么管理、怎么判断哪些能够真正创造业务价值。”一位金融AI公司负责人向记者表示。

　　麻省理工学院的一项研究显示，95%的生成式人工智能试点项目未能实现预期价值。麦肯锡公司发现，尽管投入巨资，99%的公司仍未达到人工智能成熟阶段。

　　据路透社报道，今年年初，Meta启动了一项代号为“OT”的激进AI改革计划，试图以AI重构公司组织形态。实施半年后，AI辅助代码修改量同比增长220%，但与此同时，由于AI智能体执行了一些大规模破坏性动作，导致重大技术和网络安全事故同比增长了40%，最终不得不紧急叫停。

　　“当前智能体落地的核心瓶颈不再是‘大模型能力够不够’的阶段，以我们为例，引入一套系统，算力成本、技术栈路线、安全问题、场景转化都要通盘考虑。”华东地区一家传统企业负责人表示。

　　为什么上线单点智能体不难，智能体规模化部署后，难度会指数级上升？

　　中国社会科学院经济研究所人工智能经济研究室副主任张鹏向记者分析：“智能体从试点走向规模化后，问题不再只是‘能不能做’，而是‘能不能管’。内部不同部门各自开发，容易形成重复建设，模型、算力、Token、数据调用缺乏统一计量，容易造成成本失控；多个智能体之间缺少标准接口和流程编排，容易协作困难。”

　　艾瑞咨询《中国企业级 AI Agent 发展洞察报告（2026）》专门拆解了企业在应用智能体过程中技术总体拥有成本 ( TCO ) 的变化：智能体通过与业务环境的交互运行持续产生Token消耗，这是推高企业运营成本的重要因素。“虽然单位Token成本长期来看会呈下降趋势，但随着智能体处理任务数量的增长，很多企业开始面临Token用量失控问题，Token成本的精益管理变得格外重要。”

　　艾瑞咨询合伙人肖艺学向记者表示，当前企业对于智能体的实际效果更为关注，很多企业级智能体的采购是业务部门推动的，甚至是业务一号位直接决策并参与落地。“业务团队会重点关注落地效果，关注‘最后一公里’，这也对智能体供应商提出了更高要求。”

　　“真正难的是突破传统工作思维和工作习惯。企业不是简单接一个大模型就结束了，而是要重新思考：人怎么和大模型配合，提示词怎么设计，本地化操作怎么执行，权限怎么划分，不同岗位怎么形成统一的使用习惯。这背后其实是组织协同和流程重构的问题。”前述传统企业负责人直言。

　　智能体工厂——从提效到生产力升级

　　上述痛点暴露出 AI 落地摆在企业面前的多重门槛——模型能力如何进入真实业务，工具如何跨过“最后一公里”，单点AI如何变成端到端业务系统，规模化部署后成本如何可控，以及当Agent从几个增长到成百上千个之后，谁来制定规则。

　　“工业时代，当机器越来越多，诞生了现代工厂。软件时代，当代码越来越复杂，建立了软件工程体系。那么AI时代同样需要一种新的基础设施，让百万智能体高效、可信协作。”在今年7月WAIC（人工智能大会）上，蚂蚁数科CEO赵闻飙提出公司布局“智能体工厂”的业务逻辑。

　　全球市场看，上述观点正在形成共识。微软在今年上半年推出Microsoft Agent Factory，结合Copilot Studio与Foundry，帮助企业将AI从试验快速落地到业务应用，并支持创建复杂的“多智能体”在同一业务流中自主协作。

　　甲骨文在AI Database 26 AI中推出“Private Agent Factory”，Google CEO明确将“代理平台”作为下一个十年的主战场……

　　国内市场上，蚂蚁、腾讯、火山引擎等多家公司也都开始加速探索。

　　今年7月WAIC上，蚂蚁数科正式发布“智能体超级工厂”核心平台Agentar 2.0，首批预置200个岗位级数字专家，并提供数百个可订阅的Skill级工具。4月，腾讯基于OpenClaw开源生态打造的企业级智能体管控平台ClawPro也提出“智能体工厂+应用商店”闭环概念。此外，包括阿里百炼、百度千帆等多家厂商都在布局主打“一站式”的智能体工厂业务……

　　整体看，各家路线略有差异，但都试图把开发、测试、部署、管理多种能力整合到一起。

　　一位AI产业观察人士向记者表示，智能体超级工厂作为一套平台化基础设施，可低成本批量产出企业级、岗位职能型AI智能体。其能力不止于智能体生产，还包含测试、部署、调度、运维、治理在内的全生命周期管理。

　　蚂蚁数科相关负责人在接受记者采访时表示：“智能体工厂至少应具备四项能力：第一是标准化：能够将行业经验沉淀为skill、专家模板等标准资产，降低企业开发门槛。第二是规模化：智能体能力能够在不同场景和部门甚至不同组织间快速复制，批量生产；第三是智能化：智能体能够自主规划、协同执行并在实践中持续进化；第四是开放生态：能够连接模型、工具和数据，形成开放且经济可持续的能力供给体系。”

　　据前述负责人介绍，蚂蚁数科智能体超级工厂以Agentar平台为核心，将智能体的开发、部署、运营和治理能力集中到统一平台，并通过预置模板、系统连接和知识库等能力，降低企业搭建智能体的门槛。与此同时，平台还将数据权限、过程追溯等安全治理能力纳入智能体运行体系，并支持多智能体协同，让不同智能体能够围绕同一业务目标分工协作。

　　企业AI竞争核心走向基础设施？

　　Gartner预计，到2028年，33%的企业软件应用将包含智能体AI。麦肯锡研究显示，预计到2030年，AI智能体在全球范围内参与和影响的消费交易规模可能达到3万亿至5万亿美元。

　　在智能体大爆发之下，业内正在形成的共识是，当前的企业AI服务，争夺的已经不只是一个AI助手，而是人、数据和业务系统之间的新操作层。如果说上一轮AI竞争的核心是“谁拥有更强的模型”，这一轮竞争的关键可能是：谁能让企业以最低成本，把模型变成一支真正可管理、可复制、可持续创造价值的数字劳动力。

　　对此，张鹏认为，随着AI技术的快速进步和不断迭代，不同厂商布局“智能体工厂”，本质上是在押注AI时代的基础设施赛道。未来，模型能力、生态兼容性，算力平台、安全治理能力，场景理解和流程嵌入以及落地实施能力将成为竞争焦点。

　　这种系统落地能力，在今年早些时候已经被海外巨头提出。今年 2 月，OpenAI 工程团队基于 Codex 软件开发实践发布文章，首次提出 Harness Engineering（可理解为：将模型能力工程化落地的能力）概念。2026年6月，TMLS AI Research的一篇文章提出了一个判断：随着不同前沿模型之间的能力越来越接近，真正能够形成工程差异的地方，可能从Model逐渐转向Harness。

　　这也驱动市场参与者思考，如果模型能力越来越商品化，企业AI的价值会往哪里迁移？

　　肖艺学认为，智能复利是AI的底层增长逻辑，AI是基于算法的反馈学习循环，其接触的真实场景越丰富、获得有效反馈越充足，能力迭代越快，形成“AI Agent能力提升→可以解决更复杂的问题→获取更多数据和知识的正反馈→AI Agent能力再次跃升”的复利增长正循环。

　　在前述观察人士看来，AI带来的挑战是多元且多维度的，无法依靠单一方案实现全部解决。智能体工厂是企业打造可信智能体的重要路径，但整套技术仍处在持续演进阶段，落地过程依旧面临不少工程化难题。

　　张鹏认为，从经济学角度看，真正的商业价值要看智能体是否进入核心业务流程，是否稳定替代人工环节，即是否带来明确的成本下降、效率提升、收入增长或风险降低。因此，判断其是否进入规模化商业验证阶段，关键还是要看是否形成成熟的商业模式，并带来企业运营数据的边际改善。