摘要
企业智能体正在成为生成式人工智能进入企业核心业务的重要载体。与主要承担信息检索、内容生成和问答辅助的传统AI助手不同，企业智能体能够围绕目标自主拆解任务，调用数据库、业务软件和外部工具，连续执行多个步骤，并根据结果进行调整。
从全球市场看，企业智能体已经进入快速试验和初步生产应用阶段，但距离全面自主运行仍有较大距离。麦肯锡2025年全球调查显示，88%的受访组织已在至少一个业务职能中经常使用AI，23%正在至少一个职能中规模化部署智能体，另有39%处于智能体试验阶段；然而，大多数企业仍未将AI深度嵌入工作流程，真正实现企业级价值的组织仍是少数。，既包括企业自身降本增效和业务创新需求，也受到“人工智能+”、制造业智能化、央国企数字化转型、数据安全和国产化生态建设等因素推动。2025年国务院提出发展“模型即服务”和“智能体即服务”；2026年发布的《智能体规范应用与创新发展实施意见》，进一步把智能体定义为具备自主感知、记忆、决策、交互和执行能力的智能系统，并围绕技术底座、标准协议、典型场景和安全治理形成政策框架。体将快速从“办公助手”向“业务执行层”演进，但不会简单替代员工，也不会立即形成完全自主运行的“无人企业”。更现实的发展形态是：
人负责目标、规则、授权和最终责任，智能体负责信息处理、任务协调、流程执行和异常提示。
企业智能体的真正价值，不取决于模型参数规模，而取决于能否获得可靠数据、连接真实业务系统、受到明确权限约束，并持续产生可以量化的业务结果。
一、企业智能体的基本概念
企业智能体不是一个独立的大语言模型，而是由模型、数据、记忆、工具、工作流和安全机制共同组成的复合系统。
一个较完整的企业智能体通常包含以下能力：
- 理解目标：识别用户希望完成的业务任务，而不只是回答某个问题。
- 任务规划：将复杂目标拆解为多个可执行步骤。
- 知识检索：从企业知识库、数据库和历史记录中取得必要信息。
- 工具调用：调用ERP、CRM、MES、OA、邮箱、代码库、浏览器或工业软件。
- 状态记忆：保存任务进度、上下文、历史操作和用户偏好。
- 动态决策：根据工具返回结果决定下一步行动。
- 操作执行：生成文档、填写表单、创建工单、发送通知或者触发业务流程。
- 验证与纠错：检查结果，必要时重试、回退或者请求人工确认。
- 审计追踪：记录智能体读取了什么数据、调用了什么工具、执行了什么操作。
因此，可以将企业AI应用的演进划分为四个层次：
| 层次 | 主要能力 | 典型形态 |
|---|---|---|
| AI助手 | 回答、总结、生成内容 | 企业聊天机器人、办公助手 |
| 工作流智能体 | 完成预先设定的多步骤任务 | 报销审核、客户资料整理 |
| 业务智能体 | 根据业务状态动态规划和执行 | 供应链协调、设备运维 |
| 多智能体系统 | 多个专业智能体分工协作 | 企业级智能运营平台 |
目前大多数企业仍处在前两个层次，第三层正在金融、制造、软件开发、客户服务和供应链等领域加速试点，真正成熟的跨部门多智能体系统仍然较少。
二、全球企业智能体发展现状
1. 市场热度已经形成，规模化程度仍然有限
企业对智能体的投入意愿明显增强。普华永道2025年对美国308名企业高管的调查显示，在已经采用智能体的企业中，66%报告生产率提高，57%报告成本节约，55%报告决策速度加快，54%报告客户体验改善。与此同时，只有45%的企业开始从根本上重新思考运营模式，42%围绕智能体重新设计业务流程。企业领导者的调查显示，到2027年，74%的受访者预计所在企业将至少中等程度地使用AI智能体，其中23%预计广泛使用，5%预计智能体将成为企业运营的核心组成部分。在迅速普及，但“部署智能体”和“依靠智能体重构企业”是两个不同阶段。很多企业目前只是把传统聊天机器人、RPA或者软件功能重新包装成智能体，并没有建立真正的自主规划、工具调用和闭环执行能力。
Gartner将这种现象称为“智能体包装”或“Agent Washing”，并预计到2027年底，超过40%的智能体项目可能因为成本上升、业务价值不明确或者风险控制不足而被取消。云计算与软件生态主导
美国企业智能体的发展主要由基础模型厂商、云服务商、企业软件公司和咨询服务机构共同推动。
其基本路径是：
- 在办公软件、客户关系管理、代码开发和数据分析平台中嵌入智能体；
- 通过云平台提供模型、工具调用、身份认证和智能体编排；
- 由咨询公司或前沿部署工程师深入企业重构业务流程；
- 逐步形成跨软件、跨模型的智能体运行平台。
美国市场的优势在于成熟的企业软件生态、强大的基础模型能力和高度集中的云基础设施。但企业也面临数据分散、不同软件权限不一致、模型费用不透明和供应商绑定等问题。
2026年2月，美国国家标准与技术研究院启动AI智能体标准倡议，重点推动智能体安全、互操作性、开放协议和行业主导的技术标准。这说明全球竞争已经从单纯提升模型能力，进一步延伸到智能体之间以及智能体与软件系统之间的连接标准。可信应用优先
欧洲企业智能体的发展更强调风险分级、透明度、数据保护和责任主体。
欧盟《人工智能法案》于2024年8月生效，其大部分规定自2026年8月2日起适用；通用人工智能模型治理规则已于2025年8月开始适用，高风险系统则根据应用类别设置更长的过渡期。能优先部署：
- 内部知识管理智能体；
- 合规检查和文档处理智能体；
- 有人工复核的客户服务系统；
- 决策支持而非完全自主决策系统；
- 具有完整日志和解释机制的行业智能体。
欧洲模式可能降低部分创新速度，但会推动智能体供应商把权限管理、数据来源、风险评估和操作可追溯能力做成标准产品功能。
2. 国际竞争正在由模型竞争转向系统竞争
基础模型依然重要，但企业智能体的竞争壁垒正逐渐转移到以下方面：
- 能否接入企业现有软件和数据；
- 能否理解复杂的行业术语和业务规则；
- 能否稳定完成长流程任务；
- 能否对操作权限进行精细控制；
- 能否在不同模型之间动态路由；
- 能否监控成本、错误和执行结果；
- 能否形成跨智能体的协同机制。
因此，未来企业不会只购买“一个大模型”，而会建设或采购包括模型、知识库、智能体编排、工具网关、安全审计和算力管理在内的完整系统。
三、中国企业智能体发展的市场环境
1. 政策方向已经从“大模型发展”转向“应用落地”
中国企业智能体的发展已进入政策推动和产业落地并行阶段。
国务院《关于深入实施“人工智能+”行动的意见》明确提出，推动人工智能与科技、产业、消费、民生和治理等领域深度融合，发展模型即服务、智能体即服务以及标准化、可扩展的算力云服务。范应用与创新发展实施意见》进一步提出：
- 完善智能体技术底座；
- 构建标准和协议体系；
- 强化智能体工具链；
- 推动多智能体协同；
- 围绕科学研究、产业发展、消费、民生和社会治理建设典型场景；
- 将安全、可靠、可信贯穿研发、部署和推广全过程。市场自发试验进入政策引导、标准建设和规模化应用并行的新阶段。
2. 央国企是重要的首批应用主体
央国企通常拥有较多业务场景、较完整的数据积累、较强的算力投入能力以及较高的数据安全要求，因此成为中国企业智能体的重要先行者。
截至2025年，中央企业已经在工业制造、能源电力、智能网联汽车等重点行业的超过500个场景中布局人工智能，并建设了一批央企算力平台。国务院国资委还发布了首批40项央企人工智能战略性高价值场景。不是通用聊天，而是：
- 电力调度与能源管理；
- 工业设备巡检；
- 工艺知识检索；
- 工程设计辅助；
- 安全生产管理；
- 供应链协调；
- 客户服务；
- 企业经营分析。
这类场景的数据敏感度、系统复杂度和责任要求较高，因而更加倾向于私有化、专属云或混合部署。
3. 制造业将成为中国智能体的重要差异化市场
相比以办公和软件服务为主的部分海外市场，中国拥有完整制造业体系和大量实体产业场景。
2026年《“人工智能+制造”专项行动实施意见》提出，以场景牵引和安全可信为原则，推动人工智能技术与制造业深度融合。北京等地随后提出推动工业智能体覆盖研发设计、中试验证、生产制造、质量管理、营销服务和运营管理等环节，并探索产业链上下游多智能体协同。技术问题，而是连接：
订单与市场需求
↓
研发设计与仿真
↓
采购与供应链
↓
排产与生产控制
↓
质量检测
↓
设备运维
↓
售后与产品改进
如果这些环节能够通过智能体形成数据闭环，企业就可能从局部自动化走向全过程智能协同。
但工业场景也比办公场景困难得多。企业需要处理实时数据、专用协议、工业软件、设备接口、工艺规则和安全联锁，不能直接把通用大模型接入生产控制系统。
4. 中国市场将呈现“开放模型与私有部署”结合
国内开放权重模型、小型模型、蒸馏模型和推理优化技术的发展，降低了企业本地部署门槛。
未来中国企业可能形成以下组合：
| 任务类型 | 推荐模型与部署方式 |
|---|---|
| 普通办公和内容生成 | 公有云大模型 |
| 企业知识检索 | 私有知识库＋云端或本地模型 |
| 敏感文件处理 | 私有云或本地模型 |
| 高频标准化任务 | 企业内部中小型模型 |
| 高难度推理任务 | 云端高能力模型 |
| 工业实时任务 | 边缘模型＋规则系统 |
| 重大决策 | 模型分析＋人工审批 |
因此，中国企业智能体市场不会简单走向全面本地化，而会形成公有云、专属云、企业私有云和边缘计算并存的混合架构。
四、企业智能体的典型应用场景
1. 企业知识与办公
这是目前技术成熟度最高、风险相对较低的领域。
主要应用包括：
- 企业制度和技术资料问答；
- 会议纪要生成和任务跟踪；
- 报告、合同和方案初稿生成；
- 邮件分类、摘要和回复建议；
- 跨文档信息汇总；
- 内部专家经验沉淀。
单纯的知识问答很容易出现“演示效果好、长期使用率低”的问题。要产生持续价值，智能体必须能够识别用户权限、引用原始资料、判断文档版本，并进一步创建任务、填写表单或触发审批。
2. 软件开发和IT运维
软件开发是当前企业智能体最容易获得可量化收益的领域之一。
智能体可以参与：
- 需求分析；
- 代码生成；
- 单元测试；
- 代码审查；
- 漏洞检查；
- 故障日志分析；
- 自动化部署；
- 运维告警处置。
但企业必须防止智能体直接把未经验证的代码投入生产环境。合理方式是让智能体提交代码、测试结果和修改说明，由开发人员或自动化质量门禁决定是否合并。
3. 客户服务和销售
智能体可从回答客户问题进一步扩展到：
- 获取客户历史记录；
- 判断客户意图；
- 推荐解决方案；
- 创建售后工单；
- 查询库存和物流；
- 生成销售跟进计划；
- 更新CRM记录。
普华永道调查显示，客户服务、销售营销以及IT与网络安全，是企业计划较快采用智能体的职能领域。诺、价格误报、隐私泄露以及未经授权修改客户信息，因此必须设置清晰的可执行边界。
4. 财务、法务和合规
典型场景包括：
- 发票和报销材料审核；
- 财务异常分析；
- 合同条款比对；
- 法规更新跟踪；
- 合规检查；
- 审计材料整理；
- 风险报告生成。
这些场景数据结构相对明确，业务价值也容易量化，但涉及高责任决策。智能体可以提供判断依据和处理建议，不宜在没有审批机制的情况下自主完成付款、签约或重大财务调整。
5. 供应链和制造业
智能体可以综合订单、库存、物流、产能和供应商数据，执行：
- 物料短缺预警；
- 采购建议；
- 生产计划调整；
- 供应商风险分析；
- 质量问题追溯；
- 设备异常诊断；
- 维修工单生成。
这类系统必须把大模型的灵活推理能力与传统工业规则、优化算法、数字孪生和确定性控制系统结合起来。
比较合理的分工是：
大模型负责理解、分析、解释和协调，确定性软件负责计算、约束、联锁和最终控制。
6. 科研和研发设计
科研智能体可以辅助：
- 文献检索与综述；
- 实验方案设计；
- 数据分析；
- 模拟仿真；
- 参数优化；
- 研发资料管理；
- 自动生成实验记录。
在工程研发领域，智能体还可能连接CAD、CAE、EDA和仿真软件，形成“提出方案—执行仿真—分析结果—调整参数”的闭环。
这一领域具有较高长期价值，但需要解决专业知识准确性、软件接口、结果验证和知识产权保护问题。
五、企业智能体的技术架构
完整的企业智能体平台通常包括六个层次：
业务应用层
办公、客服、研发、财务、供应链、生产运维
↓
智能体编排层
任务规划、多智能体协作、工作流、状态管理
↓
模型服务层
通用模型、行业模型、小模型、视觉与语音模型
↓
企业数据层
知识库、数据库、数据湖、实时数据、向量数据库
↓
工具与系统连接层
ERP、CRM、MES、OA、API、浏览器、工业软件
↓
基础设施与治理层
算力、身份认证、权限、安全、审计、监控、成本管理
企业智能体不是“模型能力越强越好”，而是需要根据任务动态选择模型：
- 简单分类任务使用小模型；
- 企业知识问答使用检索增强模型；
- 复杂推理使用高能力模型；
- 实时任务使用边缘模型；
- 高风险任务增加规则引擎和人工审批。
这种多模型路由方式能够降低成本，并减少企业被单一模型厂商锁定的风险。
六、企业智能体对算力和产业链的影响
智能体会明显提高AI推理需求。普通问答应用可能只调用一次模型，而一个智能体完成任务时，可能需要多轮规划、检索、工具调用、结果判断和重新执行，一次业务任务背后可能产生多次甚至数十次模型推理。
IDC数据显示，2026年第一季度全球AI基础设施支出达到897亿美元，并将2026年全年预测提高至4970亿美元；相关需求已经扩展到加速计算、高性能存储和网络基础设施。6年全球AI相关支出达到2.59万亿美元，同比增长47%；其中AI基础设施占比超过45%，但当前主要投入主体仍是技术厂商和超大规模云服务商，而不是所有最终企业。下市场增长：
- AI推理服务器；
- GPU及其他AI加速卡；
- CPU和大容量内存；
- 高速存储；
- 数据中心网络；
- 液冷和供电系统；
- 私有云和算力云服务；
- 向量数据库；
- 智能体编排平台；
- 安全审计和可观测性工具。
但智能体数量与服务器采购量不会简单等比例增长。模型量化、缓存、批处理、蒸馏、小模型和云端弹性计算都可以降低单位任务的算力需求。
对于大多数企业而言，更合理的架构是：
本地部署基础和敏感负载，云端承接复杂任务和峰值负载。
七、企业智能体的核心风险
1. 从“内容错误”升级为“行为错误”
传统大模型输出错误，通常只影响答案质量。智能体如果拥有系统权限，错误可能转化为：
- 错误修改数据；
- 错误发送信息；
- 错误创建订单；
- 错误调整生产计划；
- 错误执行程序；
- 越权访问敏感内容。
中国有关智能体治理的政策解读明确指出，智能体风险正在从内容风险向行为风险扩散，错误决策、越权操作和工具劫持可能产生更直接的现实影响。具劫持
智能体读取网页、邮件或文档时，可能遇到隐藏的恶意指令。攻击者可以诱导智能体泄露数据、调用危险工具或者绕过原有任务目标。
因此，企业不能把外部内容直接作为高优先级指令，而应区分：
- 用户指令；
- 系统规则；
- 企业政策；
- 外部数据；
- 工具返回结果。
2. 权限失控
员工通常拥有相对固定的岗位权限，而智能体可能在多个系统之间连续操作。如果智能体继承用户的全部权限，就可能扩大误操作或攻击影响。
应实行：
- 最小权限原则；
- 临时授权；
- 按任务授权；
- 高风险操作二次确认；
- 关键操作双人审批；
- 权限自动过期。
3. 数据和知识质量不足
很多企业智能体项目失败，并不是模型能力不足，而是企业数据存在重复、错误、过期、缺失和权限混乱等问题。
智能体会把这些问题放大。错误制度文件、旧版产品参数或者不完整客户记录，都可能导致看似合理但实际错误的结果。
4. 成本不可控
智能体可能反复规划、检索和调用多个模型，导致Token消耗、工具调用费用和计算成本持续增加。
企业应监控：
- 单项任务平均成本；
- 每次成功任务调用次数；
- 重试率；
- 模型使用比例；
- 高峰期资源占用；
- 人工介入成本。
5. 责任边界不清
当智能体参与招聘、信贷、医疗、生产控制或重大采购时，必须明确：
- 谁批准智能体上线；
- 谁负责业务规则；
- 谁负责模型和数据；
- 谁处理异常；
- 谁承担最终决策责任。
智能体可以执行工作，但不能成为责任主体。
八、企业智能体治理框架
企业可以根据任务风险，把智能体权限划分为三个等级。
| 风险等级 | 智能体权限 | 典型场景 |
|---|---|---|
| 低风险 | 读取、分析、生成建议 | 知识问答、报告摘要 |
| 中风险 | 创建草稿、生成工单、提出操作建议 | 客服、采购建议、代码修改 |
| 高风险 | 修改核心数据、付款、签约、设备控制 | 财务交易、生产控制 |
低风险任务可以较高程度自动化；中风险任务应保留人工确认；高风险任务原则上应采用人工审批、规则校验和多重安全控制。
企业智能体上线前至少应具备：
- 明确的业务负责人；
- 经过验证的数据来源；
- 独立测试环境；
- 最小权限设置；
- 操作日志；
- 异常报警；
- 人工接管机制；
- 紧急停止机制；
- 定期安全测试；
- 可量化的业务指标。
九、如何评价智能体的实际价值
企业不能只用模型准确率评价智能体，而应采用业务指标。
建议重点考察：
- 任务完成率；
- 一次成功率；
- 人工介入率；
- 错误操作率；
- 平均处理时间；
- 单项任务成本；
- 客户满意度；
- 流程周期缩短比例；
- 业务收入或成本变化；
- 操作是否完整可追溯。
一个真正有价值的智能体，不一定表现得最“聪明”，但必须稳定、可控、可重复，并能够持续减少业务成本或者提升收入。
企业应避免以“员工使用次数”作为唯一指标。员工频繁调用智能体，可能只是因为智能体需要反复纠正，并不代表真正创造了价值。
十、国际与中国市场比较
| 维度 | 美国 | 欧洲 | 中国 |
|---|---|---|---|
| 核心动力 | 技术创新、云平台、企业软件 | 可信治理、风险控制 | 政策推动、产业升级、场景规模 |
| 优势 | 基础模型和软件生态强 | 法规和治理体系完善 | 制造体系完整、场景丰富 |
| 主流部署 | 公有云和企业SaaS | 合规云、私有和混合部署 | 私有化、专属云和混合部署并存 |
| 重点场景 | 办公、软件、客服、销售 | 合规、公共服务、专业服务 | 制造、能源、政务、金融、央国企 |
| 主要挑战 | 成本、平台锁定、价值证明 | 合规复杂、部署速度 | 数据基础、系统集成、软硬件适配 |
| 发展特征 | 平台化和商业化领先 | 治理规范领先 | 行业应用和工业智能体潜力较大 |
中国不一定需要完全复制美国以云端通用智能体为主的发展路线。依托制造业、能源、交通和公共服务场景，中国更可能形成大量与物理设备、工业软件和生产流程结合的行业智能体。
十一、未来三年发展趋势
2026年：从助手向工作流智能体转变
智能体将大量嵌入办公软件、企业软件和行业平台，但主要执行低风险、边界明确的任务。
企业重点建设知识库、接口平台、身份权限和智能体编排系统。
2027年：跨系统协作和平台整合
企业将逐步淘汰重复建设的部门级智能体，形成统一的企业智能体平台。
智能体开始跨ERP、CRM、MES和办公系统执行长流程任务，多模型和多智能体协作逐渐普及。与此同时，缺乏明确回报的项目将被取消或合并。
2028年前后：AI原生流程逐渐出现
领先企业将不再只是用智能体优化原有流程，而会重新设计业务流程和组织结构。
部分标准化工作可能形成“少量员工管理多个智能体”的模式，但重大决策、复杂关系协调、创新判断和责任承担仍将由人完成。
十二、对企业的建议
第一，先选择高价值流程，不要先采购平台
优先选择任务量大、规则相对明确、数据可获得、结果可验证的场景。
不宜首先选择责任重大、数据混乱或者依赖大量隐性经验的核心决策场景。
第二，把智能体项目视为业务工程
项目负责人不能只有IT部门，还应包括业务、数据、安全、法务和管理部门。
每个智能体都应有明确的业务负责人和最终责任人。
第三，优先建设数据和接口能力
企业真正长期有效的资产不是某一个模型，而是：
- 经过治理的数据；
- 结构化知识库；
- 标准业务接口；
- 完整权限体系；
- 可复用工作流；
- 真实任务反馈数据。
第四，采用模型可替换架构
企业应避免业务逻辑与单一模型深度绑定。模型服务层、智能体编排层和业务系统连接层应相对解耦，以便根据成本、性能和合规要求更换模型。
第五，分阶段增加自主权
建议采用以下顺序：
只读分析
↓
生成建议
↓
生成操作草稿
↓
人工确认后执行
↓
低风险任务自动执行
↓
限定条件下自主闭环
不要在智能体尚未经过真实业务验证时，直接授予高风险操作权限。
第六，根据负载决定算力模式
大型、受监管或高频使用的企业可以建设私有AI资源池；普通企业优先考虑云服务和混合部署；工业现场则采用边缘计算与中心平台协同。
算力采购应以并发量、模型规模、响应时间和真实利用率为依据，而不是以模型热度或者参数规模为依据。
结论
企业智能体不是传统聊天机器人的简单升级，而是人工智能从“生成信息”走向“参与执行”的关键转折。
全球企业智能体市场已经进入高速发展阶段，但当前仍存在明显的热度高于成熟度、试点多于规模化、技术投入快于流程变革等问题。真正能够创造长期价值的企业，不会只部署更多智能体，而会同步改造数据、流程、权限、组织和治理体系。
中国企业智能体的发展拥有政策支持、产业体系完整、应用场景丰富和开放模型生态快速发展的优势，尤其在制造、能源、交通、政务、金融和央国企领域具有较大潜力。但中国企业也需要避免重硬件、轻数据，重模型、轻流程，重建设、轻运营的问题。
综合来看，未来企业竞争的关键将不再只是“是否使用AI”，而是：
能否把人的专业判断、企业的数据资产、软件系统的执行能力和智能体的自主协同能力组合成一个安全、可靠、低成本的业务系统。
企业智能体最终不会成为独立于企业之外的“数字员工军团”，而更可能成为企业内部新的数字执行层，连接人员、数据、软件和设备，推动企业从信息化、数字化进一步走向智能化。