在“AI Agent元年”的光環(huán)之下，AI Agent賽道是否只是一場虛假繁榮？

內(nèi)容/林書

編輯/詠鵝

校對/莽夫

隨著在復(fù)雜推理、多模態(tài)融合以及自主代理（Agent）能力上更強大的GPT-5發(fā)布，有人高呼“AI Agent時代真的來了”，也有人持謹(jǐn)慎態(tài)度，認(rèn)為“GPT-5是對AI Agent創(chuàng)業(yè)者的洗牌”。

當(dāng)前的AI智能體創(chuàng)業(yè)，正如朱嘯虎所言，“非常像互聯(lián)網(wǎng)早期的個人站長”，既充滿草根精神，又面臨殘酷淘汰。曾被捧為“國運級產(chǎn)品”、內(nèi)測邀請碼一度炒至10萬元一個的AI Agent產(chǎn)品Manus退出中國市場，更是為這一賽道添了一把火，引發(fā)廣泛熱議。

實際上，Manus的窘境，也正是當(dāng)下部分Agent類產(chǎn)品的共同寫照。

盡管2025年被冠以“AI Agent元年”之名，Agent類產(chǎn)品迎來了爆發(fā)式增長，并涌現(xiàn)出扣子空間（Coze Space）、GenSpark、心響、心流等明星產(chǎn)品，但它們?nèi)悦媾R技術(shù)、商業(yè)化與產(chǎn)品市場契合度（PMF）等多重挑戰(zhàn)。

具體而言，Agent產(chǎn)品的開發(fā)與運營成本高昂，但用戶付費意愿較低，商業(yè)化模式尚未成熟。銀河證券2025年報告數(shù)據(jù)顯示，AI Agent行業(yè)的平均用戶獲取成本（CAC）高達50美元/用戶，而平均用戶生命周期價值（LTV）僅為20-30美元，表明多數(shù)產(chǎn)品仍未實現(xiàn)盈利。

此外，多數(shù)Agent產(chǎn)品體驗未達預(yù)期、功能同質(zhì)化嚴(yán)重，導(dǎo)致用戶流失率高，難以建立長期粘性。那么在元年光環(huán)之下，AI Agent賽道是否只是一場虛假繁榮？

Part.1 繁榮下的結(jié)構(gòu)性困境AI Agent的“單點困局”與“組織鴻溝”

從總體來看，當(dāng)前的AI Agent市場，缺乏能真正穿越周期的、展現(xiàn)出“Agent比人類更懂執(zhí)行”的產(chǎn)品。

究其根源，在于當(dāng)前的Agent類產(chǎn)品普遍面臨著兩個深層次的結(jié)構(gòu)性問題：一是Agent類產(chǎn)品普遍為“單點”賦能；二則是相當(dāng)多的企業(yè)，都將重心放在了打造所謂的“通用”功能上。

當(dāng)前的大多數(shù)Agent產(chǎn)品，往往專注于優(yōu)化單一任務(wù)或特定場景（如信息檢索、報表生成、任務(wù)自動化），但缺乏對企業(yè)生產(chǎn)鏈條中多個環(huán)節(jié)的協(xié)同整合能力。這種“單點”賦能模式導(dǎo)致Agent在復(fù)雜、跨部門的業(yè)務(wù)流程中難以發(fā)揮“樞紐”作用。

造成這一現(xiàn)象的原因，既有技術(shù)上的短板，也有組織上的滯后。

從技術(shù)上來說，一部分Agent應(yīng)用在技術(shù)上并不成熟，在執(zhí)行涉及復(fù)雜邏輯、多步驟或調(diào)用多個工具的任務(wù)時，常出現(xiàn)卡頓、失敗或耗時過長的問題。

以Manus為例，不少用戶發(fā)現(xiàn)在測試中一旦任務(wù)涉及多個工具（如文件+郵件+ Notion +云盤），Manus就常常會在執(zhí)行中卡住、步驟結(jié)果傳遞錯誤，或耗時超過一小時。這反映出了此類Agent應(yīng)用缺少顯式記憶機制，以至在多輪對話中狀態(tài)信息經(jīng)常丟失，甚至誤用舊信息；或是各工具接口無統(tǒng)一協(xié)議，調(diào)用全靠prompt“蒙”。

而像扣子空間這樣的產(chǎn)品，在進行“根據(jù)數(shù)據(jù)繪制圖表”的任務(wù)時，完成的狀態(tài)、質(zhì)量也十分潦草，難以達到“合格”要求。

這說明現(xiàn)在相當(dāng)一部分的Agent，基本只有一層prompt調(diào)用API，缺乏一整套結(jié)構(gòu)化的、統(tǒng)一的數(shù)據(jù)接口，以及相應(yīng)的推理鏈條。

而從組織結(jié)構(gòu)上來說，當(dāng)前很多企業(yè)實際上并未完成適應(yīng)AI時代的“人機協(xié)作”轉(zhuǎn)型。

一個明顯的例子是，今年上半年，有相當(dāng)一部分企業(yè)落地了編程類Agent應(yīng)用cursor，但得到的反饋卻是此類應(yīng)用沒有顯著提效。

原因就在于，在企業(yè)的實際運作中，一段代碼從寫出來，到真正“用得上”，往往要經(jīng)歷需求澄清、任務(wù)拆解、代碼開發(fā)、審核、測試等多個環(huán)節(jié)，涉及跨部門協(xié)調(diào)。

現(xiàn)在的問題不是Agent寫得慢，而是企業(yè)沒有把Agent“嵌進流程”中去。整條“軟件交付流水線”仍然是人主導(dǎo)的、審批制的、串聯(lián)式結(jié)構(gòu)。

結(jié)果便是AI可能節(jié)省了20%的開發(fā)時間，但流程中60%的瓶頸根本不在編碼環(huán)節(jié)，而在于組織流程和人為因素。這使得Agent帶來的效率提升，在陳舊的“人治”流程面前幾乎被完全抵消，全都化作了烏有。

Part.2 Agent分野通用虛火噱頭與垂類深耕挑戰(zhàn)

在今年涌現(xiàn)的各類Agent中，不少明星產(chǎn)品如Manus、GenSpark、扣子空間等，都選擇了“通用Agent”的路線。

畢竟，與垂類Agent相比，“通用”Agent的概念聽起來更性感、想象空間更大。對投資人而言，“打造AI操作系統(tǒng)”的故事遠比“開發(fā)HR報銷助手”更動聽。早期用戶也更容易被“全能型”Agent的愿景所吸引，通用Agent看似更先進、更全能，更能制造FOMO效應(yīng)。

然而，現(xiàn)實與愿景存在明顯落差，當(dāng)前的通用Agent技術(shù)形態(tài)更像一個中等智力的虛擬助理，難以勝任系統(tǒng)調(diào)度、權(quán)限管理等核心職能。

對于個人用戶，通用Agent目前處境尷尬。其解決的往往是瑣碎事務(wù)，如點外賣、訂酒店、生活規(guī)劃，這些需求本身痛點不深，它們通常不緊急、評估標(biāo)準(zhǔn)模糊。

用戶在這些場景中更關(guān)注“心態(tài)”與“體驗”，而非純粹的“效率”。例如在點外賣時，人們往往更在意點哪家外賣，而不是下單速度。

與之相比，一些專注于“專、窄、深”的垂直領(lǐng)域、聚焦于解決企業(yè)具體痛點的AI Agent，反而在今年獲得了相當(dāng)程度的成功。

例如在金融行業(yè)中，Muffintech作為保險客服Agent，能夠自動處理常見客服查詢（如保單狀態(tài)），回復(fù)準(zhǔn)確率98%，并將理賠審批時間縮短至1天，為保險公司年節(jié)省500萬美元。

在法律行業(yè)，聚焦于文書起草的Harvey，專注解決法律文書起草痛點，如手動研究耗時長（每案平均20小時）、文書起草錯誤率高，實現(xiàn)自動分析法律案例和法規(guī)并生成研究報告，準(zhǔn)確率90%，為律所帶來了直觀的效率提升。

盡管這些垂類Agent看上去樸實無華，技術(shù)上也并不十分復(fù)雜，但也并非任何一家企業(yè)都能輕易照搬，其中存在多重門檻和難點。

垂直領(lǐng)域需要大量且收集門檻頗高的行業(yè)數(shù)據(jù)，模型必須針對特定場景進行微調(diào)或重新訓(xùn)練。

例如，制造業(yè)的Agent需要處理傳感器數(shù)據(jù)，法律Agent需要生成符合邏輯的文書，這些任務(wù)對準(zhǔn)確率要求極高。

這使得模型團隊不僅要精通AI技術(shù)，還要熟悉行業(yè)知識，這類復(fù)合型人才非常稀缺且招聘成本高昂。

同時，垂類Agent需要與企業(yè)現(xiàn)有的行業(yè)標(biāo)準(zhǔn)系統(tǒng)（如SAP、Salesforce）無縫對接，以實現(xiàn)數(shù)據(jù)共享和流程優(yōu)化。

然而，許多企業(yè)內(nèi)部存在數(shù)據(jù)孤島問題，跨系統(tǒng)集成需要開發(fā)定制API，這需要團隊具備系統(tǒng)架構(gòu)設(shè)計和行業(yè)軟件集成的經(jīng)驗，對技術(shù)能力要求極高。

對技術(shù)、行業(yè)知識的高要求，使得大部分中小企業(yè)難以打造出有競爭力的垂類Agent。

現(xiàn)階段，包括BAT、字節(jié)在內(nèi)的大廠，都擅長做平臺和demo，例如阿里的釘釘+夸克、百度的千帆App Builder等，但真正把復(fù)雜垂直業(yè)務(wù)完成端到端改造的案例并不多，大部分還是小規(guī)模試點或簡單輔助。此外，很多企業(yè)做了大量POC（概念驗證），但真正投入規(guī)模化使用的很少。

根據(jù)ThoughtWorks報告披露，因為業(yè)務(wù)協(xié)同不足與運營成本高，高達88%的AI POC未能進入大規(guī)模部署。研究發(fā)現(xiàn)，每家公司推出的33個AI概念驗證項目中，只有4個能夠進入生產(chǎn)階段。

究其原因是互聯(lián)網(wǎng)大廠更擅長做“通用能力+流量和平臺”，而真正把垂類行業(yè)的臟活、定制、合規(guī)、實施做到位，則需要線下深耕與行業(yè)Know-How積累，這和它們的業(yè)務(wù)屬性、考核體系和商業(yè)動力并不十分匹配。

Part.3 跨越市場鴻溝出海抉擇與本土價值驗證

除了前面提到的兩大結(jié)構(gòu)性問題，Agent產(chǎn)品自誕生之初便面臨著一個揮之不去的商業(yè)化難題，即國內(nèi)與國際市場的深度割裂。

對國內(nèi)大部分AI企業(yè)來說，“合規(guī)性”要求下使其發(fā)展高度依賴國產(chǎn)模型能力，然而國產(chǎn)模型與美國頂尖模型之間仍存在代際差距。

與國內(nèi)模型相比，Claude Opus 4 等國外先進模型，在復(fù)雜推理鏈條，尤其是跨領(lǐng)域、多條件推導(dǎo)上往往能保持更穩(wěn)定的邏輯一致性，出錯率更低。

且在上下文長度上，也已做到百萬級別。在嚴(yán)格按照格式、生成長且結(jié)構(gòu)化的文檔、代碼、JSON 等方面穩(wěn)定性頗高，這些都是當(dāng)前國內(nèi)模型尚難實現(xiàn)的水準(zhǔn)。

同時，受限于國內(nèi)整體數(shù)字化程度與消費習(xí)慣，現(xiàn)階段B端、C端用戶的付費意愿皆不理想。這使得消費級AI應(yīng)用，尤其是初創(chuàng)產(chǎn)品，價值更難以被市場充分認(rèn)可并實現(xiàn)商業(yè)化。

在這樣的大前提下，國內(nèi)AI應(yīng)用創(chuàng)業(yè)者需要付出更大的努力，來彌補模型能力與市場期望間的價值差距。這意味著團隊在場景設(shè)計、數(shù)據(jù)工程、模型理解、市場和業(yè)務(wù)認(rèn)知等綜合能力上，需具備更加深厚的積淀。

在“高投入、低價值”的壓力下，Manus這樣的Agent產(chǎn)品選擇出海成為情理之中的策略。

據(jù)海外AI創(chuàng)業(yè)者透露，海外市場對AI產(chǎn)品的估值更為慷慨，1萬日活即可支撐1億美元估值。也就是說，1個日活用戶就價值7萬人民幣。

盡管如此，出海也并非終極解藥。所有Agent產(chǎn)品都逃不過模型能力的比拼。

隨著2025年OpenAI、Anthropic等巨頭紛紛開始布局自有的Agent產(chǎn)品，為了保持競爭優(yōu)勢采取“模型斷供”策略，將使套殼類Agent的優(yōu)勢迅速瓦解。

例如前段時間，海外著名的AI編程應(yīng)用Windsurf，就遭到了Claude的全面斷供，這反映出了很多沒有自研模型的企業(yè)（包括Manus），在巨頭面前的脆弱性。

因此，出海應(yīng)該是“活下去+練能力”的階段性策略，不是“一去不返”的終局。

而在國內(nèi)市場，資本們留給Agent賽道的耐心亦不會太久。盡管垂直領(lǐng)域大模型及應(yīng)用廠商口號不斷、標(biāo)桿案例宣傳頻出，但Agent未來能創(chuàng)造多少真實經(jīng)濟效益，仍是個未知數(shù)。

但可以肯定的是，目前的Agent已經(jīng)在客服、營銷、數(shù)據(jù)分析等流程明確、規(guī)則固定的場景里，切實展現(xiàn)出降本增效的價值。有這些商業(yè)化場景托底，Agent在今年就不會全然是一個“泡沫”。

而未來更大的商業(yè)化突破，則有待Agent在某些高價值的垂類領(lǐng)域，例如金融、醫(yī)療等場景真正發(fā)揮出變革性作用，而這則需要技術(shù)演進、組織適配與產(chǎn)業(yè)生態(tài)協(xié)同等多種因素協(xié)同作用。

END

       原文標(biāo)題 : Agent 2025：AI的窄門與寬路