在中国企业级应用服务发展的数十年历程中，云大厂、模型大厂与垂直应用厂商之间曾维持着长期的生态平衡，双方以基础设施、业务应用为界，各司其职。

然而，随着智能体时代的到来，这一传统边界正面临前所未有的冲击与重构。过去，由于大厂缺乏对 knowhow 的理解，其通用能力在深水区往往无所适从；但在智能体逻辑下，企业需求正从流程管理转向结果交付，基础模型对原始知识的直接利用能力也显著增强，这使得大厂得以跨越藩篱，直接切入应用层的核心价值地带。

本报告的核心受众为大厂及应用厂商的中高层决策者。报告旨在通过剖析智能体时代的越界逻辑，解决双方在业务变迁过程中的边界问题。我们将通过建立基于任务复杂度与知识复杂度的象限判定模型，提供一张清晰的风险地图，用以判断哪些应用处于大厂的延长线上，哪些应用仍能坚守护城河。

此外，本报告不仅是一份风险评估，更是一份行动指南。针对处于不同象限的应用场景，我们为应用厂商提供了突围策略；同时也为大厂建议了从直接进攻到生态赋能的进击边界。通过本报告的分析，我们期望推动大厂与应用厂商在新的智能体生态体系中实现利益绑定与能力互补，共同构筑智能化时代的产业新轮廓。

注：扫描下图二维码可领取完整版《2026 爱分析 · AI 科技厂商系列研究报告（一）》。

01

范式迁移：智能体时代大厂越界应用层的驱动逻辑

在中国企业级应用服务发展的数十年历程中，大厂与应用厂商之间始终存在着一条界限分明的楚河。少数的大厂聚焦于基础设施与通用平台，而应用层则是数以万计软件服务商的领地。

然而智能体时代的到来，这条界线正在变得模糊。本章节重点剖析为何在此时此刻，大厂具备了跨越边界、深度介入应用层的能力，以及这种越界背后的商业逻辑重构。

行业 Knowhow 曾是应用厂商不可逾越的围墙

回顾过去数次技术浪潮，大厂即便在资本与技术上拥有压倒性优势，但在应用层鲜有成功案例。根源在于，应用层的核心壁垒是极其深厚的行业 knowhow。行业 knowhow 由两个核心维度构成：对复杂业务流程的深刻理解，以及对行业与企业专属知识的深度内化。

图 1：行业 knowhow 构成

以 ERP 为例，一个看似简单的采购流程，背后可能涉及到数百个审批节点、复杂的对账逻辑以及不同企业特有的采购规则。这些细碎且专业的功能设计，要求开发者必须长期扎根于业务一线。对于追求通用化、标准化的大厂而言，这种重资产的知识积累是其天然的短板。

此外，行业专属知识如业务运行机理、人力资源中的复杂算薪逻辑等，都具有极强的隐性知识特征。应用厂商通过多年服务积累，将这些知识固化在软件代码中。

对于大厂来说，无法长期复刻并迭代这些业务逻辑。因此，在传统的应用层逻辑下，大厂的通用能力在垂直领域往往显得无所适从，只能选择作为底层服务商，与应用厂商属于合作大于竞争的生态平衡。

智能体时代，大厂向应用层强势越界，本质上是企业需求、技术路径与交互范式三重变革共同驱动。最终，形成了大厂从底层基础设施向业务应用核心区深度渗透的降维打击态势。

图 2：大厂应用层越界逻辑

越界逻辑一：从流程管理转向结果交付

进入智能体时代，大厂之所以能够越界，首要原因在于企业客户的需求发生了根本变化。过去，企业对应用的诉求是业务流程的代码化，即业务流程管理。这意味着应用本质上是一套管理工具，由一个个功能模块堆叠而成。

为了实现一个请假或差旅审批，软件厂商需要开发复杂的表单、配置审批流并建立数据库。在这种环境下，大厂由于缺乏对这些细碎、繁琐的功能设计的理解，很难做出比垂直应用厂商更好用的产品。

然而，在智能体逻辑下，企业核心需求正在从流程管理转向辅助决策和结果交付。应用不再是功能的集合，而是基于模型能力自然生长出来的结果。比如，在人力资源领域，以前企业的需求是采购一套系统来管理招聘流程，包括简历收集、面试排期等。而现在，企业的需求在于如何更高效地筛选人才。

为此，应用厂商推出了 AI 面试官，通过自然语言与候选人交流，评估其能力并直接给出面试反馈。但是由于中间的流程管理环节被大幅弱化，大厂同样可以推出 AI 面试官，从而绕过了应用厂商的流程壁垒，实现了对应用价值的直接截流。

这种从过程管理到结果交付的转变，是大厂能够跨越边界的基石。当应用的核心价值不是复杂流程配置，而是直接给出决策建议或完成具体任务时，它就落入了大模型的射程范围。

越界逻辑二：知识治理的重要性弱化

除了需求逻辑的变化，基础模型对于知识治理要求的弱化也为大厂越界扫清了障碍。在传统技术架构中，要保证业务结果的准确性，必须进行深度的数据与知识治理。应用厂商需要耗费大量资源，将非结构化知识转化为结构化的规则引擎，才能保证准确性。

然而，基础模型能力的持续强化，使其能够直接利用海量的原始非结构化文档，如企业的规章制度、技术手册、合同文本等。模型可以无需训练，直接在推理阶段通过长文本处理技术，实时解析非结构化数据并将其纳入上下文。

这种变化对于大厂而言是巨大的利好。比如，2025 年之前，模型高度依赖应用厂商提供清洗好的语料进行训练，以理解专属的行业和企业知识。

而现在，大厂凭借自研的 OCR 模型、文档解析模型，可以直接在推理时保留原始文档的图纸、表格顺序和上下文等关键信息，无需复杂的知识治理即可直接输出准确和专业的问答。这意味着，大厂通过对原始知识的直接穿透，大幅降低了涉足特定行业的知识门槛，使得越界变得更为顺畅。

越界逻辑三：入口变化的降维打击

大厂越界的另一个降维打击手段来自于人机交互范式的彻底重构。在传统软件逻辑中，是 " 人找应用 "。用户作为主动的操作者，为了处理一项复杂的业务，需要在不同的应用之间频繁切换。在这种环境下，入口是分散的，每一家应用厂商都拥有独立的用户界面和封闭的流量闭环。

智能体时代则将这种关系扭转为 " 应用找人 "。用户从繁琐的操作者回归为意图的发令者，交互方式彻底转向对话。在这一范式下，对话框成为了中心化的调度中枢，它负责理解用户的意图，并将复杂的任务拆解为具体的指令，分发给后台的工具或技能插件。用户不再关心背后到底调用了哪一家厂商的应用，他们只关心结果的达成。

对于大厂而言，更有可能掌握企业对话框的入口控制权。大厂并不需要为了越界而将所有的传统应用都重做一遍，相反，大厂通过构建超级智能体，将原本独立的应用变成自己平台上的一个插件工具。

当用户提出需求时，大厂根据模型能力直接调度最合适的工具。应用厂商从独立的服务商降级为大厂平台能力的提供者。这种通过入口垄断实现对应用层的整合，是智能体时代高级的越界形式。

定制化服务与低容错场景的防护区

尽管大厂多个层面发起了对应用层的冲击，但这并不意味着应用厂商的领地会全面失守。在越界的浪潮中，依然存在大厂难以渗透的硬核区域。定制化服务始终是应用厂商的生存基石，也是与大厂差异化的关键分野。

定制化服务的优势，首先体现在成本与响应速度上。大厂追求的是极致的边际成本递减，这决定了它们很难在每一个细分行业投入大量的人力去做贴身服务。这是应用厂商的优势区域。

其次，定制化服务的优势深植于低容错率的应用场景中。在一些极其严肃、不容许任何概率性偏差的场景中，大厂完全基于模型输出往往难以达到要求。

深度的客户贴身服务、对极低容错业务的兜底能力，构成了应用厂商的最后堡垒。

总结而言，智能体时代的大厂越界并非偶然，而是企业需求、技术路径以及交互范式三者合力演化的必然结果。然而，行业中那些深藏于低容错场景下的定制化需求，依然是应用厂商在激荡变革中得以立足的根基。

02

象限分析：基于任务与知识维度的大厂延长线判定模型

在明确了大厂越界介入应用层的底层逻辑后，我们将进一步探讨大厂具体的延伸路径，以及哪些类型的应用正处于被吞噬的高危区。本章提出以任务复杂度和知识复杂度为核心的象限分析模型，解析大厂吞噬应用层的边界所在。

任务复杂度：单点任务的塌陷与端到端流程的韧性

判断一个应用是否会被大厂能力直接覆盖，首要的观察维度是其所承载的任务复杂度。在这一坐标轴的左端是明确的单点决策或执行任务，而右端则是涉及多方协同的端到端复杂流程。

大厂在智能体时代的典型扩张特征是单点任务导向。当一个应用的核心功能可以被拆解为一系列单点任务时，它便极易被大厂作为功能特性直接集成到平台中。例如，BI 工具的核心就是取数、可视化呈现两个单点任务，其核心价值正随着模型能力的增强而锐减，将来会成为大厂模型的标配功能。

过去用户需要学习使用 BI 工具才能获取报表，而现在只需通过自然语言发起查询任务，模型即可直接完成取数与绘图的动作。这种单点任务的被替代，标志着大厂正在从任务的源头实现对应用价值的截流。

然而，任务的复杂度一旦上升到流程层面，大厂的越界便会遭遇巨大的阻力。所谓的复杂流程，典型如大型企业生产、采购等流程。这些深植于企业运营深处、由复杂规则驱动的流程系统，构成了应用厂商天然的防护堤坝。

知识复杂度：通用知识的平权与专属知识的壁垒

判定大厂延长线的第二个关键维度是知识复杂度。这一维度关注的是应用运行所需的数据和知识，对于模型而言是否容易获取、解析并直接加以利用。

在坐标轴的底部是通用知识。随着上下文窗口的无限扩大，模型实际上已经实现了对企业公开知识库的全量吞噬。例如，共享服务中心 SSC 这类应用，其知识源主要是显性的行政、人事或财务手册，模型通过上传文档即可实现高准确率的问答，这使得传统的知识库应用价值大幅缩水，原本依赖于初级知识治理和数据清洗的应用失去了生存空间。

然而，当视角移向坐标轴的高处，即涉及隐性知识与业务机理的深水区时，情况则截然不同。隐性知识往往存在于行业专家的经验中，或是隐藏在业务机理之后。这些专属知识是应用厂商深厚的护城河。

象限博弈：大厂吞噬区与护城河区的边界划分

基于任务复杂度和知识复杂度的交叉分析，我们可以构建出一个清晰的象限图谱，以此来界定不同应用场景在智能体时代的危险等级。

图 3：大厂延长线分析模型

处于第三象限的 " 大厂吞噬区 " 是风险最高的地带。在这个象限里，大厂的模型原生能力可以直接覆盖所有的核心需求。

典型如前端代码生成，由于前端语言具备高度的通用性且有海量的公开库供模型训练，大厂的 Coding 产品在这一领域展现出了统治级优势。垂直应用厂商在此区域几乎没有还手之力，其应用极易被大厂产品作为免费功能直接吸收。

位于第二象限的 " 融合共生区 " 则展现了一种中等风险。这些应用通常处理的是简单的单点任务，但其背后的知识壁垒极高。例如行业专用的数据库或供应链风险管理系统，虽然其功能只是简单的风险预警，但其背后庞大的私有规则库和历史数据是大厂难以触及的。

对于此类应用，大厂的策略往往不是取代，而是将其作为插件接入自身的生态系统，形成一种大厂提供模型底座、应用商提供知识插件的融合模式。比如，ICT 领域数据库的 IDC、金融领域的数据终端 FactSet，均已接入了 AWS 的 Quick Research，成为该产品背后的知识供给商。

第四象限的 " 流程重塑区 " 则蕴含着变数。这里的应用涉及复杂流程，但所依赖的知识相对通用。虽然其业务逻辑复杂，但大厂有可能通过多智能体编排技术，让不同的智能体协同去完成原本需要复杂系统支持的销售流程。这一区域是应用厂商需要高度警惕的战场，因为大厂可能会使用轻量化的智能体编排逻辑来重构原本笨重的软件架构。

以 CRM 为例，销售人员在线索、商机、合同等模块构成的传统应用中，必须依次点击、录入并遵循预设的逻辑路径。而大厂利用其多智能体协作能力，可以将这一长链条彻底解构。

当销售人员通过自然语言下达一个模糊意图时，大厂的超级智能体可以同时启动多个专项智能体：一个智能体负责挖掘线索，一个智能体负责调用企业知识库生成竞品对比分析，一个智能体根据历史服务客户挖掘同类标杆案例。在这种模式下，原本人工执行的 CRM 变成了由智能体驱动的全新销售应用。

最后，第一象限的 " 护城河区 " 是应用厂商最坚实的阵地。这里汇集了涉及端到端复杂流程且具备极高专属知识壁垒的应用，如 ERP 系统或银行核心交易系统。

这些系统对数据私有性、系统确定性和事务一致性的要求极高，完全无法容忍基于概率的模型随机性。在这些领域，大厂的定位将长期维持在基础设施提供者，而难以染指具体应用。

03

生态重塑：应用厂商的生存抉择与大厂的进击边界

前两个章节，我们提供了一张关于大厂越界的风险地图。本章将把这张地图转化为行动指南。在这场范式迁移的博弈中，大厂与应用厂商双方都需要重新审视自身的价值定位，在吞噬与防御、扩张与克制之间寻找新的动态平衡。

应用厂商的突围之道

对于深耕垂直领域的应用厂商高层而言，当前的局势引发了深刻的生存焦虑。面对核心业务是否会被侵蚀以及如何重塑护城河等问题，应用厂商必须跳出标准化产品逻辑，转而构建基于知识壁垒与流程深度的防御体系。

处于第三象限 " 大厂吞噬区 " 的应用厂商面临着最紧迫的转型压力，厂商唯一出路是实现向第二象限的迁移。这意味着厂商必须从单纯的功能提供者，转变为行业隐性知识的注入者。

以 BI 工具为例，其重点工作在于深度整合特定的行业分析逻辑。比如，将银行分支行长的分析决策逻辑内化在应用中，从而将 BI 工具升级为分支行长所需要的日常分析报告。

对于代码生成类应用，则需要转向具有高复杂度的后端业务代码生成。比如，部分厂商开始聚焦于嵌入式语言，为生产制造等企业提供后端代码生成服务。

而在第二象限 " 融合共生区 "，应用厂商的战略重点应转向插件化生态。应用厂商应主动拥抱大厂生态，将自身定位为大厂超级智能体背后的专业插件。

典型如上一章节提及的 IDC 和 FactSet，通过成为 AWS 的插件，与大厂形成深度合作关系。由此，厂商不仅能有效规避大厂的正面竞争，还能借助大厂的流量入口实现业务规模的快速扩张。

需要注意的是，这种转变对于厂商的商业模式也会产生连锁影响。厂商原本的订阅付费模式，大概率会转向按用量或按调用次数收费。

针对第四象限 " 流程重塑区 "，应用厂商策略应侧重于能力原子化。应用厂商需要将自身复杂的业务流程能力进行模块化解构，使其变得更容易被调度和集成，也就是 API-First 的原则。

一方面，企业自身 AI 应用越来越多的时候，必然涉及到业务流程变革。此时基于原子能力重塑应用比从技术架构层面重构应用，成本更低、速度更快。此类应用厂商将是企业首选。

另一方面，在大厂计划打造超级智能体来重构业务流程的背景下，大厂需要丰富的企业级智能体组件。当前企业级智能体组件多为技术组件，而缺少业务组件，第四象限应用厂商就是业务组件的最佳提供商。当大厂超级智能体需要完成某一特定领域的复杂任务时，应用厂商需要保证自己的应用 API 处于第一顺位，从而成为流程中不可替代的执行节点。

最后，在第一象限 " 护城河区 "，应用厂商处于暂时的安全区，但必须加速现有业务的 AI 赋能。厂商应致力于自研智能体，从而使自身应用在复杂流程和知识之上，升级为能够预测风险、自动优化的应用。

例如，ERP 厂商此前在解决供应链全流程风险管理问题，未来通过 AI 赋能，将增加供应链解决方案能力。ERP 不仅能预测供应链风险，更能给出替代解决方案。

大厂的生态构建

与应用厂商的防御姿态不同，大厂的高层在应用层更多是在考量投资回报与战略聚焦。大厂掌握着算力、模型与流量的三重优势，如何在维护应用层生态体系的同时，实现商业价值最大化，成为了大厂制定市场进入策略时的核心考量。

在第三象限 " 大厂吞噬区 "，大厂的战略最为坚决，即采取内嵌至模型或平台的自研策略。诸如通用知识库、智能问数、代码助手等未来将是模型的基础能力。

在第二象限 " 融合共生区 "，大厂会表现出战略上的克制，构建生态是最佳策略。此类专属知识需要漫长的行业积累与维护，对于大厂而言投入产出比并不高。通过生态伙伴，大厂可以最快速度补齐平台在专业领域的短板。

大厂真正的战略主战场其实在于第四象限 " 流程重塑区 "。在这里，大厂目标应当是重做某一应用。

比如某大厂计划重塑销售应用。过去，应用厂商打造了 CRM 销售管理工具、销售辅助与培训工具等，目标都是赋能销售更好的面向客户成单。大厂则计划通过对于销售线下数据全量采集、标注，并训练专门的销售模型，并基于此提供金牌销售应用，直接替代销售人员实现成单。应用厂商已经搭建的工具都是大厂销售应用的组件，而大厂的销售应用是最终的超级智能体。

而在第一象限 " 护城河区 "，大厂的策略应回归到基础设施提供者。这一区域的业务逻辑复杂，且容错率极低，大厂在该区域成功概率低。相反，通过提供模型、算力、开发者工具等支持，大厂可以帮助这些核心应用厂商实现 AI 转型。

未来的竞合关系

综上所述，应用厂商与大厂之间的关系正在从简单的分工协作转向一种更为复杂的竞合模式。在这一新范式下，界限的消融并不意味着一方的消失，而是双方能力的重组。

这种共生关系的建立，要求应用厂商必须在知识或者任务两者之间选择自身的竞争壁垒。应用厂商应致力于成为细分领域无可替代的服务提供商，并在此基础上寻求差异化的生存空间。

对于大厂而言，维持生态的开放性与透明度将成为其能否在应用层真正站稳脚跟的关键。大厂的全新智能体应用，需要吸引更多具有高价值专属知识、复杂业务流程能力的应用厂商加入，才有可能成功。

在新的生态体系中，大厂与应用厂商进行新的利益绑定与能力互补，将构筑起智能体时代应用层的基本轮廓，并推动整个商业世界向更高维度的智能化阶段演进。

注：点击左下角" 阅读原文 "，下载完整版《2026 爱分析 · AI 科技厂商系列研究报告（一）》。