文｜刘诗雨
编辑｜孙静
今年 8 月，美团核心本地商业 CEO 王莆中公开反思了美团在 AI 变革早期踩过的坑：
2 月初开源智能体 OpenClaw 在全球爆火，美团开启「全员养虾」运动。10 万名员工养了 8 万只「龙虾」，两周做出 10 万个 Skill，日均 Token 账单高达上千万元。
但结果是，提效还没见着，权限管理、模型幻觉等问题先冒了出来，Agent 产生的谬误干扰了真实经营。
美团拥有一两万名研发和技术人员，仍没能绕开这笔学费。这也是当前不少企业所面临的集体尴尬：上岗的 Agent 越来越多，但生产力未必同步提升。
智能体如何从单点提效升级为可扩展、可审计、可管控的组织智能，正成为企业 AI 落地的现实挑战。
01
Agent 批量上岗后
薛定谔的增效
2026 年开始，Agent 批量拿到工牌。IDC 今年 7 月的一项调查显示，95% 的受访企业至少有一个由公司出资的 Agent 工作流投入生产，平均每家公司运行着约 11 个 Agent 工作流。
但一些企业很快发现：新的问题出现了。
一类是 Agent Demo 做得很酷炫，但一上线就会挂。「它对业务的 Know-how 的理解与落地有很大的差距。」上海数花信息科技创始人周阳发现，一些中小企业缺少内部知识库沉淀，经营分析管理仍在沿用 Excel 表格，但老板一开口就是「运营效率太低，能不能上 AI？」
某中小型跨境电商公司的员工透露，公司要求各部门自建 Agent，她所在部门有七八个 Agent，但 Agent 幻觉问题比较严重，碰到稍微复杂的任务，她仍会打开 ChatGPT。
另一类问题发生在 Agent 批量生产和治理环节。某互联网大厂员工告诉《降噪 NoNoise》，公司已经有 AI 中台替全公司开发 Agent，不过各个业务部门都会按照自己的需求搭 Skills 和工作流。由于缺乏统筹，Agent 被重复开发。
算法工程师秋风还发现，单个的 Agent 试点很容易成功，推广到更多部门时很快就会碰上复杂的组织问题。比如说员工多年摸索出的系统用法、口口相传的业务经验，以及从未写进文档的工作规则，Agent 看不见、也继承不了。遇到多个 Agent 协作时，就可能出现内耗和「打架」。
值得注意的是，多个 Agent 犯错时，错误会沿着工作流累积。按照最简单的串行可靠性模型，如果三个环节的 Agent 各自只有 70% 的成功率，整个链路的成功率就会降到 34.3%。
▲ IDC 调查显示，67% 的企业 AI Agent 项目超预算
这种落差，也导致企业 AI 落地中出现了「薛定谔的增效」：Agent 越造越多，员工也能讲出效率提高的个例，但在算总账之前，没有人能知晓 AI 变革是否真的为企业增效。
反映到企业主对 AI 的态度上，去年大家还在急切想了解「这个 AI 能做什么」；到了今年，问题变成—— AI 能不能懂我的业务？Agent 之间能不能协作打通，避免重复建设？有没有 Agent 效果评测和治理工具？
02
企业 AI 下一站
智能体工厂成竞逐焦点
当 Agent 从试点走向规模化应用，企业 AI 落地的重点也从造出单个智能体，转向搭建一套能够规模化生产和管理智能体的 AI 基础设施。
今年外滩大会上，上海交通大学上海高级金融学院兼聘教授、高金智库研究员邬瑜骏发布的研究报告指出，企业级智能体正在告别「模型为王」，智能体 Harness 编排与治理层正成为新的增长极。
从产业趋势来看，智能体超级工厂已成为全球科技大厂瞄准的重点。
如微软推出 Microsoft Agent Factory，将 Agent 的开发、部署、共享、管理和治理整合进一套体系，帮助企业把零散试点推向正式生产；甲骨文也推出了 Oracle AI Database Private Agent Factory，客户可在企业数据库内构建运行和治理智能体。AWS、谷歌等科技企业也已相继布局类似方向。
在国内，蚂蚁数科率先推出智能体超级工厂方案。这个「工厂」以 Agentar 平台为核心，支持企业低门槛规模化制造 Agent，并支持智能体大规模协作、交付结果。
▲蚂蚁数科智能体超级工厂展示区
同样是造工厂，各家的路径并不相同。微软和甲骨文依托办公平台、云和数据库进入业务，蚂蚁数科的 Agentar，则更像是从产业一线中「长」出来的。
蚂蚁数科的智能体超级工厂首先将行业 Know-how 形成标准化的智能体组件。
智能体要进入真实业务，必须先理解行业、理解企业。但现实是，许多企业要么没有数据清洗能力，要么缺少知识库沉淀，很难自建一个懂业务的专属 AI 平台。
蚂蚁数科的优势在于「近水楼台」——在此前服务金融、能源、交通、零售等行业数智化升级的的过程中，通过与客户一起做核心场景的定义和智能体的编排规则，沉淀了大量行业 Know-how。
那些项目落地中反复出现的业务对象、逻辑关系和判断规则，被整理成 AI 能够理解和调用的结构后，可通过 Skills、数字专家模板、知识库等模式进行标准化输出，变成行业智能体平台。
公开信息显示，Agentar 已经提供数百项 Skills、数字专家模板和连接器，企业可以在这些行业通用能力基础上，接入自己的业务、系统和权限规则，做到开箱即用。这样既能快速部署，又能避免重复建设带来的资源浪费。
▲ Agentar 技能展示
仅在金融领域，Agentar 在已经落地超过 300 个智能体。
2026 年外滩大会上，蚂蚁数科推出 Agentar 金融、能源两大行业版本，将行业模型、Agent Harness 和智能体专家团嵌入生产、协作和管理流程。其中，金融版围绕客户经营、风控、理赔等金融核心场景，让多个 Agent 按照业务分工协作；能源版则围绕「源网荷储碳」，组织预测、策略、交易和风控等数字员工共同完成任务。
智能体进入生产流程后如何稳定执行任务，是企业关注的另一个重点。
这就涉及到智能体的底层模型能力和智能体的 Harness 工程。
通用大模型追求泛化能力，蚂蚁数科的行业大模型主要面向企业场景，所以在模型训练中更看重能否行业知识的理解，并在严谨性、安全性和性价比上同时满足生产环境的要求。也因此，当企业注入私有化数据，可以快速打造一个企业级模型。
在智能体工程化方面，蚂蚁数科同样转为行业应用场景做了适配。
蚂蚁数科技术总监魏长征介绍，企业智能体本身有行业属性，同行业会有在专业领域生产智能体、数据链接的相似能力，也有共性的追求指标，比如快速响应，聪明好用，节省 token 等。「在处理同样的任务上，蚂蚁数科智能体的 token 消耗可能是同样产品的 30%、40%。」魏长征说。
除此之外，蚂蚁数科的智能体工厂，还有一张比较独特的底牌。智能体进入真实生产环境后，除了「智能」，还需要「可信」。尤其是在即将到来的智能体经济中，智能体会走出企业，比如供应方智能体需要与采购方智能体协作、消费者的智能体也可能会调用商家的智能体，不同企业、不同平台的智能体需要一层可信连接和协作。
而蚂蚁数科长期投入的区块链、数字身份、隐私计算和安全风控，处理的正是身份确认、权限划分、数据保护和操作追溯等问题。当智能体开始代表用户或企业行动后，这套能力正好可以被重新组合到智能体超级工厂中。
当然，一座智能体工厂无法替企业完成所有 AI 改造。每家公司仍要梳理自己的数据、管理权限和业务流程，行业模板也需要结合具体业务继续调整，但它扎扎实实地降低了行业共性能力被一遍遍从头建设的成本。
03
AI 价值链反转
蚂蚁数科迎来「主场时刻」
在外滩大会期间，蚂蚁数科国际事业部负责人李世炜给出了一个判断，AI 产业链的价值分布即将从「正三角形」翻转为「倒三角形」。也就是说随着产业逐渐成熟，上游的模型层价值占比下降，中间层和 AI 应用层的价值将迅速提升。
当模型能力已经拉平后，在产业侧的场景理解力、AI 工程化落地能力和客户信任力开始被重新定价。
在海外市场，Palantir 率先跑通了这条路，成为在 AI 时代增长最快的公司之一。它长期服务政府和大型企业，把客户分散的数据、业务逻辑、操作流程和权限组织起来。大模型兴起后，Palantir 推出人工智能平台 AIP，并通过 AIP Bootcamp 让企业客户带着真实数据和业务问题入场，在较短时间内搭出能够运行的 AI 应用。
▲ Palantir 人工智能平台 AIP
这套方法把 Palantir 过去多年积累的数据治理、业务理解和软件工程能力，变成了一个可以快速复制的 AI 产品体系。随着 AIP 商业化提速，Palantir2025 年营收同比增长 56%。
如今，类似的刷新也正在蚂蚁数科身上发生。
「只有把整个 AI 价值交付出来了，客户才会买单。」赵闻飙接受媒体采访时提到，过去两年，蚂蚁数科的业务年均增长达到近 50%，其中 AI 业务增长达到三位数，已经成为新增长引擎。
在金融、能源、交通等行业的数字化转型中，蚂蚁数科过去十多年企业数字化服务积累下来的对行业理解力与深厚的客户信任基础。它做的不只是交付一套软件，而是和客户一起梳理数据、改造流程、解决具体业务问题。大量行业经验，也正是在这个过程中沉淀下来。
所以，当企业从数字化走向智能化，大模型厂商还在拿着「锤子」找「钉子」，而蚂蚁数科是在离企业最近的地方，卡位 AI to B 的三个关键控制点——
一是打造安全、灵活，能够让客户快速构建 AI 应用的智能体工厂；二是解决数据编排、清理和治理问题，把沉淀在企业内部的数据真正盘活；三是根据不同业务场景匹配模型，在效果、安全与成本之间找到平衡。
这三项能力，实际上对应着企业 AI 落地最难的三个环节：把业务问题变成 Agent，把数据变成 AI 能够复用的生产资料，再把模型能力变成可以交付的业务结果。
当这三项能力都被平台化之后，蚂蚁数科开始加速从以大客户项目制交付的收入结构，逐渐转向平台化、标准化产品化驱动。
这也是蚂蚁数科如今强调「AI 价值交付」「AI 原生应用收入」「平台化 ARR」三个核心经营指标的原因。
AI 价值交付，衡量的是 AI 能不能真正进入客户的生产系统；AI 原生应用收入，意味着经过验证的 AI 能力开始从项目中抽离出来，形成可以规模化交付的产品；而平台化 ARR，则进一步要求这些能力能够被不同客户持续使用和复购。
这也是 AI To B 业务真正具备规模效应的前提。目前，蚂蚁数科 AI To B 业务增速已经达到三位数，大型客户中采购 AI 服务的比例接近 20%；平台产品 ARR 增速达到 60%，客户净收入留存率（NRR）超过 110%。
从这个角度看，智能体「超级工厂」的意义也不只是帮企业批量生产和管理智能体，其也在改变蚂蚁数科的商业模式。
换言之，AI 成为增长新引擎的背后，蚂蚁数科也迎来主场时刻，成为智能体时代 AI 基础设施的重要一环。
推荐阅读
登录后才可以发布评论哦
打开小程序可以发布评论哦