技術狂飆，需求涌現，新舊交替，未現終局，行業亢奮并焦慮著。

文｜周享玥

編｜趙艷秋

2026年上半年，智能體落地江湖劇變。“技術進步速度遠超想象。”中工互聯董事長智振形容自己進入了“亢奮狀態”，99%的精力都砸在技術上，泡在客戶現場推動場景與技術結合。“只要能把東西做好，肯定有人買。”

然而，技術浪潮的狂飆突進也引發了企業的普遍焦慮。一位大廠人士透露，自己今年見到的幾乎所有企業都在問：技術架構變得太快，我們已經投入成本建了一套智能體系統，現在OpenClaw出來了，要不要推倒重建？去年做的智能體項目又會不會被淘汰？

技術狂飆與決策迷茫并行，構成了這一輪智能體落地的底色。新舊架構之爭如何破局？客戶需求正在發生哪些根本性轉變？以及，當智能體從邊緣試點走向核心業務，這場競爭的下半場將沿著什么路徑展開？

01

舊地圖，已經作廢

OpenClaw的產品設計和理念，給行業帶來了很多啟示，也給全行業帶來沖擊，開發效率、產品形態、人員結構、軟件邏輯全面重寫。

AI應用能力成為核心考核標準。“我們現在考核人的唯一標準就是使用大模型的能力。”智振說。“一個人用得好，抵得上兩三個用不好的人”。中關村科金總裁喻友平介紹，今年3月公司內部發起OpenClaw創新大賽，員工跨部門組隊直接構建“龍蝦應用”，收到95個對應具體業務動作的好點子，部分已經內部推廣落地。

產品形態也在劇變。喻友平認為，OpenClaw讓行業意識到了“企業級智能體架構不能再圍繞‘聊天窗口’設計，而要圍繞‘工作任務’設計。”過去不少智能體產品，本質上還是“大模型+知識庫+對話入口”，很難承擔企業級任務。企業真正需要的是能理解任務、調用工具、使用知識、遵守權限、輸出結果、接受評測的工作系統。智能體建設走向業務人員，讓一線人員將經驗沉淀為Skills，交付對象變成“數字員工”。

市場已經快速響應，不論是騰訊、字節、阿里、百度等大廠，還是一線智能體落地廠商都紛紛推出了自己的類“龍蝦”產品。“原來可能只能做一些簡單的審批場景，現在已經可以做自主作業場景，新增場景機會變多。”眾數信科聯合創始人汪中說。

與架構變革并行的，還有開發效率的飛躍。去年12月大模型編程能力實現巨大突破。“同樣人數下，我們現在同時能做的項目起碼翻一倍。”汪中說，現在PoC已經很少，“上來首先看Demo，輔助客戶去理解。接著要么直接試用產品，要么直接談項目交付。”因為搭建一個完整可運行的場景demo，“基本一天之內就可以搭出來”，生產力提升巨大。

智振舉例，以前做BOM（物料清單）要一條條從下拉框里選，現在做一個Claw小工具，即便只記得一個零件名字，輸入后系統就能自動遍歷數據庫、思考校驗，返回標準Excel表格。“這個功能去年并不是完全做不到，但得用向量庫，又得用模糊匹配一大堆技術，搞半天效果也不太好；今年就簡單了，龍蝦相當于調度殼子，做個簡單skill對接數據庫即可。”

智能化程度也在飆升。“5月比1月至少強了10倍。”智振說，以前想做個從圖片或文字識別物料碼、生成無差錯采購單的智能體，開發好幾個月都達不到工業級準確率，1月以前幾乎就只是個PoC，難以真正落地。現在只要想出來就能做，且智能體可以反復搜索、校驗、審核，實現多智能體協同，準確率大幅提升。

智能體也在重構傳統軟件范式。過去軟件以“年更”迭代，如今“軟件日拋”已成為現實。喻友平介紹：“傳統軟件范式的重構比想象中來得更快。”企業發現AI可以通過“意圖驅動”直接跨系統完成任務，他們對傳統SaaS的耐心就在急劇下降。這是在短短幾個月內集中爆發的。

在工業領域，“工業設計仿真，這一輪顛覆很大。”中工互聯智振指出，CAD、CAE等曾被稱為“工業皇冠上的明珠”的CAX軟件，正面臨顛覆性變革。過去依賴長期代碼沉淀和龐大模型庫建立的堅實壁壘，如今正被AI打破。“1月份我還說工業軟件可能有3~5年的壁壘，現在想想一點都沒了。”

智振判斷，工業智能體的到來已經是“何時全面展開”的問題，時間窗口只有1-2年。“首先，今年就沒有工業軟件這一說了，所有上信息化的企業都會加上智能體。”以前工廠要采買十幾、二十套軟件，每套中可能99%的功能一輩子都用不到。現在只需針對具體場景貼身生成輕量算法，效果更好、成本更低，還能將CAD、CAE、MES、PDM等高度融合。未來軟件將不再是功能大而全，而是基于需求和應用場景化，做價值和功能交付。

02

新舊架構之辯：一定要推倒重來？

技術浪潮的快速更迭，“新與舊”問題成為企業焦慮點。不少企業陷入兩難：前幾年已投入成本搭建的智能體系統，是否要因OpenClaw 等新框架推倒重建？過往落地的項目又會不會被快速淘汰？

中關村科金喻友平認為，“企業面臨的核心問題不是原來的系統有沒有價值，而在于原有架構是否足夠開放靈活。”新舊體系的差別在于，新范式強化了兩個方向：企業級智能體要圍繞任務和崗位Skills來組織；智能體系統要具備更強的開放性、可擴展性和持續運營能力。去年企業建設的系統如果采用開放式架構，模型、工具、知識庫等能力解耦，適配新的Skills體系、接入新工具協議、升級新框架的切換成本相對可控，很多能力能在原有底座上繼續演進。反之，如果是封閉式、強綁定、煙囪式建設，今年就會感受到比較大的架構壓力。

“企業現在最關心的不是追哪個最新框架，而是避免被技術路線鎖死。因為智能體還在快速演進，企業級架構必須留出足夠的彈性。”喻友平說。

眾數信科汪中則給出另一層洞察：客戶不關心用什么范式，只看效果。但凡能落地通過驗收的項目，在限定場景內效果已經達標，客戶不會要求一定要用新范式改造舊場景，他們更希望用新范式去做原來做不了的新場景。

“OpenClaw走紅后，不少老客戶找到我們探討新場景。”汪中舉例稱，某水務行業頭部企業就曾在今年主動詢問，“小龍蝦”范式是否能做一些去年做不了的場景。此前，他們已成功落地智能體應用。目前雙方正基于新范式，推進工藝調度和漏損預警兩個新場景的智能體落地。

實際上，從2023年Agent概念興起后，行業里一直存在兩條路線：一類是工作流（workflow），另一類則是更偏自主規劃的Agent。今年出現的OpenClaw、Hermes等就是后一條路線的典型代表。

“大家原來買的平臺大部分是工作流平臺，但現在多智能體協同的智能程度和泛化程度遠超工作流平臺。”汪中表示，給客戶演示過多員工合作概念的產品原型后，客戶都會傾向于用這個范式基座去做。

但新舊技術架構也并非完全替代關系，而是各有適用場景。

在企業內部，存在著大量規則固定、流程嚴謹、結果高度確定的場景，用工作流已能很好解決。比如合同審查、文案生成等，流程和知識相對固定，用工作流最好最快，自規劃路線反而會燒掉大量額外的token，從效率和成本上看并不劃算。一些簡單的數據分析和趨勢分析，也適合工作流。

而以OpenClaw為代表的多智能體協同、自規劃的新范式，則適合泛化性更強，無法窮舉流程的場景。其最大優勢在于開放性，可與工作流形成互補。

汪中舉例，在設備預測性運維場景，針對已發生故障的診斷，由于流程和知識相對固定，沿用工作流模式即可；但價值更高的隱患預測，因無法窮舉異常規則，原來很難解決，現在則可以通過多智能體框架模擬人類專家經驗進行推理分析。目前準確率已提升至90%以上，且系統具備持續學習能力。

不過，新范式規模化落地仍面臨不少挑戰。汪中坦言，企業客戶雖認可其價值，但普遍頭疼級安全落地問題。“智能體增速明顯，但場景建設中敢用自規劃結構的占比還比較少，大家對底層框架不夠信任，還需要驗證。大范圍鋪開還有賴于一個企業級框架的出現。”他判斷OpenClaw并非技術終局，“一定會有新的框架不斷出現”，智能體技術將持續迭代，適配企業復雜場景的成熟方案仍在演進中。

03

客戶側有哪些新需求？

2026年上半年，智能體落地需求顯著提速。智振觀察到，客戶群體愈發多元，沒有任何企業再懷疑AI的價值，只是“想花多少錢干多少事”。需求形態也明確升級：“以前給客戶做的copilot，他們說不要了，以后要以智能體為主，而不是以人為主。”

業務部門采購積極性大增，甚至超過IT部門。百度智能云AI與大模型平臺總經理忻舟透露，他們服務的港口、制造等行業多家客戶中，都出現了業務部門主動提需求、甚至直接采購的情況。一位行業人士也證實，“業務部門說好用那就上，不好用那就不用干了”，業務體驗成為核心決策依據。

采購邏輯也在改變：客戶雖認可平臺底座價值，卻已不再為裸平臺付費。眾數信科汪中直言，“脫離場景，賣基礎平臺已經賣不出去了。一定是有一個很強的業務核心場景為引導，才能把這些平臺、基建作為必要模組被帶進去。”這種轉變直觀反映在預算結構上，以汪中服務的幾家頭部企業為例，平臺、算力基建采購占比大幅下降，資源正加速向場景智能體傾斜。“去年如果是六四開，現在可能是倒過來的四六開，智能體訂單量起碼50%以上的增長。”市場要么按需彈性擴容算力，要么直接構建專屬場景智能體；鮮有客戶再先行采購商業版Dify或HiAgent等通用平臺，再另行規劃場景落地。

“大家現在都是言必談場景，而且算賬算得很細。”汪中說，“你不要跟我講虛的能力建設，我現在就想問這個東西我能用在哪？123456里面，ROI排名最靠前的優先做。”ROI的計算方式也在深化，除準確率、專家一致率等傳統指標，部分頭部央國企今年已引入FTE測算法，以核心人工工時替代率作為關鍵衡量參數。

同時，客戶更看重企業級完善功能。“今天你給我看個demo，質量很好，但我不會讓它直接上。我一定會問知識權限怎么分權管控，怎么做多次校驗，跟現有業務流程結合還需要哪些改造，怎么通過客觀數據來驗證。”汪中說，客戶開始更加關注落地，更加關注配套的這些可控性和安全性，以及跟現有業務的新業務流程的結合性。

此外，知識工程的重要性正顯著提升。汪中指出，模型層差距持續縮小，決定智能體效果的關鍵已轉向Agent層的知識構建。過去企業常將知識工程簡單等同于文件庫建設，不愿為此額外付費，但“養龍蝦”讓他們切身體會到，僅靠讀取文檔遠遠不夠，必須灌入大量經驗——這些經驗正來源于知識工程。因此，企業現在構建場景時，普遍更愿意投入資源，建設通用行業知識庫或企業專屬知識庫，來為后續其他場景的應用提前做儲備。

《2026愛分析·央國企Agent落地進展研究報告》也顯示，2025年智能體項目的成功率在央國企內部約為70%，低于傳統IT項目平均水平。其中，數據與知識質量已成為最首要失敗原因。“去年不少央國企基于開源產品搭建智能體平臺，但開源產品在知識治理方面基本空白，這成為落地應用中的致命問題。”愛分析聯合創始人兼首席分析師張揚認為，知識治理應該是智能體落地的前提和標準。

04

下半場剛剛開始

智能體仍處于價值驗證過程中，遠未到遍地開花階段。德勤2025年8–9月對全球超3200名企業高管的調研顯示，僅25%的企業將智能體推向了生產環境，落地周期也從最初預估的3個月拉長至18個月。不過今年上半年，技術的快速發展正帶來深刻變化。

業界對于智能體落地，提出了越來越復雜的維度，從最初看token消耗量，到看覆蓋率、核心系統接入token的數量，以及Agent在企業內自主完成閉環的效率。

從覆蓋率看，先行者已從單點轉向范圍復制。眾數信科汪中表示：“去年客戶更多選幾個小場景做閉環試點，僅滿足基礎提效，如今多數客戶已進入全鏈條業務梳理階段，全面評估業務場景并制定分期建設計劃，今年、明年、后年各做什么，統籌推進。”他認為，二三線城市中小企業受資金、人才、時間門檻限制，智能體應用普及度仍然較低，To B市場仍需一兩年時間才能將成本降下來。

一些高價值場景正加速出現。百度云忻舟舉例，前兩年智能體技術和產品尚未達到生產級可用，很多是低質調度，比如拿大模型做數據清洗或原來小模型也能做的事。但隨著模型和智能體技術發展，已經開始產生一批真正有價值的應用。例如百度伐謀在某港口提升集裝箱搬運效率，效果超過客戶原有系統。

在船舶海洋行業，眾數信科正與長航集團、武漢理工合作開發航行任務規劃智能體。船從重慶出發開到上海，智能體會根據水文、航道、過閘排隊、港服補充、裝卸貨等情況，實時計算最經濟的航速和燃油計劃。“這是原來船長干的事情，直接好處就是省油。”汪中表示，目前他們已在船舶貨運公司兩大塊核心業務切入，對接的也不再是中后臺部門，而是船管部、機務部等核心業務部門。但距離覆蓋核心業務的全鏈條還有距離，“我覺得再有一兩年應該可以做得很深了。”

在工業領域，產品設計和生產一向被認為是最核心的環節。智振舉例說，以前要畫圖，現在都是Text to CAD/CAE，幾小時就能設計出來一臺“看起來挺好”的變壓器，但難點在于“受約的隨機設計”——工業設計必須考慮產線能力和庫存等硬約束，確保產品不僅外觀好且具備可制造性。“產品設計分為兩塊，前面畫圖（CAD/CAE）和后面管理（BOM生成），目前，BOM部分AI應用已經沒問題，CAD/CAE部分仍有一定難度，但下半年應該就ok了。”

智振說，他們也在探索設計生產一體化。過去CAD設計、生產等環節互為孤島，底層數據模型不統一，未來將是模型驅動，以工業大模型統一定義產品模型、工廠模型和工業模型，業務流基于人機交互運行。但需先將原有數據清理至高質量，投入巨大。

中關村科金喻友平也介紹，在汽車智能營銷場景中，以往客戶購買的是“效率工具”，現在智能體能夠交付“高意向線索轉化”的業務結果。在某車企利用大模型外呼智能體進行客戶聯絡的項目中，他們交付的是營銷電話接通率、高意向客戶派發率、客戶加微率等結果指標。

行業落地邏輯的迭代，也推動智能體廠商發展策略全面升級。廠商們普遍從“什么都做”轉向聚焦特定行業和場景。眾數信科將精力聚焦于船舶海洋、教育、招投標審查三條核心產品線，做深做透，今年計劃業務經營上增長50%左右。中工互聯同樣強調聚焦，今年目標是深耕到幾個很特定的大客戶和特定場景下，做出客戶“離不開你”的價值。

與此同時，FDE（現場深度交付）能力已成為智能體規模化落地的核心競爭力。愛分析報告顯示，75%的央國企更看重供應商是否具備駐場調研、業務診斷、閉環交付等工程能力。

為此，各大廠商紛紛強化FDE體系建設，百度智能云打造了專業FDE團隊，搭配AI FDE智能輔助能力，深入客戶業務一線；中關村科金推出內部AI工程師認證體系，針對FDE等關鍵崗位重塑能力模型，打造具備深厚行業Know-How與工程落地能力的高端復合型人才梯隊，確保智能體項目的規模化高質量交付。中工互聯也依托FDE模式解決工業復雜場景落地難題。“現在不去駐場，你根本做不了。”智振說。

當智能體從試點嘗鮮走向范圍復制，從邊緣業務加速走向核心生產環節，智能體的下半場故事才剛剛開始。