2026年被業內公認為是智能體商業元年，智能體商業正式從“樣板試點”邁入“產業落地”新階段。8月17日，支付寶在杭州召開國內首個聚焦智能體商業落地的生態合作夥伴大會，正式發佈國內首個全端智能體商業底座、AHA（Agent Hub Access）多智能體跨端互聯協議體系。目前，支付寶超級服務智能體“阿寶”已完成萬餘項服務AI化升級，跨端服務覆蓋5大主流手機品牌、16家主流車企，商家接入需求火爆，大量開發需求已排期至明年。 Part 01 智能體商業元年啟幕 “智能體商業將在未來6至12個月迎來爆發。”在此次大會上，螞蟻集團首席執行長韓歆毅給出這樣的預判。 在他看來，當下網際網路行業流量見頂、獲客成本高企，產業增長陷入瓶頸，而智能體將補齊商業全鏈路最大短板——資訊轉化效率。“AI的發展從生成式創作、程式碼編寫，進化到智能體，如今已經可以在多場景自動執行、完成複雜任務。技術已經成熟，商家需要提效，商業模式可落地、可持續，這是智能體商業即將爆發的核心原因。”

筆記君說： 今年春節，騰訊、阿里和字節還在撒錢搶AI使用者。幾個月後，三家公司卻同時換了方向，把人、產品和資源瞄準AI辦公。 半年之內，戰場從紅包、奶茶和流量，轉到了企業的文件、資料和工作流程。 這次轉身說明，AI聊天產品雖然能帶來很大的流量，商業模式仍沒有完全跑通。辦公場景離企業的業務和付費更近，也成了大廠必須爭的新入口。

7月以來，騰訊加快AI處理程序。 從人事變動看，騰訊AI研發正從分散探索轉向集中統籌，以應對大模型競賽中日益緊迫的效率與迭代要求。7月23日，騰訊宣佈將混元大語言模型部門與多模態模型部門合併，組建基礎模型部，由首席AI科學家姚順雨統一負責。 產品端同步提速。7月17日，騰訊雲WorkBuddy與李未可科技達成戰略合作，發佈首款接入WorkBuddy的X-AI記憶眼鏡，切入硬體生態；7月18日，WorkBuddy獨立App上線，覆蓋iOS、Android、鴻蒙三端。7月22日，騰訊旗下創意智能體Miora全量上線。據第三方報告，2026年6月WorkBuddy月訪問量已突破2000萬，居國內桌面端AI原生辦公智能體平台首位。 短短數周內，騰訊幾乎在AI賽道上同時扣動了扳機。但騰訊的AI野心與資本的耐心之間，正在上演一場微妙的博弈。

輝達為旗艦工作站DGX Station推出Agent Toolkit軟件工具包，用戶僅需三步、約30分鐘即可在本地部署並運行AI代理。同時輝達將Agent Toolkit與Omniverse模擬平台結合，進一步拓展了其工作站端AI智能體的應用場景。 輝達正在將其Agentic AI生態從雲端數據中心向桌面端延伸。公司近日宣佈，為搭載GB300 Blackwell Ultra GPU的旗艦工作站DGX Station推出Agent Toolkit軟件工具包，用戶僅需三步、約30分鐘即可在本地部署並運行AI代理。 Agent Toolkit的核心價值在於大幅降低Agentic AI的使用門檻。此前，運行復雜的AI代理通常依賴雲端GPU叢集，對中小開發者和企業團隊存在算力獲取成本和部署複雜度的雙重阻礙。 DGX Station本身已是輝達最強大的工作站PC，配備GB300 Blackwell Ultra GPU，而Agent Toolkit通過高度簡化的設置流程——僅需三個步驟即可完成軟件部署——讓開發者在桌面端就能運行復雜的AI代理任務。

【新智元導讀】截胡OpenAI，中國黑馬搶先交卷！今天，全球首款大模型 原生AI智能體手機STEPX Neo亮相，底層搭載智能體原生系統Step AOS，直接顛覆60年來的傳統人機互動邏輯。 全球第一台大模型原生智能體手機，出現了！ 就在今天，階躍星辰在發佈會上一口氣拋出三樣東西—— 全球首個大模型原生AI終端品牌STEPX；

過去兩年，大模型的競爭主要圍繞模型能力展開，而隨著 AI Agent 快速進入開發、辦公和科研等場景，行業關注點正在發生變化：如何讓Agent安全、自主、可靠地完成真實世界中的複雜任務，以及當數以百萬計的Agent開始在網際網路上相互協作、談判和交易時，人類社會將迎來怎樣的重塑？ 在 Google DeepMind 最新一期播客中，研究科學家 Nenad Tomasev 圍繞 AI Agent 的未來展開了討論，內容涵蓋 Agent 的定義、科研應用、智能體安全（Agentic Security）、智能體經濟（Agentic Economy）、認知單一化（Cognitive Monoculture）以及分佈式智能（Distributed Intelligence）等多個話題，並提出一個值得關注的觀點：未來 AI 的演進方向，未必是單一的超級 AGI，而更可能是由大量專業智能體協作組成的智能體社會。 01. 從生成文字到執行行動，Agent相較於模型的重要意義 要洞察這場變革，首先要理解 LLM 與Agent之間的本質區別。雖然Agent在底層依然依賴 LLM 作為“大腦”來制定計畫，但其核心進化在於增加了一個能夠與現實世界互動的“外殼”（Harness）。

這週科技大廠的動作集中在一個詞：Agent。 GoogleI/O大會上，新模型只講了 3 分鐘，剩下四分之三的時間全部給了 Agent： Gemini Spark 定位為 24 小時個人智能體，Antigravity 2.0 升級為多 Agent 編排平台，直接對標 Claude Code 和 Codex。 杭州阿里雲峰會上，從千問雲到新應用，高管們反覆提到的也是 Agent。

一、當“智能體”不再只是概念，企業為何仍在徘徊？2025年以來，AI Agent從技術圈的討論熱點迅速蔓延至企業戰略層。德勤在近期報告中指出，Agentic AI正在從“提效工具”向“決策核心”躍遷，企業面臨三大路徑選擇。然而，與輿論熱度形成反差的是，多數企業在實際落地中依然舉棋不定或舉步維艱：技術架構選型混亂、組織流程未做相應調整、投入產出難以量化。一個更本質的問題擺在面前：AI Agent究竟是一場技術升級，還是一次組織變革？如果答案是後者，那麼單純採購工具或搭建平台，很可能只是“新瓶裝舊酒”。二、從“人機協作”到“智能體協作”的結構性重構AI Agent在企業中的業務模式，並非簡單的“把流程自動化”，而是在認知層面實現了三重躍遷：從規則執行到意圖理解、從單點任務到多步推理、從被動響應到主動規劃。這意味著企業需要重新定義人與機器的分工邊界。例如，在客戶服務場景中，Agent不再只是回答預設問題，而是能根據上下文主動提出解決方案；在供應鏈管理中，Agent可以即時協調庫存、物流與需求預測，形成動態決策閉環。這種結構性重構要求企業將業務流拆解為“可Agent化”的原子單元，並建立資料中台與知識圖譜來支撐Agent的推理基礎。三、降本、增收與新商業生態的三重變現從AI Agent盈利模式來看，並非單一線性。首先，最直接的收益來自營運效率提升：通過替代重複性認知勞動（如報告撰寫、資料分析），企業可大幅削減人力成本，行業實踐顯示成熟場景可實現顯著成本最佳化。其次，Agent能通過精準推薦與即時最佳化創造增量收入，例如電商平台利用Agent進行動態定價與個性化行銷，轉化率提升顯著。更深遠的模式在於，企業可將Agent能力封裝為訂閱式服務或API介面，輸出給上下游合作夥伴，形成平台化收益。不過，盈利的可持續性取決於Agent的“可復用性”與“可擴展性”，這要求技術架構天然支援跨場景遷移。四、認知推理、自主規劃與系統協同的不可替代性與傳統RPA（機器人流程自動化）或決策樹相比，AI Agent的核心優勢體現在三個維度：一是認知推理能力，Agent不僅能執行指令，還能理解模糊意圖並分解任務；二是自主規劃能力，面對複雜問題可動態生成執行路徑，並在執行中根據反饋調整；三是系統協同能力，通過A2A協議實現跨Agent、跨系統的資訊交換與任務編排。亞馬遜AWS的實踐表明，企業級Agentic架構需要將推理引擎、記憶模組、工具呼叫與安全護欄四個核心模組解耦設計，才能兼顧靈活性與可控性。這種優勢使得Agent能夠處理那些“規則寫不清楚、但人可以憑經驗處理”的灰色地帶任務，從而真正替代部分腦力勞動。五、四大落地路徑的適用場景與取捨邏輯當前市場上，企業級AI Agent的建構大致可以歸納為四種主流形態：技術編排流、模型生態流、獨立極客流和業務底座流。技術編排流強調通過低程式碼平台（如LangChain）編排LLM與外部工具，適合快速原型驗證，但長期維護成本高；模型生態流依附於單一供應商（如OpenAI的GPTs），生態成熟但存在被鎖定的風險；獨立極客流追求完全自研Agent框架，技術壁壘高，僅適合AI能力強的企業；業務底座流則將Agent深度嵌入企業原有業務系統（如ERP、CRM），通過“場景驅動”逐步擴展，是當前大中型企業的主流選擇。比較而言，業務底座流在深度與靈活度之間取得了較好平衡，但其對組織資料的標準化要求極高，這恰恰是許多企業的短板。六、技術碎片化、組織壁壘與評估缺失的三重困境儘管前景誘人，AI Agent在真實環境中的落地仍面臨嚴峻挑戰。第一，技術碎片化：不同Agent框架之間缺乏統一介面，Google雖提出A2A協議，但產業落地仍需時間；同時，Agent的“幻覺”問題尚未根本解決，在高風險場景（如金融交易）中可能造成嚴重後果。第二，組織壁壘：Agent的跨部門協作需要打通資料孤島，這往往觸及既得利益與流程慣性，行業調研顯示，組織適配不力是企業落地失敗的首要原因，遠高於技術因素。第三，評估體系缺失：傳統KPI無法衡量Agent的“決策質量”或“自主程度”，企業難以判斷投入是否有效。德勤建議建構“Agent-ready”的內生能力，包括人才、流程與治理的同步轉型，但這需要管理層自上而下的決心。七、資料主權、倫理邊界與可解釋性的底線要求合規風險是AI Agent從試點走向規模化的“一票否決項”。首先，Agent在感知與推理過程中會大量接觸企業內部敏感資料（如客戶資訊、財務資料），一旦通過工具呼叫洩露至第三方模型，將觸犯資料安全法。其次，Agent的自主決策可能產生歧視性結果或意外行為，比如在招聘場景中因訓練資料偏差而拒絕特定背景的候選人，這不僅涉及倫理問題，還可能引發法律訴訟。此外，Agent的“黑箱”特性使得審計困難，金融、醫療等強監管行業要求決策可追溯、可解釋，而當前主流大模型尚難完全滿足。企業應在架構層面嵌入“安全護欄”，包括權限分層、資料脫敏、人工審批節點與行為日誌，同時為Agent設定明確的“決策紅線”，確保任何情況下人類都有最終干預權。八、從“能力孵化”到“生態融合”的演進路線展望未來，AI Agent在企業側的演進將遵循“試點→平台化→生態化”的三步曲線。短期（1-2年），企業應聚焦高價值、低風險的場景（如智能客服、知識管理），通過“人機協同”積累經驗；中期（3-5年），隨著A2A協議與安全標準成熟，Agent將從單點工具演化為企業級數字員工平台，支援跨系統編排與動態擴展；長期（5年以上），Agent將深度融入產業鏈，形成跨組織的智能協作網路，正如雲端運算重塑IT基礎設施一樣重構商業邏輯。對企業家而言，現在的關鍵可能已經不是追問“要不要用Agent”，而是思考“如何設計Agent的組織介面”：誰為Agent的結果負責？Agent與員工之間如何考核、問責、協作？這些組織適配問題，遠比技術選型更能決定成敗。建議企業設立“AI Agent治理委員會”，由業務、技術、法務代表共同制定使用手冊，並定期開展壓力測試，在可控範圍內加速探索。 (數字新財報)