文 | 正見(jiàn) TrueView，作者 | 林書(shū)，編輯 | 詠鵝

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(qiáng)大的 GPT-5 發(fā)布，有人高呼 "AI Agent 時(shí)代真的來(lái)了 "，也有人持謹(jǐn)慎態(tài)度，認(rèn)為 "GPT-5 是對(duì) 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(gè)人站長(zhǎng) "，既充滿草根精神，又面臨殘酷淘汰。曾被捧為 " 國(guó)運(yùn)級(jí)產(chǎn)品 "、內(nèi)測(cè)邀請(qǐng)碼一度炒至 10 萬(wàn)元一個(gè)的 AI Agent 產(chǎn)品 Manus 退出中國(guó)市場(chǎng)，更是為這一賽道添了一把火，引發(fā)廣泛熱議。

實(shí)際上，Manus 的窘境，也正是當(dāng)下部分 Agent 類產(chǎn)品的共同寫(xiě)照。

盡管 2025 年被冠以 "AI Agent 元年 " 之名，Agent 類產(chǎn)品迎來(lái)了爆發(fā)式增長(zhǎng)，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(chǎng)契合度（PMF）等多重挑戰(zhàn)。

具體而言，Agent 產(chǎn)品的開(kāi)發(fā)與運(yùn)營(yíng)成本高昂，但用戶付費(fèi)意愿較低，商業(yè)化模式尚未成熟。銀河證券 2025 年報(bào)告數(shù)據(jù)顯示，AI Agent 行業(yè)的平均用戶獲取成本（CAC）高達(dá) 50 美元 / 用戶，而平均用戶生命周期價(jià)值（LTV）僅為 20-30 美元，表明多數(shù)產(chǎn)品仍未實(shí)現(xiàn)盈利。

此外，多數(shù) Agent 產(chǎn)品體驗(yàn)未達(dá)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(zhǎng)期粘性。那么在元年光環(huán)之下，AI Agent 賽道是否只是一場(chǎng)虛假繁榮？

繁榮下的結(jié)構(gòu)性困境：AI Agent 的 " 單點(diǎn)困局 " 與 " 組織鴻溝 "

從總體來(lái)看，當(dāng)前的 AI Agent 市場(chǎng)，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(gè)深層次的結(jié)構(gòu)性問(wèn)題：一是 Agent 類產(chǎn)品普遍為 " 單點(diǎn) " 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(chǎng)景（如信息檢索、報(bào)表生成、任務(wù)自動(dòng)化），但缺乏對(duì)企業(yè)生產(chǎn)鏈條中多個(gè)環(huán)節(jié)的協(xié)同整合能力。這種 " 單點(diǎn) " 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(lái)說(shuō)，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(gè)工具的任務(wù)時(shí)，常出現(xiàn)卡頓、失敗或耗時(shí)過(guò)長(zhǎng)的問(wèn)題。

以 Manus 為例，不少用戶發(fā)現(xiàn)在測(cè)試中一旦任務(wù)涉及多個(gè)工具（如文件 + 郵件 + Notion + 云盤），Manus 就常常會(huì)在執(zhí)行中卡住、步驟結(jié)果傳遞錯(cuò)誤，或耗時(shí)超過(guò)一小時(shí)。這反映出了此類 Agent 應(yīng)用缺少顯式記憶機(jī)制，以至在多輪對(duì)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(wú)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(jìn)行 " 根據(jù)數(shù)據(jù)繪制圖表 " 的任務(wù)時(shí)，完成的狀態(tài)、質(zhì)量也十分潦草，難以達(dá)到 " 合格 " 要求。

而從組織結(jié)構(gòu)上來(lái)說(shuō)，當(dāng)前很多企業(yè)實(shí)際上并未完成適應(yīng) AI 時(shí)代的 " 人機(jī)協(xié)作 " 轉(zhuǎn)型。

一個(gè)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(méi)有顯著提效。

原因就在于，在企業(yè)的實(shí)際運(yùn)作中，一段代碼從寫(xiě)出來(lái)，到真正 " 用得上 "，往往要經(jīng)歷需求澄清、任務(wù)拆解、代碼開(kāi)發(fā)、審核、測(cè)試等多個(gè)環(huán)節(jié)，涉及跨部門協(xié)調(diào)。

現(xiàn)在的問(wèn)題不是 Agent 寫(xiě)得慢，而是企業(yè)沒(méi)有把 Agent" 嵌進(jìn)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(kāi)發(fā)時(shí)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(lái)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。

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(tīng)起來(lái)更性感、想象空間更大。對(duì)投資人而言，" 打造 AI 操作系統(tǒng) " 的故事遠(yuǎn)比 " 開(kāi)發(fā) HR 報(bào)銷助手 " 更動(dòng)聽(tīng)。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(jìn)、更全能，更能制造 FOMO 效應(yīng)。

然而，現(xiàn)實(shí)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(gè)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(duì)于個(gè)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(diǎn)外賣、訂酒店、生活規(guī)劃，這些需求本身痛點(diǎn)不深，它們通常不緊急、評(píng)估標(biāo)準(zhǔn)模糊。

用戶在這些場(chǎng)景中更關(guān)注 " 心態(tài) " 與 " 體驗(yàn) "，而非純粹的 " 效率 "。例如在點(diǎn)外賣時(shí)，人們往往更在意點(diǎn)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(diǎn)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(xiǎn)客服 Agent，能夠自動(dòng)處理常見(jiàn)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(shí)間縮短至 1 天，為保險(xiǎn)公司年節(jié)省 500 萬(wàn)美元。

在法律行業(yè)，聚焦于文書(shū)起草的 Harvey，專注解決法律文書(shū)起草痛點(diǎn)，如手動(dòng)研究耗時(shí)長(zhǎng)（每案平均 20 小時(shí)）、文書(shū)起草錯(cuò)誤率高，實(shí)現(xiàn)自動(dòng)分析法律案例和法規(guī)并生成研究報(bào)告，準(zhǔn)確率 90%，為律所帶來(lái)了直觀的效率提升。

盡管這些垂類 Agent 看上去樸實(shí)無(wú)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(diǎn)。

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(duì)特定場(chǎng)景進(jìn)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(shū)，這些任務(wù)對(duì)準(zhǔn)確率要求極高。

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

同時(shí)，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(wú)縫對(duì)接，以實(shí)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(wèn)題，跨系統(tǒng)集成需要開(kāi)發(fā)定制 API，這需要團(tuán)隊(duì)具備系統(tǒng)架構(gòu)設(shè)計(jì)和行業(yè)軟件集成的經(jīng)驗(yàn)，對(duì)技術(shù)能力要求極高。

對(duì)技術(shù)、行業(yè)知識(shí)的高要求，使得大部分中小企業(yè)難以打造出有競(jìng)爭(zhēng)力的垂類 Agent。

現(xiàn)階段，包括 BAT、字節(jié)在內(nèi)的大廠，都擅長(zhǎng)做平臺(tái)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(diǎn)或簡(jiǎn)單輔助。此外，很多企業(yè)做了大量 POC（概念驗(yàn)證），但真正投入規(guī)?；褂玫暮苌?。

根據(jù) ThoughtWorks 報(bào)告披露，因?yàn)闃I(yè)務(wù)協(xié)同不足與運(yùn)營(yíng)成本高，高達(dá) 88% 的 AI POC 未能進(jìn)入大規(guī)模部署。研究發(fā)現(xiàn)，每家公司推出的 33 個(gè) AI 概念驗(yàn)證項(xiàng)目中，只有 4 個(gè)能夠進(jìn)入生產(chǎn)階段。

究其原因是互聯(lián)網(wǎng)大廠更擅長(zhǎng)做 " 通用能力 + 流量和平臺(tái) "，而真正把垂類行業(yè)的臟活、定制、合規(guī)、實(shí)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(dòng)力并不十分匹配。

跨越市場(chǎng)鴻溝：出海抉擇與本土價(jià)值驗(yàn)證

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

對(duì)國(guó)內(nèi)大部分 AI 企業(yè)來(lái)說(shuō)，" 合規(guī)性 " 要求下使其發(fā)展高度依賴國(guó)產(chǎn)模型能力，然而國(guó)產(chǎn)模型與美國(guó)頂尖模型之間仍存在代際差距。

與國(guó)內(nèi)模型相比，Claude Opus 4 等國(guó)外先進(jìn)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(cuò)率更低。

且在上下文長(zhǎng)度上，也已做到百萬(wàn)級(jí)別。在嚴(yán)格按照格式、生成長(zhǎng)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(guó)內(nèi)模型尚難實(shí)現(xiàn)的水準(zhǔn)。

在這樣的大前提下，國(guó)內(nèi) AI 應(yīng)用創(chuàng)業(yè)者需要付出更大的努力，來(lái)彌補(bǔ)模型能力與市場(chǎng)期望間的價(jià)值差距。這意味著團(tuán)隊(duì)在場(chǎng)景設(shè)計(jì)、數(shù)據(jù)工程、模型理解、市場(chǎng)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(jià)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(chǎng)對(duì) AI 產(chǎn)品的估值更為慷慨，1 萬(wàn)日活即可支撐 1 億美元估值。也就是說(shuō)，1 個(gè)日活用戶就價(jià)值 7 萬(wàn)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(guò)模型能力的比拼。

隨著 2025 年 OpenAI、Anthropic 等巨頭紛紛開(kāi)始布局自有的 Agent 產(chǎn)品，為了保持競(jìng)爭(zhēng)優(yōu)勢(shì)采取 " 模型斷供 " 策略，將使套殼類 Agent 的優(yōu)勢(shì)迅速瓦解。

例如前段時(shí)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(méi)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(guó)內(nèi)市場(chǎng)，資本們留給 Agent 賽道的耐心亦不會(huì)太久。盡管垂直領(lǐng)域大模型及應(yīng)用廠商口號(hào)不斷、標(biāo)桿案例宣傳頻出，但 Agent 未來(lái)能創(chuàng)造多少真實(shí)經(jīng)濟(jì)效益，仍是個(gè)未知數(shù)。

但可以肯定的是，目前的 Agent 已經(jīng)在客服、營(yíng)銷、數(shù)據(jù)分析等流程明確、規(guī)則固定的場(chǎng)景里，切實(shí)展現(xiàn)出降本增效的價(jià)值。有這些商業(yè)化場(chǎng)景托底，Agent 在今年就不會(huì)全然是一個(gè) " 泡沫 "。

而未來(lái)更大的商業(yè)化突破，則有待 Agent 在某些高價(jià)值的垂類領(lǐng)域，例如金融、醫(yī)療等場(chǎng)景真正發(fā)揮出變革性作用，而這則需要技術(shù)演進(jìn)、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。