-
行业资讯
INDUSTRY INFORMATION
对AI前景的评估，早已超越了单纯比拼模型参数的阶段，真正决定其商业价值的其实在于技术能否被组织有效吸收并转化为实际生产力。因此，本文将引入经济学家卡萝塔·佩蕾丝的“技术—经济范式”理论，将AI的扩散过程划分为导入、转折与展开三个阶段。通过分析产业逻辑如何从金融叙事回归生产交付，探讨AI Agent在其中的关键作用，以及企业在数据治理、人机协作与默会知识资产化方面面临的挑战与机遇，为企业在AI技术周期中的战略布局提供深度参考。
一、技术革命的演进逻辑：从导入狂热到理性展开
卡萝塔·佩蕾丝在《技术革命与金融资本》一书中，将通用技术的扩散过程概括为“发展大浪潮”，其核心在于揭示了金融资本与生产资本在动机上的根本差异：前者热衷于追逐叙事与纸面增值，而后者则更关注可持续的利润产出。基于这一框架，AI技术的演进同样遵循着导入期、转折点与展开期的路径。
导入期：技术破门与资本狂热
导入期通常包含“闯入”与“狂热”两个阶段。在2022年11月ChatGPT问世之前，AI尚处于闯入期，资本与科技巨头虽已开始布局，但彼时AI更多被视为局部提效的可选工具，并未形成大规模普及；如今，ChatGPT的出现瞬间将AI推向了狂热阶段，采用门槛的骤降引发了全球性的“AI + X”浪潮，文案写作、创意生成等应用如雨后春笋般涌现。
尽管从2025年下半年起，市场关于AI泡沫的讨论日益增多，但融资数据依然显示出强劲的增长势头。2025年全球私营AI公司融资额约为2258亿美元，这一数字显著高于2024年的1004亿美元。然而，AI供给的扩张速度明显快过了企业的采纳速度，这种叙事愿景与实际交付之间的错位，清晰地预示着产业逻辑即将迎来关键的“转折点”。
转折点：从叙事逻辑回归生产逻辑
转折点是技术革命中最为剧烈的阵痛与制度重构阶段。此时，由金融资本主导的狂热泡沫因与现实生产脱钩而破裂，市场的关注点被迫从PPT上的宏大愿景转向真实的生产交付，技术扩散的动力源也不再单纯依赖金融驱动，而是受制于生产逻辑与组织的接纳能力。
随着AI应用从概念演示转向对交付结果的检验，Agent（智能体）成为了这一转折点的关键载体，即它不再仅仅是一个响应指令的聊天工具，而是能够在明确边界内拆解目标、调用工具并实现持续交付的执行单元。这一转变标志着AI发展正式从“讲故事”进入了“做实事”的阶段。
展开期：机制扩散与成熟趋稳
展开期可进一步细分为“协同”与“成熟”两个阶段：在协同期，AI技术与现有的制度环境、需求结构相互促进，并在企业内部实现规模化的渗透；进入成熟期后，AI的扩散趋于稳定，超额收益开始收敛，竞争的重心转向成本控制，金融资本也随之转向寻找下一轮更具想象力的新叙事。
二、转折点的关键变量：AI Agent与交付能力的重塑
在佩蕾丝的理论中，转折点往往表现为金融狂热、资产泡沫与现实生产长期脱节后的剧烈震荡，但在本轮AI扩散中，这一过程更应理解为一种“确定性交付逻辑”对“概率性叙事逻辑”的替代，以及对“为AI而AI”现象的出清。当生产逻辑重新占据主导，落地的有效性不再取决于模型有多“聪明”，而在于它在受控边界内能否形成完整的执行闭环。
判断AI是否成功跨越转折点，主要依据三个标准，即“连通性、交付力与ROI”，前两者决定了AI能否嵌入运营流程，后者则决定了这种嵌入能否长期持续。
（1）连通性门槛的显著下降
长期以来，高昂的连接成本一直是阻碍企业落地AI的核心难题，每增加一个系统或数据源都意味着额外的工程投入与持续的维护成本。然而，自2024年底以来，随着智能体互操作协议的逐渐成形，集成工作正从“一次性工程”转向“协议化体系”。
以MCP（Model Context Protocol）与A2A（Agent-to-Agent）为代表的机制，正在推动不同模型、框架与外部系统走向更统一的接入方式，并支撑起更复杂的多智能体协作：前者规范了数据连接的标准，后者则定义了智能体间的通信规则。这意味着企业不必再反复进行低效的定制化集成开发，而是可以转向在统一连接框架下进行调用管理与风险控制。连接成本的下降，为多智能体系统从局部接入走向广泛的业务扩散扫清了障碍。
（2）交付力的实质性提升
交付力的提升，核心在于AI能否从“锦上添花的助手”转变为“扛起指标的队友”，而CB Insights将智能体划分为两个等级：一类是“带护栏智能体”，它们主要在受限环境中，依托结构化工作流完成特定目标，其决策空间被严格的流程与权限所约束；另一类则是“完全自治智能体”，能够在较少人类介入的情况下，进行更复杂的决策、更强的适应与更完整的任务执行。
在落地的早期阶段，交付力主要体现在“可控自动化”上。通过调用少量、确定性强的技能（Skills）处理高频重复环节，AI得以先在真实的业务场景中站稳脚跟。随着落地场景的不断丰富，技能库会持续扩充，智能体能够处理的任务复杂度也将逐步提升，从而具备向“完全自治智能体”演进的条件。对企业而言，更为务实的路径是采取“先轻后重”的策略：先在低风险、相对简单的场景中确立稳定的交付流程，再逐步向更高层次的规划与决策迈进。
（3）ROI的合理化回归
随着AI从泡沫叙事回归财务硬约束，此时对ROI的考量并非单纯追求数值“转正”，而是实现数值的“合理化”——过去，互联网平台往往愿意先烧钱换流量，后寻求变现，因为梅特卡夫定律下，连接的用户越多，网络效应越强，且服务新增用户的边际成本趋近于零。相较之下，AI的逻辑截然不同，它更体现为“实时消耗”，即每一次交互都对应着真实的算力与运维支出，这意味着如果用户需求长期停留在“说个笑话”等非必要、低质量场景，此类流量不仅难以沉淀为资产，反而会成为企业的“算力负担”。
这意味着，AI的规模化红利不再来自用户数的简单扩张，而来自交付机制的标准化与稳定化。麦肯锡2025年6月的调研数据揭示了当前“高采用率、低转化率”的困境：约八成的公司尚未获得实质性收益。转折点要出清的，正是那些缺乏明确落地场景，或依然延续旧时代“烧钱”逻辑的企业。
具体来看，ROI的合理化主要体现在两类能力的形成：其一是工程经济性，即通过将AI嵌入结构化工作流，交付过程从“一次性试错”转型为“标准化的数字生产单元”，随着任务链条被进一步模块化，技能的复用性随之提升，企业在切入新场景时往往以差异化配置为主，而非从零开发，从而有效压低成本；其二是治理合规性，AI的引入往往伴随“责任真空”，因此在转折点阶段，企业必须重塑权责治理框架，确保AI的执行路径可留痕、可审计，异常可定位，必要时可回滚。只有当管理上的不确定性被纳入可控范围，AI才能转化为长期可核算的生产力。
三、展开期协同阶段：从局部验证到规模化渗透
如果说转折点标志着信任的“质变”，解决了AI能否落地的问题；那么展开期的协同阶段则开启了规模的“量变与裂变”。此时，企业估值从纸面叙事回归真实价值，金融资本与生产资本重新融合，已被验证可行的AI新范式被持续复制，并在产业的毛细血管中实现规模化渗透。
在佩蕾丝的理论中，协同阶段意味着技术、制度与需求结构开始相互强化，并由此开启更广泛的繁荣，但在AI浪潮中，决定扩散速度的往往不是外部需求的爆发，而是组织内部的贯通能力。若无法先在内部跑通交付、治理与复用的完整流程，任何需求侧的放大都难以转化为可持续、可规模化的扩张。
因此，这一阶段的重点在于组织层面的扩散机制与难点突破，这不只是局部效率的提升，更是实现协同繁荣的前提。在实践中，扩散并非无规律的遍地开花，而是遵循“由点及面”的规律：首先在少数需求明确、可度量、流程化的环节跑通，再沿相邻流程逐步扩散至外围部门。与此同时，智能体的集群协作不仅提升了处理非标任务的精度，更通过分工降低了整体风险，推动AI走向规模化的业务部署。
进入协同阶段后，最大的难点往往不再是模型本身，而是数据。高质量数据是AI模型训练和运行的基础，但企业在真实部署中普遍面临数据质量不稳、口径不一和“数据孤岛”等问题。Gartner在关于GenAI项目放弃的判断中，将“数据质量低下”明确列为关键原因之一；与此同时，Splunk的全球调查显示，组织中约55%的数据属于“暗数据”，常以邮件、录音、合同和非结构化文档等形式沉淀在系统与部门之间。
换言之，AI目前缺的不是“更多数据”，而是“能进入生产闭环的数据”，这主要包括两类：一类是尚未被有效利用的暗数据，另一类则是充满模糊性、错误、异常值和不可用记录的低质量数据。随着智能体的普及，数据的使用逻辑发生了深刻改变：当员工让AI替自己查询、撰写时，AI的输出又会反过来沉淀到知识库中，成为新的数据资产。虽然数据开放越多，AI越“聪明”，但一旦数据在调用、生成和回写中持续流动，越权、误用和泄露的风险也会随之上升。
因此，未来的领先者将是那些能把分散的数据、规则与业务细节组织成可持续调用的生产资源，并让数据在安全边界内实现最大化流转的组织。
四、展开期成熟阶段：基础设施化与人机关系的重构
佩蕾丝所描述的成熟阶段，更多着眼于技术范式的后段演进，强调收益递减、竞争收敛与资本转场——相较之下，我们更应关注AI深度嵌入组织后的深远影响：部署红利消退，AI逐步沉入生产与管理的基础层，成为类似电力的通用能力，这也意味着AI不再是领先者的额外优势，而是越来越接近企业留在牌桌上的基本条件。
此时，竞争重心也随之发生转移：企业真正比拼的，是谁能凭借更优的成本结构与更稳健的治理体系，实现从“寻找增量红利”向“守住存量利润底座”的切换。正因为如此，金融资本开始从这一轮技术范式中抽离，转而追逐下一轮更具想象力的新叙事。与此同时，Physical AI（实体智能）早已跨越了前期外溢，频繁在更复杂的非标场景中规模化落地。单位成本的持续下降与交付质量的高度可预测，构成了AI在复杂场景走向持续商业化的关键条件。
OpenAI董事会主席Bret Taylor指出，AI Agent代表的是一种全新的软件范式，但实际应用中，许多企业的定位仍停留在“高阶助手”阶段，止步于生成内容、总结信息等辅助性工作。这种思维瓶颈阻碍了企业下放执行权，导致AI始终无法触及治理与责任的核心。
到了成熟阶段，认知与运用的错位将被矫正。企业不再把AI视为局部增效工具，而是将其纳入责任体系，作为能够承接结果的“组织单元”。相应地，变革并非“在原流程里加一段自动化”，而是围绕AI重新设计分工、流程与交付闭环。此时，企业的运作体系可进一步拆解为三层：
- 在方向层，人类管理者作为长期变量的掌控者，主要面向季度、年度乃至更长周期，致力于设定战略目标、合规红线，保留关键决策的人工裁定权，并负责风险把控与全局纠偏；
- 在执行层，AI作为短期变量的执行主体，主要面向日、周或实时变化的任务，实现从响应到交付的全流程，突破组织运营的效率边界；
- 在沉淀层，人类与AI共同作为中期变量的承载者，主要面向双周、月度等复盘与优化周期，将执行过程中的得失转化为操作手册、例外处理规则等可复用资产，并进行持续优化。
在新运作体系下，人机关系也会从“助手”走向“队友”，从单点协作走向多智能体集群协作，“一个人指挥一组 agents”将成为常态。正如零一万物联合创始人马杰所描述，人类负责战略决策与目标设定，更像目标架构师；AI成为执行引擎，由多智能体协作网络构成执行系统，实现全流程自动化。
