搜索
同样是Agent项目，生在淮南还是淮北，命运截然不同。——水哥
IDC与Microsoft的研究显示，成功进入生产规模的AI Agent，全球平均回报率达到171%，美国市场更高达192%。
Forrester与Anaconda的数据却反映出同一个市场的另一面：86%至88%的Agent试点从未投入生产。Agent的商业高回报与量产的大面积失败形成了鲜明对比。
问题不再是AI能否创造价值，而是组织以什么载体、在什么治理条件下，能够稳定承接Agent的产出。
腾讯集团高级执行副总裁汤道生在2026年全球数字生态大会上的判断与此呼应：“当前企业落地Agent最大的问题，不是模型不够强，而是断点太多。”
一、传导断裂：个人更快了，企业没有
McKinsey 2026年全球调查给出了这组断层最精确的统计骨架：80%的受访者报告AI提升了自己的个人生产力，但只有37%的组织能将至少部分EBIT影响归因于AI，这一比例与上一年完全持平。真正将AI贡献至少5% EBIT且影响“显著”的高绩效者，仅约6%。高绩效者与其他组织最显著的差异不是模型或预算，而是工作流重设计。近四分之三的高绩效者从根本上重设计了工作流，其他组织仅约四分之一。
个人效率计量的是“一个人是否做得更快”，企业利润计量的是“一个流程是否产出了可归因、可重复、可审计的结果”。两者之间没有自动传导的管道，必须通过构建工作流、权限结构和问责关系，去构建这个管道。
当Agent从“回答”进入“执行”，失败模式发生质变。个人Agent的错误局部可逆，服务Agent的错误沿流程传播。但是服务Agent控制层的建设速度，远远快于可审计性的建设速度。Nylas 2026年下半年的调查显示：54%的企业在过去90天内经历过Agent错误，最常见后果是触发需要团队反向执行的工作流，只有53%的企业能够完整产出审计日志，事故率随部署规模加速上升，1至5个Agent的组织为45%，超过20个Agent的组织达到70%。Deloitte调查显示，仅21%的组织为自主Agent建立了成熟治理模型。Gartner预测，到2027年底超过40%的Agentic AI项目将因成本攀升、商业价值不明确或风险控制不足而被取消。
Agent被部署的速度，最终不会快于它被验收、审计和归因的速度。腾讯云副总裁、腾讯云智能产研负责人吴永坚把这条边界讲得更具体：Personal Agent以个人为中心，由使用者自己指挥、自己判断结果。Service Agent站在企业角度，要考虑不同的权限、不同的安全、能分享给谁。前者是2C的生意，后者是2B的生意。
微软CEO Satya Nadella的论述同样强调了权限分离的重要性：“最值得信赖的Agentic系统，不会是我们最信任其模型的那个，而是被设计成让我们可以最不信任其模型的那个。”核心原则是“把智能的供给与对智能的权限分离”，决定Agent能访问什么、能采取什么行动的控制，必须位于模型之外。Gartner的分析同样将治理与身份基础设施列为规模化Agentic AI的先决投资。
运行时治理的方向正在从“事后审计”转向“运行时预防”。ServiceNow的AI Passport以密码学签名凭证在运行时校验Agent的授权范围。腾讯云的产品化路径也在走向同样的目标：行为可控、过程可溯、数据可管。治理不是部署后附加的策略文档，而是Agent从诞生起就带有的属性。
Agent的回报高度依赖“能否跨过量产门槛”，而非模型本身。
二、让服务Agent从试点难产，走向大规模量产
2026年Agent市场重心正从“构建”转向“运营”。Futurum Research的判断是：Agent的能力已经变得充裕，结构性的可治理性仍然稀缺，没有后者，企业只拥有半套解决方案。
Agent与业务之间的连接层标准化已经在迅速成熟，但这些并未同步转化为治理层的成熟。Stacklok 2026年7月的调查显示，虽然41%的软件组织报告MCP已进入生产，受治理的企业级生产环境仅占5%。稳定性鸿沟、治理真空和安全悖论不是三个孤立的技术问题，而是同一个结构性缺口：Agent的动态行为没有被动态地治理，企业仍在用为确定性软件设计的控制体系，来管理一个非确定性的执行主体。
真正的差距在进入生产环境，嵌入企业生产流程与高频交互入口之后才暴露，企业级Agent的竞争正从模型能力转向交付入口、编排治理和商业化体系。
Agent要跨过试点到量产阶段的鸿沟，必须回答一组完全不同的问题：没人在旁边盯着的时候，它还能不能稳定运行？它做过的每一个动作，事后能不能查到？出了故障，责任落在谁头上？吴永坚把企业落地Agent的困难概括为四类：数据（合同、发票、更新记录分散，口径不统一）、身份与系统（网络、身份、权限需要反复连接）、效果与成本（上线后效果、成本、故障都要看得见、跟得住、改得了）、使用与协作（建了那么多Agent，员工怎么找得到、用得上、持续反馈）。这四类困难对应的是同一件事：服务Agent从试点走向生产，需要接入、构建、执行、约束、分发五项能力相互咬合。
腾讯云ADP平台正是围绕这个价值链路进行布局的，配套的ADP FDE交付方法论把项目落地总结为接入、建设、验证、推广、治理五个阶段，并沉淀覆盖五大行业的25个标准化场景包。
接入定义Agent以什么身份进入企业系统，重在准入与授权，而非单纯的连通性。
构建解决“隐性流程规则如何变成可交付的业务应用”。ADP最关键的变化是走向AI原生，让自然语言贯穿生成、调试、评测、发布与调优全过程。懂业务的人只需描述需求，平台就能自动理解目标、拆解任务，生成智能体。
另一个重要变化是构建对象的扩展，把智能体与站点服务结合起来。智能体负责分析与执行，站点服务承载操作页面、业务逻辑和数据状态，企业可以直接搭建端到端的完整业务应用，从“搭一个Agent”延伸到“搭一个能跑起来的业务系统”。
运行与治理让Agent的行为可观测、可纠正、可回滚。开放集成让ADP嵌入企业既有系统而非另起一套。分发与运营解决“建了多个Agent但员工不知道用哪一个”的问题。Agent Portal的统一纳管、智能路由与可观测看板，其价值不在于看板本身，而在于它触发的管理动作。
新华三每天130万次对话的数据被用于调整Token分配和激励策略。苏宁易购通过定位异常耗时、调整提示词与模型配置，将Token消耗降低10%。这些案例展示的是“运营语言”如何被实际使用，不是“Agent是否在运行”，而是“成本花在了哪个环节、延迟卡在了哪一步”。
ADP与
Agent要跨过试点到量产阶段的航路已经打通，平台已经就位，但是要真正实现在企业的大规模落地，依然要考验平台的策略与魄力，是否能够把市场各方的积极性调动起来。
把半条命交给伙伴，去最大限度延伸自己的业务边界，是腾讯的一贯策略，今天为了加速Agent在企业的大规模落地，同时扩大自己的领先优势，腾讯也选择了把半条命交出去。
标准化的场景包只解决了“可复制”的一半，另一半是“谁来复制”。吴永坚对此的判断是：模型与基础能力只解决约30%至40%的问题，接入企业内部的最后一公里才是60%至70%的难点。“厨师做好一道菜”与“经营一万家店”是两回事。这意味着最后一公里不可能由平台远程完成，必须由贴近客户的伙伴在现场补齐数据、流程与权限的前置条件。“腾讯已经多次经历这样的模式，互联网也好，AI也好，TO B也是，我们团队都在尝试系统化铺设，智能体落地也希望也这样成规模有效率地进行。”他这样分析合作伙伴对业务大规模落地的杠杆效应。
这决定了ADP的伙伴策略不是渠道代理，而是分工重构，腾讯把可标准化的70%沉淀为场景包、FDE方法论和评测用例，合作伙伴在标准之上完成30%的现场定制与组织接入。吴永坚对份额走向的判断很直接：“现在腾讯与合作伙伴彼此份额可能九一开，到后面有可能七三开、六 四开，我觉得这是个好事。”蛋糕做大而非零和，前提是标准沉淀得足够厚。伙伴拿走的份额越多，说明可复制的底座越扎实，也表示大规模的落地正在快速实现。
吴永坚接受秋水笔弹采访时进一步指出，腾讯云目前聚焦的是TO B落地的机会，Agent企业落地“还只是刚开始”，真实渗透率不高，对腾讯来说，这是做平台的机会，目标是成为国内头部的企业AI中台商。对我们的下游合作伙伴来说，这也是一个要抓住的机会，结合ADP在上面构建应用，再加上FDE交付方法论，去承接企业落地。
过去十几年腾讯产品每一次规则的变迁，往往也伴随着商业版图、流量、资金流向的变迁，如今这种变迁又再一次出现并搅动市场。吴永坚将腾讯几款产品最近推动的深度融合和协同，视为合作伙伴“抓住腾讯这一波生态红利”的关键，他对水哥表示，“我昨天跟我们的合作伙伴也说了，2027年最大的红利，在于，混元、企微、
三、采购逻辑的迁移：分水岭在组织，不在模型
把ADP放回竞争格局中看，它选择的路线会更有指向性。相比大多数平台混战“更快地搭出Agent”的通用构建器路线，ADP走的是另一条更具差异化的路，不比谁搭得快，而是比谁搭出来的东西能被组织真正接住。
为此，吴永坚对ADP的定位还进行了严格的限定：“不是通用的Agent开发平台，而是帮助企业搭建服务于数据与业务场景的Agent，能够产出清晰经营的成果。”这意味着腾讯云主动放弃了什么都能搭的市场，把平台边界划在了“对经营结果负责”这一侧。
业界也正在达成同样的共识，Gartner对107个agentic AI部署的分析给出了方向性判断：到2028年，80%的有形ROI将来自专业化、领域特定的Agent，而非通用Agent。Robert Hetu的原话是：“组织必须将成功的领域特定Agent扩展到企业级部署。”Gartner同时给出了一个案例：一家工业服务商通过自动化零件订购的数字员工，实现了每年300万美元的ROI，并节省了90,000小时。这些都在证明流程可治理性的重要意义。
Agent被当作“执行主体”管理，但其工作流程的可审计赤字仍在扩大。Gartner的数据指出：尽管token成本在下降，但是agentic工作流的推理成本到2028年将增长逾五倍，竞争因此从“单位token价格”转向“每次任务交付的全负荷成本与可靠性”。Gartner对近千案例的审查进一步显示，高级推理模型每任务消耗的token是基础聊天机器人的5到30倍，但是目前不到10%的部署能够交付出稳健正向的产出结果。
服务Agent的定价权，取决于它承担的是哪一层任务，以及那一层任务值多少钱。Bain对951家全球企业的调查提供了组织侧的注脚：仅7%的企业在生产中运行完全自主的Agent，38%需要人工批准，近40%的企业实际成本节省落在0%至10%，远低于11%至20%的目标。
Gartner的负载回收期排序，即SDR 3.4个月、客服4.1个月、财务8.9个月、工程9.3个月，本质是一张流程治理成熟度排序。回收最快的不是最智能的场景，而是边界最清晰、问责链最短的场景。
与工程化最成熟的业务，最先拿到结果如出一辙，已经拿到最强结果的企业，也是那些已经将治理和流程设计作为CEO级问题来处理的企业。企业Agent的采购逻辑将从IT工具预算转向运营预算。工具预算的决策者是CIO，衡量部署数量与采用率。运营预算的决策者是CFO与业务线负责人，衡量流程周期、单位成本与业务结果。
Agent失败的本质是治理失败。 Agent的扩散本身，就反映了各企业组织治理水平的参差不齐，它要求部署企业，具备流程复杂度和治理基础设施，把责任落实到人的头上。软通动力高级副总裁杨念农把这件事说得更直白：“AI不会对业务结果负责，一定是人负责。”
多家业界巨头的动作都在指向同样的产业共识：Agent的身份、权限和行为轨迹必须是“运行时一等对象”，必须像编程语言中的“一等公民”一样，成为运行时架构中被原生建模、被直接管理、被独立追踪的核心实体，其核心设计原则是，安全存在于环境之中，而非模型或应用之内，执行发生在Agent进程之外，默认不授予任何权限，权限基于策略授予，无法通过提示词绕过。但是目前这种身份权限的普及也不容乐观，Gartner同样指出，到2028年超过50%的AI倡议将因未解决的Agent身份挑战而停滞。
服务Agent的问责结构，不应该让Agent承担法律责任，而是让每一个Agent行动，都能被追溯到一个负责任的人类授权者。Gravitee的调查显示，85%的组织对AI Agent行为没有正式的问责安排，仅7.2%有指定的责任人。
171%的ROI与86%的试点未投入生产之间，那道未被跨越的距离，不是模型能力不够，而是组织还没有为Agent的产出，准备好承接它的运行时身份、治理边界和运营工程。ADP把服务Agent从“项目”变成“可运营的资产”，本质上是在回答这个问题。而运营资产的价值，只能由它持续运营的业务结果来兑现。
分水岭不在模型，在组织。而组织能力的规模化，单靠一个平台覆盖不了。它既需要客户侧的数据治理与流程梳理，也需要生态侧的分工承接：平台沉淀标准，FDE完成翻译，伙伴走进最后一公里。
