2026年4月，KPMG 发布了一份让整个企业软件行业不安的报告。这份覆盖全球2100余位C-suite高管的《2026 Q1全球AI脉搏报告》揭示了一组刺眼的数字：79%的CEO计划在2026年将不低于5%的资本支出投入AI——与此同时，这些CEO中的大多数承认，AI投资的实际回报远未达到立项时的预期。（来源: KPMG AI Pulse Q1 2026, 2026-04-05）

这不是一个关于”AI是否有用”的问题。这是一个关于集体行为学的问题：当绝大多数决策者明知赌注尚未兑现，却选择加倍下注时，驱动他们的究竟是什么？

答案既不是技术乐观主义，也不是数据驱动的ROI计算。答案是恐惧——一种”不投更危险”的战略恐惧，正在将企业AI投资从理性配置推向军备竞赛。而这场军备竞赛的深层逻辑，藏在一个大多数人尚未看清的架构断裂带中：企业AI正在从”Copilot式用例堆砌”向”Agent端到端系统”剧烈转型，而79%CEO的加码赌注，押的不是当前的ROI，而是Agent时代的入场券。

第一章｜数字悖论：79%加码 vs. 价值落差

1.1 KPMG 报告的核心发现：一场集体的认知失调

让我们先拆解KPMG这份报告的关键数据点。

调查对象覆盖全球2100+位高管，横跨金融、制造、医疗、零售、科技等主要行业。核心发现包括三个层面：

第一，投资意愿空前坚定。 79%的CEO表示2026年将把至少5%的资本支出投入AI相关项目。这个比例较2025年同期大幅上升。对于年营收超过100亿美元的企业，5%的CapEx意味着至少5亿美元级别的AI预算——这已经不是”试水”或”创新实验室”的规模，而是战略级的资源倾斜。

第二，价值兑现严重滞后。 报告明确指出，企业AI投资与实际价值之间存在”明显落差”（significant gap）。多数受访高管承认，已部署的AI项目在生产力提升、成本削减或营收增长方面的表现低于预期。这一发现与Gartner 2025年10月发布的调查数据高度吻合——Gartner调查显示，截至2025年下半年，仅约48%的AI项目从试点（PoC）阶段成功推进到生产部署，且其中能产生可量化财务回报的比例更低。（来源: Gartner, “Gartner Finds Nearly Half of AI Projects Make It to Production,” 2025-10-14）

第三，行业正在经历范式转移。 KPMG报告特别强调，企业AI正从”孤立用例”（isolated use cases）向”Agent驱动的端到端系统”过渡。这一判断与2026年初以来Salesforce、Microsoft、Google、ServiceNow等平台厂商的产品战略高度一致。

这三个发现叠加在一起，构成了一个经典的认知失调场景：回报未达预期 → 但投入继续加码 → 且方向正在剧变。任何一个理性的CFO看到这组数据都会问：为什么不先停下来，搞清楚钱花到哪里了？

1.2 “信仰溢价”的三重驱动力

答案在于，CEO们的决策框架已经从”投资回报分析”切换到了”战略生存分析”。这种切换由三重力量驱动：

驱动力一：竞争恐惧。 当79%的同行都在加码时，剩下的21%面临的不是”是否投资”的选择，而是”能否承受落后”的风险。这是一个典型的囚徒困境：即便每个玩家都知道当前回报不佳，但谁先退出，谁就可能在下一个技术拐点（Agent化）到来时丧失组织能力。Jamie Dimon——摩根大通CEO——在2026年4月初致股东的年度信函中明确警告了AI对就业和竞争格局的冲击。而摩根大通本身是华尔街AI投入最激进的金融机构之一。根据摩根大通2025年年报（10-K文件），该公司2025年全年技术支出总额约为170亿美元，其中AI和数据相关投入是增长最快的部分，但该公司未单独披露AI专项预算的精确数字。（来源: JPMorgan Chase 2025 Annual Report / 10-K Filing, SEC.gov）Dimon的逻辑很清楚：我知道这很贵，我知道回报还没到，但不投的风险更大。

驱动力二：沉没成本锁定。 过去3年（2023-2025），全球企业在AI基础设施、模型许可、数据管道和人才上已经累计投入数千亿美元。IDC在2025年11月预测，2025年全球AI支出（含软件、硬件和服务）将达到约2320亿美元，2026年将进一步增长至接近3000亿美元。（来源: IDC, “Worldwide Artificial Intelligence Spending Guide,” 2025-11）这些投入创造了大量的组织承诺——专门的AI团队、已签署的多年云计算合同、已部署的数据湖架构。此时”暂停”的成本不仅是财务上的，更是组织政治上的：没有哪个CEO愿意向董事会承认过去3年的AI战略是一个昂贵的学习实验。

驱动力三：Agent叙事的重新点燃。 2025年下半年到2026年初，Agent AI（自主代理）的叙事从实验室概念迅速进入产品化阶段。Salesforce的Agentforce、Microsoft的Copilot Studio Agent模式、Google的Vertex AI Agent Builder、以及一大批创业公司的涌现，给了CEO们一个新的”希望锚点”：也许之前的投资回报不佳不是AI不行，而是我们用错了方式——从Copilot升级到Agent，一切都会不同。

这三重力量叠加，创造了我所说的”信仰溢价”（Faith Premium）：企业愿意为AI支付的价格，远超当前可证明的价值，溢价部分由对未来的信仰和对落后的恐惧共同支撑。

1.3 对立视角一：这真的是非理性的吗？

有一种反驳值得认真对待：也许79%的CEO并不是非理性的，而是在进行一种合理的期权投资。

这种观点认为，AI投资的本质不是购买确定性回报，而是购买”在正确时间拥有正确能力”的期权。就像1990年代末企业大规模投资互联网基础设施，短期内大部分项目失败了，但那些坚持投入的企业（Amazon、Walmart）在2000年代中期获得了巨大的竞争优势。

这个类比有一定道理，但忽略了一个关键差异：互联网时代的基础设施投资（服务器、带宽、网站）具有相对清晰的技术路径和可复用性。而当前企业AI投资的问题在于，大量资金被锁定在即将过时的架构上——孤立的Copilot部署、点状的生成式AI用例、未经治理的数据管道。这些投资在Agent化转型中的复用价值远低于预期。

1.4 对立视角二：Agent叙事本身是否被高估？

还有一种更尖锐的反驳需要正视：Agent化是否可能像2019-2021年的RPA（机器人流程自动化）浪潮一样，最终证明”端到端流程自动化的价值被系统性高估”？

这种质疑并非没有根据。RPA的历史教训是：技术上可以自动化的流程，在组织层面往往因为例外处理、跨部门协调和合规要求而无法真正实现端到端自动化。UiPath——RPA领域的标杆企业——在2021年IPO后市值一度超过350亿美元，但到2025年底已缩水至不足100亿美元，核心原因正是企业客户发现RPA的实际ROI远低于销售承诺。（来源: UiPath公开市场数据）

Agent AI面临类似的风险：LLM的幻觉问题在自主执行场景下可能导致灾难性后果（想象一个Agent基于错误的”理解”自动执行了一笔百万美元的采购订单）；监管层面对AI自主决策的限制正在收紧——欧盟AI法案（EU AI Act）已于2025年8月开始分阶段生效，对”高风险AI系统”的自主决策能力施加了严格的人类监督要求。（来源: European Commission, EU AI Act Implementation Timeline, 2025）

我的判断是：Agent化的长期方向是正确的，但当前市场对其落地速度和ROI规模的预期存在显著泡沫。 79%CEO的加码行为在战略层面是可以理解的，但在执行层面是危险的。问题不在于是否应该投入AI，而在于大多数企业正在把钱花在错误的层——用例层而非系统层，工具层而非架构层。这正是第二章要展开讨论的核心问题。

第二章｜孤立用例的天花板：为什么 Copilot 式部署无法兑现 CEO 的期望

2.1 “效率补丁”范式的结构性瓶颈

过去两年，企业AI部署的主流模式可以用一个词概括：Copilot。

Microsoft 365 Copilot、GitHub Copilot、Salesforce Einstein Copilot、Google Duet AI——几乎每一个主要企业软件平台都推出了自己的AI副驾驶。这些产品的共同特征是：在现有工作流中嵌入一个AI助手，帮助用户更快地完成单一任务（写邮件、写代码、总结文档、生成报告）。

这种模式在2024年创造了巨大的市场兴奋，但到2026年，其天花板已经清晰可见。

瓶颈一：单点效率提升无法汇聚为系统性生产力增长。 一个销售代表用Copilot写邮件快了40%，但如果CRM数据不干净、审批流程没有变、跨部门协作仍然靠会议，那40%的效率提升会被系统性摩擦完全吞噬。McKinsey Global Institute在2025年6月发布的报告《The State of AI: How Organizations Are Rewiring to Capture Value》中估算，生成式AI工具在个人任务层面的效率提升约为20-40%，但反映到企业整体运营效率的提升仅为个位数百分比。（来源: McKinsey Global Institute, “The State of AI,” 2025-06）巨大的衰减发生在”个人效率”到”组织效率”的传导过程中。

瓶颈二：散点式部署的整合成本正在急剧上升。 一家典型的Fortune 500企业在2025年底可能同时运行着15-25个不同的AI用例：客服聊天机器人、文档摘要、代码辅助、营销文案生成、财务预测、供应链优化……这些用例通常由不同团队独立部署，使用不同的模型供应商（OpenAI、Anthropic、Google、开源模型），连接不同的数据源，运行在不同的基础设施上。

结果是什么？一个新型的”AI孤岛”问题。每个用例都有自己的数据管道、模型版本、安全策略和运维流程。当企业试图将这些孤立用例整合为统一的AI平台时，发现整合成本——数据治理、API标准化、安全审计、模型生命周期管理——往往远超初始部署成本。

瓶颈三：边际收益递减。 企业AI部署的”低垂果实”——那些技术门槛低、数据要求简单、回报可见的用例——已经在2024-2025年被大规模采摘。剩下的高价值用例（端到端流程自动化、复杂决策支持、跨部门协调）需要的不是更好的模型，而是更深的组织变革。而组织变革的速度远慢于技术迭代的速度。

2.2 Microsoft 的 Copilot 困境：一个价值千亿美元的案例研究

如果要找一个最能说明”Copilot式部署天花板”的案例，没有比Microsoft自己更好的了。

Microsoft 365 Copilot 于2023年11月正式发布，定价为每用户每月30美元。这是Microsoft历史上最大胆的企业软件定价决策之一——在已经高度成熟的Office 365订阅之上叠加一个接近翻倍的附加费用。CEO Satya Nadella 在多次财报电话会上将Copilot描述为”Office的iPhone时刻”。

但到2026年初，多个信号表明Copilot的企业采纳深度低于预期。据The Information在2025年底的报道，Microsoft内部对Copilot的用户留存率和使用频率存在焦虑，部分企业客户在试用期结束后选择不续订或缩减许可证数量。（来源: The Information, 2025-12）核心问题不在于技术——GPT-4o及后续模型的能力毋庸置疑——而在于企业用户的使用深度和频率远低于预期。

原因并不神秘：

首先，30美元/用户/月的定价意味着一家10000人的企业每年需要额外支出360万美元。 对于CFO来说，这笔支出需要对应明确的生产力提升指标。但大多数企业发现，Copilot的主要使用场景集中在会议摘要和邮件草稿上——这些是”nice to have”而非”must have”的功能，很难量化为财务回报。

其次，Copilot的价值高度依赖企业数据的质量和可访问性。 Microsoft Graph是Copilot的数据骨架，但大量企业的SharePoint、OneDrive、Teams中的数据是非结构化的、冗余的、权限混乱的。当Copilot试图基于这些数据生成洞察时，输出质量不稳定，有时甚至会暴露本不应被某些用户看到的敏感信息——这在受监管行业（金融、医疗）是不可接受的风险。

第三，也是最根本的——Copilot没有改变工作流本身。 它只是在现有工作流的表面涂了一层AI。用户仍然在同样的应用中、用同样的流程做同样的事情，只是某些步骤快了一点。这就是”效率补丁”的本质局限：它优化的是步骤，而非流程。

2.3 Salesforce 的反面叙事：从 Copilot 到 Agent 的战略转向

与Microsoft的Copilot困境形成对照的是Salesforce的战略转向。

Salesforce CEO Marc Benioff 在2026年4月初接受Economic Times采访时，对当前AI裁员潮做了一个精准的拆解。他将裁员分为三类：第一类是2020-2021年过度招聘后的纠偏；第二类是数据中心投资承诺收缩导致的调整；第三类才是真正由AI驱动的岗位重组。（来源: ETHRWorld / Economic Times, 2026-04-04）

更值得注意的是Benioff在同一采访中透露的信息：Salesforce员工总数达到历史新高，但工程师招聘已经冻结——原因是”coding agents”正在替代部分初级开发工作——同时销售相关岗位的招聘却在增加。OpenAI CEO Sam Altman甚至在同一时期公开承认，当前裁员潮中存在”AI洗白”（AI-washing）现象：一些企业以AI为借口进行本质上是成本削减的裁员。（来源: Sam Altman公开发言，多家媒体报道，2026-04）

Salesforce的Agentforce产品线代表了一种与Copilot截然不同的AI部署哲学。Agentforce不是在现有CRM工作流中嵌入一个助手，而是试图用AI Agent重构客户服务的端到端流程：从客户意图识别、到工单路由、到解决方案生成、到执行和跟进，整个链条由Agent自主完成，人类客服只在例外情况下介入。

Salesforce在2026年1月的财报电话会上披露，Agentforce已签约超过3000家企业客户，并声称早期部署企业的客服解决率提升了约40%。（来源: Salesforce FY2026 Q4 Earnings Call Transcript, 2026-01）这不是”每个客服代表快了20%”的效率补丁，而是流程层面的结构性重构。

这正是Copilot模式和Agent模式的核心区别：Copilot优化个人效率，Agent重构系统流程。 前者的ROI天花板很低，后者的ROI潜力巨大但实施难度也成数量级增长。

第三章｜Agent 转型的阵痛：从工具到系统的架构断裂

3.1 Agent 化不是升级，而是重建

理解当前企业AI困境的关键，在于认清一个事实：从Copilot到Agent不是软件升级，而是架构重建。

Copilot模式的技术架构相对简单：用户发出请求 → 系统调用LLM生成响应 → 用户审核并决定是否采纳。这是一个”人在回路中”（human-in-the-loop）的同步模式，AI的角色是建议者，决策权始终在人类手中。

Agent模式的技术架构根本不同：系统接收目标（而非具体指令） → Agent自主规划任务序列 → 调用多个工具和API执行任务 → 根据中间结果动态调整计划 → 在预定义的边界内自主完成端到端流程。这是一个”人在回路外”（human-on-the-loop）或”人在例外中”（human-in-the-exception）的异步模式，AI的角色从建议者变成了执行者。

这种架构差异意味着什么？

第一，数据治理要求从”可用”升级到”可信赖”。 当AI只是建议者时，数据质量问题的后果是用户收到一个不准确的建议并自行纠正。当AI是执行者时，数据质量问题的后果是系统自动执行了一个错误的决策——可能是给错误的客户发送了错误的报价，或者在供应链中下达了错误的采购订单。这要求企业的数据治理从”尽力而为”升级到”关键任务级别”——数据血缘追踪、实时质量监控、权限粒度控制、审计日志完整性——每一项都是重大的基础设施投资。

第二，安全模型从”访问控制”升级到”行为控制”。 在Copilot模式下，安全的核心是确保AI只能访问用户有权访问的数据。在Agent模式下，安全的核心变成了确保AI只能执行用户授权范围内的操作——而且这些操作可能涉及跨系统、跨部门、甚至跨组织边界的连锁动作。这是一个全新的安全范式，现有的IAM（身份与访问管理）体系远不足以应对。Anthropic在其技术文档中提出的多Agent制衡架构（规划Agent、执行Agent、审核Agent相互约束）正是对这一安全挑战的回应。（来源: Anthropic Research Blog, 2025）

第三，组织架构从”职能分工”升级到”人机协作”。 当Agent可以自主完成端到端流程时，传统的职能分工（销售、客服、运营、财务）的边界会被打破。一个客户服务Agent可能需要同时调用CRM数据、库存系统、物流API和财务审批——这在传统组织中分属4个不同部门的职责范围。谁来定义Agent的权限边界？谁来为Agent的决策负责？谁来处理Agent的”例外”？这些都是组织设计问题，不是技术问题。

3.2 投资错配：钱花在了哪一层？

KPMG报告揭示的”投资-价值鸿沟”，其本质不是企业花了太多钱，而是花在了错误的层。

让我们把企业AI投资拆分为4个层次。以下占比为基于Gartner和IDC公开数据的作者估算，反映的是2025年全球企业AI支出的大致结构，不同行业和企业规模会有显著差异：

层次 典型投入 当前投资占比（作者估算） Agent时代价值
模型层 API调用费、模型微调、自研模型 25-30% 中（模型快速商品化）
用例层 单点AI应用开发、Copilot部署 35-40% 低（大量需要重建）
数据层 数据治理、数据管道、向量数据库 15-20% 高（Agent化的基石）
系统层 流程再造、Agent编排、安全治理 5-10% 极高（核心差异化）

问题一目了然：企业在用例层和模型层的投入占比最高（合计约60-70%），但这两层在Agent化转型中的复用价值最低。模型层的投资随着GPT-4o、Claude 3.5/4、Gemini 2.0等模型的快速迭代和价格竞争而迅速贬值——根据Artificial Analysis（独立AI基准测试平台）的追踪数据，主流LLM的每百万token推理价格在2025年3月至2026年3月期间下降了约70-85%，取决于具体模型和供应商。（来源: Artificial Analysis, artificialanalysis.ai, 持续更新）用例层的投资更惨：大量基于”人在回路中”设计的Copilot应用，在向”Agent自主执行”转型时需要从架构层面重写。

而真正在Agent时代创造差异化价值的数据层和系统层，却长期投资不足。数据治理不性感，流程再造很痛苦，组织变革涉及政治——这些都是CEO们不愿意面对的”硬骨头”。

大多数人没看到的是： 这种投资错配正在制造一个隐性的”架构债务”。就像技术债务会在系统扩展时爆发一样，架构债务会在企业试图从Copilot升级到Agent时集中爆发——那些在用例层投入最多的企业，反而可能是Agent化转型中最痛苦的企业，因为它们需要拆除和重建的东西最多。

3.3 Agent 编排的技术现实：2026年的能力边界

Agent化不仅仅是商业愿景，它在2026年已经有了具体的技术形态。

编排层面，多Agent协作的复杂性是当前最大的技术瓶颈。核心挑战包括：Agent之间的任务分解与分配、上下文共享与隔离、冲突检测与解决、以及失败恢复。这些问题在分布式系统领域有数十年的研究积累，但Agent的非确定性行为（同样的输入可能产生不同的输出）给传统的分布式系统设计带来了全新的挑战。LangChain、CrewAI等开源框架正在尝试标准化多Agent编排模式，但距离企业级生产就绪仍有显著差距。（来源: LangChain官方文档, docs.langchain.com; CrewAI GitHub仓库）

集成层面，Anthropic在2024年底推出的MCP（Model Context Protocol）正在成为Agent与外部系统交互的候选标准协议。MCP的意义在于，它可能成为Agent时代的”HTTP”——一个让不同Agent、不同工具、不同数据源能够互操作的通用协议。但MCP目前仍处于早期阶段，标准尚未稳定，安全模型不完善，企业级的生产部署案例有限。（来源: Anthropic, “Introducing the Model Context Protocol,” 2024-11）

治理层面，ServiceNow在2026年初推出的AI Control Tower代表了企业级Agent治理的早期形态。这些产品试图回答一个关键问题：当你有数十个甚至数百个Agent在企业内部自主运行时，你如何确保它们的行为符合企业政策、合规要求和风险偏好？（来源: ServiceNow官方博客, 2026-01）

但现实是残酷的： 截至2026年4月，真正在生产环境中大规模运行多Agent系统的企业屈指可数。大多数”Agent部署”仍然是单Agent、单流程、高度受限的场景——本质上是一个更复杂的Copilot，而非真正的自主代理系统。

3.4 Agent时代的劳动力冲击：不对称的替代效应

Anthropic CEO Dario Amodei 在2026年3月底的一次公开演讲中警告了AI对劳动力市场的潜在冲击，特别指出认知类白领岗位面临的风险可能比此前预期更快到来。（来源: Anthropic CEO公开发言，多家媒体报道，2026-03）这一警告与加州大学伯克利分校2025年的一项研究相呼应——该研究估算加州约30%的认知类岗位可能在未来5-10年内受到AI的显著冲击。（来源: UC Berkeley Labor Center, 2025）

Amodei的警告值得在Agent化转型的语境下重新解读。在Copilot时代，AI对劳动力的影响是”增强”——让现有员工做得更快。在Agent时代，AI对劳动力的影响是”替代”——用Agent直接接管某些完整的工作流。

Benioff 的数据提供了一个具体的例证：Salesforce冻结工程师招聘（因为coding agents），同时增加销售相关岗位招聘。这揭示了Agent化转型对劳动力结构的非对称影响：那些工作流程高度标准化、输出可清晰定义的岗位（初级开发、客服、数据录入、基础分析）最先被Agent替代；而那些需要复杂人际关系、非结构化判断和创造性说服的岗位（高级销售、战略咨询、创意设计）在短期内反而需求增加——因为Agent化带来的系统复杂性需要更多人类来管理和驾驭。

大多数人没看到的是： Agent化转型的真正成本不是技术投入，而是组织重组的摩擦成本。当一个企业决定用Agent替代客服团队的50%人力时，它面临的不仅是Agent开发和部署的技术成本，还有裁员补偿、剩余员工的再培训、工会谈判、公关危机管理、以及——最容易被忽视的——组织士气的崩塌。这些”软成本”在任何AI投资的ROI模型中都不会出现，但它们往往是决定Agent化转型成败的关键变量。

第四章｜谁在赢？Agent 平台大战的早期格局

4.1 三种竞争路径

2026年的Agent AI市场正在形成三种清晰的竞争路径：

路径一：平台内嵌型（Microsoft、Salesforce、Google、ServiceNow）。 这些厂商的策略是在自己的企业软件平台中原生集成Agent能力。优势是拥有现成的企业客户基础和数据接口；劣势是受限于自身平台的边界——Salesforce的Agent天然擅长CRM流程，但在跨平台场景中能力受限。

路径二：模型厂商下沉型（OpenAI、Anthropic、Google DeepMind）。 这些厂商正在从提供基础模型API向提供Agent开发框架和托管服务延伸。OpenAI在2025年推出的Assistants API和后续的Agent工具链、Anthropic的多Agent架构设计都是这一趋势的体现。优势是拥有最强的模型能力；劣势是缺乏企业流程的深度理解。

路径三：独立编排型（LangChain、CrewAI、以及一批新兴创业公司）。 这些公司专注于Agent编排、治理和集成——不提供模型，不提供应用，只提供让Agent在企业环境中安全、高效运行的中间件。这是一个高风险、高回报的赛道：如果Agent化真的成为企业IT的主流范式，编排层将成为新的”操作系统”；但如果平台巨头自己做了编排层，独立厂商的生存空间将被急剧压缩。

4.2 OpenAI 的战略转型与组织动荡

在Agent平台大战的背景下，OpenAI的处境值得特别关注。

OpenAI在2025年10月完成了一轮66亿美元的融资，估值达到1570亿美元，据多家媒体报道，公司正在筹备IPO，目标估值可能进一步大幅提升。（来源: Reuters, 2024-10-02; 后续估值更新见Bloomberg 2026年报道）但与此同时，公司在2026年初经历了一轮显著的高管变动：COO Brad Lightcap转岗负责特殊项目，多位高管因个人原因离职或调整角色，前Slack CEO Denise Dresser加入出任首席营收官。（来源: TechCrunch, 2026-04-04）

这些事件叠加在一起，描绘的是一家正在从”研究实验室”向”企业平台公司”剧烈转型的组织。Denise Dresser（前Slack CEO）担任首席营收官，信号再明确不过：OpenAI的下一阶段增长必须来自企业市场，而不仅仅是消费者订阅和API调用。

但OpenAI面临一个结构性挑战：它的核心能力在模型层，而企业Agent化的核心价值在系统层。从模型到系统的跨越，需要深厚的企业销售能力、行业know-how和实施服务体系——这些恰恰是OpenAI最薄弱的环节。这也解释了为什么OpenAI近期密集招募企业软件背景的高管。

4.3 硬件军备：从芯片到推理经济学

Agent化转型还有一个常被忽视的维度：推理计算的经济学。

Agent系统的计算需求与Copilot系统有本质区别。Copilot是”请求-响应”模式，每次交互调用一次模型推理。Agent是”持续运行”模式，一个任务可能需要数十次甚至数百次模型推理（规划、执行、反思、调整的循环）。这意味着Agent化将使企业的AI推理计算量增长一个数量级以上。

这对芯片和基础设施的需求有直接影响。韩国政府在2025年宣布了一项大规模的国家AI战略投资计划，涵盖AI芯片、数据中心和人才培养，总规模折合数百亿美元级别。（来源: Reuters, “South Korea unveils national AI strategy,” 2025）华为的Ascend AI芯片路线图也在加速推进，试图在美国出口管制的缝隙中为中国企业提供Agent化所需的推理算力。（来源: Huawei官方发布会, 2025-2026）

推理成本的下降速度将直接决定Agent化的经济可行性。好消息是，Groq、Cerebras等专用推理芯片厂商以及云厂商的竞争正在大幅降低每token成本。坏消息是，Agent系统的token消耗量增长可能比成本下降更快——这意味着企业的AI计算总支出在Agent化转型过程中不太可能下降，反而可能进一步上升。

这也部分解释了为什么79%的CEO选择加码而非减码：他们看到了Agent化所需的计算投入规模，知道现在不开始积累基础设施和组织能力，未来的追赶成本将更加高昂。

4.4 对立视角三：平台巨头是否会赢家通吃？

一种值得考虑的反面观点是：Agent平台大战的最终结局可能不是百花齐放，而是赢家通吃。

理由如下：Agent的核心价值在于跨系统协调，而跨系统协调天然有利于拥有最广泛生态系统的平台。Microsoft拥有Office 365 + Azure + LinkedIn + GitHub + Dynamics 365的超级生态；Google拥有Workspace + GCP + Android + Search的全栈能力。当Agent需要同时调用邮件、日历、CRM、代码仓库和云基础设施时，单一平台内的集成摩擦远低于跨平台集成。

如果这种赢家通吃的逻辑成立，那么当前大量投资于独立Agent编排层的创业公司和企业自建Agent平台的努力，可能最终被平台巨头的原生集成所淹没——就像2010年代的独立PaaS厂商最终被AWS、Azure和GCP吞噬一样。

我的判断是： 赢家通吃在水平层（通用Agent编排）可能成立，但在垂直层（行业专用Agent）不太可能。金融、医疗、制造等行业的Agent化需要深度的领域知识、合规理解和流程定制，这些是平台巨头难以通过通用产品覆盖的。真正的投资机会可能在”垂直Agent”赛道——那些深耕特定行业、拥有领域数据和流程know-how的公司。

第五章｜So What：对不同角色的行动启示

5.1 对 CEO 和 CTO

KPMG报告的核心警示不是”你投多了”，而是”你投错了层”。

立即行动一：审计现有AI投资的架构复用性。 对当前所有AI项目做一次评估：哪些是基于”人在回路中”设计的Copilot式应用？哪些的数据管道和安全模型可以在Agent化转型中复用？哪些需要从头重建？这个审计的结果可能令人不快，但越早面对越好。

立即行动二：将数据治理升级为战略优先级。 在Agent时代，数据质量不再是IT部门的技术问题，而是CEO的战略问题。一个基于脏数据做出自主决策的Agent，比一个给出错误建议的Copilot危险100倍。

立即行动三：开始组织设计的实验。 选择1-2个适合Agent化的端到端流程（客户服务、采购到付款、员工入职），进行”Agent+人类”协作模式的小规模实验。重点不是技术验证，而是组织学习——理解Agent化对岗位定义、绩效评估、责任归属和团队结构的影响。

5.2 对投资者

当前企业AI市场的投资逻辑需要从”谁的模型最好”切换到”谁的系统层最厚”。

模型层正在快速商品化。GPT-4o、Claude 3.5 Sonnet、Gemini 2.0 Flash、Llama 4——顶级模型之间的性能差距在持续缩小，而价格竞争日趋激烈。在这个层面投资的回报将越来越取决于规模和资本效率，而非技术壁垒。

真正的价值创造将发生在系统层：Agent编排、企业数据治理、安全合规、行业专用Agent框架。这些领域的壁垒不在于模型能力，而在于对特定行业流程的深度理解和长期积累——这恰恰是创业公司可以与巨头竞争的领域。

但要警惕一个陷阱： 很多打着”Agent”旗号的创业公司，本质上仍然是Copilot式的单点工具，只是在营销话术上换了一个词。区分真Agent和伪Agent的关键标准是：它是否能够自主执行跨系统的多步骤任务？它是否有完整的行为审计和权限控制机制？它是否能处理执行过程中的异常情况而不需要人类干预？

5.3 对从业者

Anthropic CEO的劳动力冲击警告和Benioff的招聘结构变化数据，对个人职业规划有直接的指导意义。

高风险岗位特征： 工作流程高度标准化、输出可清晰定义、决策依据可编码为规则。初级开发者、L1客服、数据录入、基础财务分析、标准化法律文书——这些岗位在Agent化浪潮中的替代风险最高。

低风险/高增长岗位特征： 需要跨领域判断、复杂人际关系管理、非结构化创造力、或Agent系统本身的设计与治理能力。Agent架构师、AI安全工程师、流程再造顾问、人机协作设计师——这些是Agent时代的新兴岗位。

最重要的能力转型： 从”执行具体任务”转向”定义和监督Agent执行的任务”。这需要更高层次的抽象思维、系统设计能力和异常处理判断力——本质上是从”做事的人”变成”定义事情如何被做的人”。

结语：信仰溢价终将被清算，但不是以你想象的方式

79%的CEO选择加码AI，这个数字本身不是问题。问题是这些加码的资金中，有多少流向了真正为Agent时代构建基础的投资，又有多少被浪费在即将过时的Copilot式用例堆砌上。

KPMG报告揭示的”投资-价值鸿沟”不会通过更多的投入自动弥合。它只会通过投资方向的根本转变来弥合——从用例层转向系统层，从效率补丁转向流程重构，从技术部署转向组织变革。

“信仰溢价”终将被清算。但清算的方式不是AI泡沫破裂——Agent化的长期价值是真实的——而是那些把钱花在错误层的企业，在Agent时代到来时发现自己的巨额投资几乎不可复用，不得不再次从头开始。

而那些今天就开始投资数据治理、系统架构和组织变革的企业——即便短期内看不到ROI——将在Agent时代拥有真正的结构性优势。这不是信仰，这是架构决定论。

这才是79%CEO们真正应该恐惧的事情：不是投多了，而是投错了。

参考资料

  1. AI Pulse: Global AI trends in Q1 2026 — KPMG, 2026-04-05
  2. Salesforce CEO Marc Benioff on AI layoffs: Most people don’t really understand what is going on — ETHRWorld / Economic Times, 2026-04-04
  3. Gartner Finds Nearly Half of AI Projects Make It to Production — Gartner, 2025-10-14
  4. McKinsey Global Institute, “The State of AI: How Organizations Are Rewiring to Capture Value” — McKinsey, 2025-06
  5. IDC Worldwide Artificial Intelligence Spending Guide — IDC, 2025-11
  6. Introducing the Model Context Protocol — Anthropic, 2024-11
  7. OpenAI closes $6.6 billion funding round — Reuters, 2024-10-02
  8. OpenAI Executive Changes and Organizational Updates — 来源: TechCrunch, 2026-04-04
  9. JPMorgan Chase 2025 Annual Report (10-K Filing) — 来源: SEC.gov / JPMorgan Chase Investor Relations
  10. Salesforce FY2026 Q4 Earnings Call Transcript — 来源: Salesforce Investor Relations, 2026-01
  11. EU AI Act Implementation Timeline — 来源: European Commission, 2025
  12. LLM Inference Pricing Tracker — 来源: Artificial Analysis, artificialanalysis.ai, 持续更新

主题分类：企业AI落地