当所有人都在谈Agent，有多少真的在赚钱？

2026年的AI圈有个奇怪的现象：每个人都在做”Agent”，每场发布会都要提”自主决策”，每份融资PPT都写着”下一代AI范式”。但当我问一个最简单的问题——”你的Agent给客户创造了多少收入”——能给出具体数字的公司屈指可数。

上周Ezra宣布完成320万美元种子轮融资，用语音AI做招聘Agent。我仔细研究了他们的产品，发现这可能是我见过的少数几个”真Agent”——不是PPT上的概念，而是真正在生产环境中运行、为客户解决问题、创造可衡量价值的Agent。

这让我开始思考：为什么市场上有那么多Agent项目，但真正落地的这么少？从炒作到现实，这中间到底隔着什么？

Agent的三层定义：你做的是哪一层？

首先我们要搞清楚，什么是”真Agent”。

我观察到，市场上对Agent有三层完全不同的定义，而大部分人在故意混淆这三层，把第一层的东西包装成第三层来融资。

第一层：对话式界面（Chatbot）

这是最基础的层次。用户输入一个问题，AI给出一个回答。可能比传统搜索框聪明一点，但本质上还是”一问一答”的模式。

市场上大部分所谓的”Agent”其实停留在这一层。它们可能用了最新的大语言模型，可能有精美的对话界面，但核心能力还是”回答问题”，而不是”解决问题”。

第二层：任务自动化（Task Automation）

这一层的Agent能够完成特定任务，比如”帮我订一张去上海的机票”、”筛选出符合条件的求职者”、”生成一份周报”。

这需要Agent能够理解任务、拆解步骤、调用工具、处理结果。技术难度比第一层高很多，但还是在相对固定的流程框架内运行。

Ezra的招聘Agent基本属于这一层。它能够和求职者进行多轮对话、收集信息、评估匹配度、生成报告。这已经是一个完整的任务自动化流程，而不仅仅是回答问题。

第三层：自主决策（Autonomous Agent）

这是真正意义上的Agent。它不仅能完成任务，还能自主制定计划、应对突发情况、优化执行策略、甚至发起主动行动。

比如一个销售Agent，不是等着你告诉它”给客户发邮件”，而是自己分析客户数据，判断哪些客户最有可能成交，主动发起联系，根据客户反馈调整话术，最终完成交易。

这一层的Agent目前基本停留在实验室和demo阶段。技术挑战极大，可靠性、安全性、可控性都是大问题。

现实很残酷：市场上90%的”Agent”都在第一层，顶多10%做到第二层，做到第三层的基本为零。

但融资材料上，大家都说自己在做第三层。这就是炒作和现实的第一道鸿沟。

从Demo到生产：99%的项目死在这道坎

即使是做到第二层的Agent，从demo到生产环境也有一道巨大的鸿沟。我见过太多这样的场景：

Demo阶段：创始人在投资人面前演示，AI流畅对话、精准理解、完美执行。投资人很兴奋，写了支票。

生产环境：客户部署后一周，投诉电话打爆。AI理解错误率30%、任务失败率50%、偶尔还会给出荒唐的回答。客户要求退款，投资人开始质疑。

这道鸿沟到底在哪里？

问题1：真实世界的复杂性

Demo环境是理想化的：用户说话清晰、提问标准、背景信息完整。但真实世界完全不是这样。

一个求职者可能带着浓重的地方口音，可能说话断断续续，可能前言不搭后语。AI需要能听懂这些”不标准”的输入，而这远比demo中的标准普通话难得多。

一个客服对话可能从咨询商品开始，中途突然抱怨物流，然后又跳到退货政策，最后问了一个完全不相关的问题。AI需要能跟上这种混乱的逻辑跳跃，而不是被带偏或崩溃。

问题2：边缘情况的处理

Demo展示的是”正常路径”：用户按照预期流程一步步走下来。但真实世界充满了”边缘情况”。

用户可能在对话中途突然沉默，可能说”我要想想”然后挂断，可能问一些完全超出系统能力范围的问题。一个robust（健壮）的Agent需要优雅地处理这些情况，而不是直接报错或给出荒唐答案。

我见过一个客服Agent的真实案例：用户问”你们送货到火星吗”，AI回答”可以，预计配送时间3-5个工作日”。这在demo中不会出现，但在生产环境中，这种荒唐回答会直接毁掉品牌信誉。

问题3：性能和成本的平衡

Demo可以用最强的模型、最贵的算力，反正只是演示几次。但生产环境要考虑成本。

一个客服Agent如果每次对话都调用GPT-4，成本可能是每次对话几美分到几毛钱。如果一天有10万次对话，成本就是几千到几万美元。这对大部分公司来说是不可承受的。

所以真实的Agent系统需要做大量优化：什么时候用大模型、什么时候用小模型、什么时候用规则引擎、什么时候缓存结果。这些工程优化在demo中完全看不到，但在生产环境中至关重要。

问题4：与现有系统的集成

Demo是独立运行的，但生产环境中的Agent需要和客户现有的系统集成：CRM、订单系统、库存系统、支付系统、邮件系统等等。

每一个集成都可能出问题：API接口变更、数据格式不匹配、权限认证失败、网络超时。一个真正可用的Agent需要处理这些集成问题，而这往往占据了50%以上的开发时间。

Ezra的招聘Agent能够快速部署，很大程度上是因为他们设计了简洁的集成方案：不需要深度对接客户的HR系统，只需要一个API接口就能开始工作。这种”轻集成”策略大大降低了落地难度。

价值证明的困境：ROI在哪里？

即使Agent成功部署到生产环境，还有一个更大的挑战：如何证明价值？

这是我和很多Agent创业者聊天时发现的共同痛点。他们的产品可能真的很好用，但很难向客户证明”到底节省了多少钱、创造了多少价值”。

招聘Agent的价值相对好证明：

传统流程中，一个HR筛选100份简历可能需要2-3小时。用Ezra的Agent，这个时间可以压缩到几分钟。如果一家公司每月招聘100人，每年能节省数百小时的HR时间，按照HR的时薪计算，ROI很容易算出来。

而且招聘有明确的结果指标：招聘周期、候选人质量、offer接受率、新员工留存率。如果Agent能在这些指标上有明显改善，价值就很好证明。

客服Agent的价值证明就复杂得多：

表面上看，用AI替代人工客服能节省人力成本。但实际情况是：

  • AI可能只能处理30%-50%的咨询，剩下的还需要转人工
  • AI的回答质量可能不如人工，导致客户满意度下降
  • AI出错可能造成更大的损失（比如误导客户、给出错误信息）

所以很多公司部署客服Agent后发现，总成本并没有显著下降，因为你还得保留原来的人工客服团队作为备份。AI更多是”锦上添花”而不是”雪中送炭”。

销售Agent的价值证明最困难：

销售是一个复杂的人际互动过程，很难归因于某个单一因素。如果你部署了一个销售AI，这个月业绩上涨了10%，你能说这10%是AI的功劳吗？可能是市场好、可能是产品改进、可能是销售团队更努力，AI只是众多因素之一。

而且销售是高度情感化的过程。很多客户更愿意和”真人”交流，而不是和AI。强行推AI可能反而降低成交率。

这就是为什么，我们看到招聘、客服这些”低情感、高重复”的场景中Agent落地较快，而销售、咨询这些”高情感、低重复”的场景中Agent还在挣扎。

三个典型的失败模式

在研究了几十个Agent项目后，我总结出三个典型的失败模式：

失败模式1：技术驱动，忽视场景

很多技术背景的创业者，手里有个强大的模型或算法，然后去找应用场景。结果就是”拿着锤子找钉子”——技术很强，但找不到真正的痛点。

我见过一个团队做了一个”通用Agent框架”，号称能够应用于任何场景。但当我问”你的第一个客户是谁、解决什么问题”，他们答不上来。没有具体场景，再强的技术也落不了地。

失败模式2：过度承诺，交付不足

为了融资或获客，创业者过度承诺Agent的能力：”我们的AI能够完全替代人工”、”准确率达到99%”、”任何问题都能解决”。

但实际部署后，客户发现根本不是那么回事。准确率只有70%，很多问题解决不了，还经常需要人工介入。客户觉得被骗了，口碑彻底毁掉。

失败模式3：缺乏工程化能力

很多AI创业者是研究背景，擅长做模型、写论文、刷榜单，但缺乏工程化能力。他们能做出impressive（令人印象深刻）的demo，但做不出stable（稳定）的产品。

生产环境需要的不是最先进的模型，而是可靠、稳定、可维护的系统。需要监控、告警、日志、回滚、灰度发布、A/B测试等一系列工程能力。缺乏这些能力的团队，很难把Agent从实验室带到客户现场。

什么样的Agent能活下来？

在一片炒作和泡沫中，什么样的Agent项目有机会真正活下来、做大？

基于我的观察，我认为有三个关键成功要素：

要素1：选对场景

不是所有场景都适合Agent。好的Agent场景有几个特征：

  • 高重复性：任务足够标准化，可以通过学习少量案例泛化到大量情况
  • 可衡量价值：能够清晰量化Agent带来的效率提升或成本节省
  • 容错空间：Agent出错的后果相对可控，不会造成灾难性损失
  • 低情感需求：用户不强烈要求和”真人”交互

招聘、客服初筛、数据录入、报告生成这些场景比较符合这些特征。而战略咨询、心理咨询、高端销售这些场景目前还不适合Agent。

要素2：聚焦垂直

通用Agent是个伪命题。一个什么都能做的Agent，往往什么都做不好。

真正成功的Agent都是深耕垂直场景的。Latent专注医疗，Ezra专注招聘，Lance专注酒店。他们不追求大而全，而是在一个细分领域做到极致。

垂直化带来三个优势：

  • 深度理解：对行业的深刻理解能转化为产品设计上的优势
  • 数据积累：在垂直领域积累的数据形成护城河
  • 品牌效应：成为某个细分领域的代名词

要素3：重视工程化

AI能力只是Agent的一部分，更重要的是工程化能力。一个成功的Agent系统需要：

  • 健壮的错误处理：优雅处理各种边缘情况和异常输入
  • 完善的监控告警：实时监控Agent的表现，快速发现和解决问题
  • 持续的优化迭代：基于真实数据不断优化模型和策略
  • 易用的集成接口：降低客户的部署和集成成本

这些”脏活累活”看起来不性感，但决定了Agent能否真正在生产环境中稳定运行。

2026年的现实：炒作退潮，价值显现

回到最初的问题：当所有人都在谈Agent，有多少真的在赚钱？

答案是：很少。但这不意味着Agent没有价值，而是意味着我们正在经历一个从炒作到现实的转折点。

2025年是Agent炒作的高峰期。每个人都在讲故事、描绘愿景、融资。但到了2026年，市场开始冷静下来，投资人和客户都在问同一个问题：”你的Agent到底能不能用？到底值不值？”

这对行业是件好事。炒作退潮后，那些真正解决问题、创造价值的Agent会浮现出来。Ezra、Latent这些公司，虽然现在规模还不大，但他们证明了Agent是可以落地、可以赚钱的。

未来一两年，我预测会有大量的Agent项目死掉——那些只会做PPT、不会做产品的项目。但同时，会有一批真正优秀的Agent公司成长起来，成为各自垂直领域的隐形冠军。

对于创业者，我的建议是：少一些愿景，多一些执行；少一些炒作，多一些价值；少一些demo，多一些客户。

对于投资人，我的建议是：不要被demo迷惑，要看生产环境的数据；不要听创始人讲故事，要听客户讲体验；不要只看技术，要看工程化能力。

对于行业从业者，我的建议是：保持清醒，不要被炒作裹挟；关注那些真正落地的案例，而不是那些夸夸其谈的项目；相信Agent的价值,但也要承认现实的困难。

Agent的时代确实在到来，但不是以我们在2025年想象的那种方式。它不会是一夜之间的革命，而是一个渐进的、务实的、痛苦的落地过程。

那些能够穿越这个过程的公司，将定义AI的下一个十年。

后记：我们需要什么样的Agent？

作为一个长期关注AI落地的观察者，我常常思考：我们到底需要什么样的Agent？

不是那种”无所不能”的通用AI——那在可预见的未来都不会出现。

也不是那种只会聊天、不会做事的对话机器人——那只是旧瓶装新酒。

我们需要的是一种”够用的智能”：在特定场景下，能够稳定、可靠、高效地完成特定任务的Agent。它不需要通过图灵测试,但需要真正为用户创造价值。

Ezra的招聘Agent就是这样一个例子。它不会写诗、不会画画、不会哲学讨论，但它能准确理解求职者的背景和期望，快速完成初筛，为HR节省大量时间。这就够了。

我相信，未来会有成百上千个这样的”够用的Agent”，在各自的垂直领域默默工作，创造价值。它们不会成为头条新闻，但会成为我们日常工作中不可或缺的工具。

这才是Agent真正的未来。

参考信息:

  • Ezra $3.2M种子轮融资，2026-03-22
  • Latent医疗AI融资，2026-03周报道
  • Agent定义和分类基于行业共识
  • 失败案例基于作者观察和行业访谈

数据说明: 文中百分比为基于行业观察的估算，未引用特定研究报告。失败模式总结基于多个案例的共性分析。