大模型變現元年后，智能體會不會一地雞毛？

“90%的Agent會被大模型吃掉。”

這是著名投資人朱嘯虎曾炮轟智能體的一句話。是真是假，我們先不給出直接答案。

然而，AI智能體公司Manus被賣身Meta的事卻可以說明Agent創業公司其實并不好過。雖然這場收購還沒有最終結果，與此同時，智譜、MiniMax等大模型公司扎堆上市，頭部科技企業紛紛加碼智能體賽道。

這里先做個科普，Agent與大模型不是同一個概念。核心區別在于定位與能力，前者是能自主完成任務的「執行者」，更像手腳，后者是擅長推理以及基于信息處理的「知識庫」，偏是大腦。

理清楚兩者區別后，回過頭來看，一邊是一些中小玩家黯然退場，一邊是資本與巨頭瘋狂入局，AI Agent企業在爆發元年開始面臨一個問題，

當大模型變現進入深水期，被寄予厚望的智能體究竟是下一個風口，還是會重蹈部分賽道“曇花一現”的覆轍？

01 AI Agent與大模型，走出了不同的2條路

在2026節點增長大會上，360集團創始人周鴻祎指出，當前AI發展已進入下半場，重心正從“模型研發”加速轉向“應用落地”。大模型雖然強大，但僅憑“大腦”無法直接干活，必須結合工具、規劃與行動能力，進化為“智能體”，才能成為真正的生產力工具。

國內AI Agent的發展歷程可劃分為兩大階段。第一階段以對話交互與信息檢索為核心，各類AI輔助應用扎堆涌現，市場競爭尚未分出明顯勝負。用戶規模層面，抖音豆包、騰訊元寶、阿里千問等巨頭旗下產品，與DeepSeek、Kimi等創業公司代表形成主力陣營，這一時期的競爭核心，本質是對流量入口的搶占和用戶使用習慣的培育。

步入2025年末至2026年初，AI Agent正式邁入第二階段，行業分化態勢愈發清晰。各家企業結合自身戰略布局與資源稟賦，鎖定了差異化的價值賽道。

其中，豆包聚焦語音交互、圖文視頻生成等娛樂場景深耕，還與手機廠商達成合作形成協同效應；千問借助阿里生態的資源優勢，主打生活服務領域，化身用戶身邊的“全能管家”；Kimi則瞄準生產力提升方向，通過自主研發的Agent模型，推動AI技術與辦公工作流的深度融合。

谷歌此前的相關論斷，在豆包、千問與Kimi的發展路徑中已得到印證。行業之所以走向差異化競爭，核心是大家逐漸形成共識：AI Agent的最終價值，必須通過解決實際問題的能力來彰顯。

但值得注意的是，當AI Agent具備跨應用穿透能力時，終端廠商與希望打造閉環生態的應用廠商之間，難免產生利益博弈。例如阿里巴巴正試圖借助千問的AI Agent功能，打通高德地圖、淘寶、飛豬等阿里系應用，實現服務串聯。

不過有一點值得注意，當前AI Agent的核心價值集中在To B領域，主要原因是其推理過程成本偏高，響應速度也相對較慢，而這些短板在B端場景中更容易被接受。

對企業用戶而言，這類“等待成本”完全在可承受范圍內：比如花費5分鐘生成一份PPT，或10分鐘產出一份戰略規劃，用戶可利用這段時間處理其他事務，加之B端用戶對AI Agent的付費意愿本就更強。

不過相比智能體企業，2026年的大模型行業，最鮮明的標簽莫過于“變現”。

曾經只談技術參數、融資輪次的行業語境，如今已被營收數據、盈利路徑取代，資本的耐心在持續投入后，終于迎來了對回報的剛性要求。

這場變現浪潮的核心標志，是頭部企業密集登陸資本市場。月初智譜AI登陸港交所，隨后，MiniMax緊隨其后上市，首日漲幅超100%，市值突破1000億港元。

兩家企業的上市點燃了整個行業的資本化熱情，而在此前的A股市場，摩爾線程、沐曦股份、壁仞科技先后在 A 股、科創板與港股完成上市。與此同時，更多算力與 AI 芯片公司進入上市審批流程。接連幾家GPU廠商的連續IPO，釋放出一個重要的信號：資本市場開始認可這些AI企業。

在完成前期融資以及業務達到一定商業化水平后，選擇登陸資本市場成了共同的選擇，很大一部分原因在于錢。坦白來說，大模型訓練單次成本高，算力投入占企業支出比例大，而單純的技術研發無法支撐企業長期生存。在這樣的背景下，無論是大廠還是創業公司，都在探索多元化變現路徑。

相較于智能體企業，大模型行業似乎更容易被市場接受，如果只是簡單看到資本層面的動作，可能無法理解其中的原因，但在技術演化角度，類似Manus這樣的企業的確需要考慮，大模型越來越強的時候，會對自己帶來什么？

02 AI Agent的困局，大部分被大模型吃掉？

所以，隨著大模型企業加速變現，一個尖銳的問題浮出水面：作為大模型的“應用延伸”，AI Agent是否會被強大的大模型廠商“吃掉”？

AI Agent的核心價值，在于彌補大模型的行動短板，大模型如同超級大腦，擁有大部分的專業領域知識覆蓋率，卻只有不足的實際任務執行能力，它能解答問題、生成方案，卻無法直接操作軟件、完成跨系統任務。

而AI Agent通過環境感知、任務規劃、決策執行等模塊，為大模型裝上“手腳”，讓智能從能說會道進化為“能說會做”。它以大模型為核心，搭配屏幕語義理解技術和RPA機器人，能自動完成商品上架、庫存管理等電商運營工作，將原本數小時的流程壓縮至幾分鐘。

新的挑戰是，隨著大模型能力的飛速發展，模型本身正在變得越來越“Agent化”，隨著模型性能的溢出，用戶可以直接調用模型來完成任務。

以目前進展更快的AI代碼為例，Anthropic的Claude、谷歌的Gemini系列模型，模型本身的編碼能力就在隨著更新提升，其自研的編碼工具（如Claude Code）不僅能夠實現自主編程，優化種種產品體驗之外，它的Max會員模式還支持用戶隨意調用自家模型，即使是每百萬輸出tokens收費75美元的Opus4，單月200美元同樣支持不限量使用。

而國內大廠憑借算力、數據優勢，快速推出內置Agent功能的產品，擠壓了創業公司的生存空間。

換句話說，大模型廠商的入局讓AI Agent賽道的競爭愈發激烈。

03 規模化落地后，誰在AI Agent賽道裸泳？

隨著技術逐漸成熟、資本持續加碼，AI Agent賽道一定會日漸迎來規模化落地的關鍵節點。但熱鬧之下，泡沫也在滋生，當行業進入深度洗牌期，只有褪去概念包裝、具備核心價值的企業，才能避免被市場淘汰。

瑞銀方面認為，智能體規模化的發展演化將是一個分階段的過程，從在單一App中加入功能，到在生態內打通資源，再到實現跨平臺和多智能體協作。智能體的大規模普及不僅面臨技術挑戰，也涉及用戶接受度、產業協同、商業模式和監管框架等問題，從現實情況看，其真正大規模推出和變現仍需要時間。

資本過于火熱就不排除AI Agent賽道存在泡沫，主要體現在偽需求與技術同質化上，部分企業為了追逐熱點，簡單將大模型與RPA結合就宣稱推出AI Agent，卻缺乏對行業場景的深度理解，導致產品無法解決實際問題。某創業公司推出的辦公Agent，號稱能自動處理郵件、生成報告，但實際使用中頻繁出現指令理解偏差，客戶留存率卻比較低，這種缺乏核心競爭力的產品，在市場檢驗中很快就會原形畢露。

加之規模化落地的核心障礙，還在于技術瓶頸與成本控制。反饋機制建立、復雜任務拆解等技術難題尚未完全解決，而訓練Agent所需的算力成本、數據標注成本居高不下。

Meta提出的“早期經驗”學習范式，讓Agent通過自主探索環境積累經驗，一定程度上降低了訓練成本，但這種技術尚未普及。對于中小企業而言，沒有足夠的資金支撐技術迭代，很難在規模化競爭中突圍。

接下來市場就會開始用腳投票，篩選出真正有價值的玩家。從賽道分布來看，編程助手類Agent商業化程度最高，能夠協助開發者完成代碼編寫、調試等全流程工作，付費轉化率也許比較高。

電商、金融、醫療等垂直領域的Agent，憑借對場景的深度適配，也獲得了穩定的客戶群體。這些企業的共同特點是，不追求“大而全”的通用能力，而是聚焦“小而美”的場景價值，用實際效果贏得付費。

與其他行業一樣，泡沫褪去，才知誰在裸泳。AI Agent賽道的規模化會讓那些靠概念炒作、缺乏技術壁壘和場景落地能力的企業，終將被市場淘汰；而那些深耕技術、聚焦需求、能夠創造實際價值的玩家，將在洗牌中脫穎而出，推動行業走向成熟。

從大模型企業的上市狂歡，到AI Agent賽道的冰火兩重天，2026年的AI行業正在經歷一場深刻的價值重構。變現壓力讓行業告別野蠻生長，技術博弈讓賽道趨于理性，市場檢驗讓泡沫逐漸消散。

AI Agent不會成為一地雞毛，因為它解決了大模型“知行不一”的核心痛點，順應了智能技術落地的產業需求。但它也不會一蹴而就，必然要經歷洗牌與沉淀。