「AI進化論」是長江商學院推出的AI+主題欄目，匯聚全球AI領域的原創(chuàng)洞見、產業(yè)實踐及前瞻研判。從技術突破到產業(yè)應用，從戰(zhàn)略布局到倫理邊界，在這里，一起與AI同頻進化。

今天和你分享長江商學院滕斌圣教授最新發(fā)表于澎湃新聞的文章。教授認為，AI正邁向關鍵轉折點，Agent模式正是推動AI落地的核心抓手。未來組織的競爭力，取決于能否在安全邊界內將分散資源轉化為可持續(xù)調用的生產資產，從而推動AI從局部試點走向基礎設施化。

作者 | 滕斌圣 曹欣蓓

來源 | 澎湃新聞

原標題 | AI的擴散邏輯：從試點熱潮到基礎設施化，Agent有望成為關鍵轉折點

滕斌圣

長江商學院戰(zhàn)略學教授

戰(zhàn)略研究副院長

新生代獨角獸全球生態(tài)體系研究中心主任

作為信息技術之后新一輪的技術革命，對AI前景的評估不應局限于模型參數，而是要考慮商業(yè)化程度及組織的現實吸收能力。

不同于傳統(tǒng)康波理論更側重從GDP、價格等總量指標識別周期起伏，經濟學家卡蘿塔·佩蕾絲(Carlota Perez)在其書《技術革命與金融資本》中，以“發(fā)展大浪潮”（Great Surges of Development）概括技術革命的擴散過程，并引入“技術—經濟范式”進行解釋[1]。

本文采用Perez的階段劃分，在此基礎上進一步延伸與擴展，討論AI如何從早期的關注與狂熱，經由轉折點的泡沫退去，再進入中后期的機制擴散與長期運營趨穩(wěn)，最終成為組織的通用底層能力。

技術革命的擴散邏輯：

從導入到展開

Perez 將通用技術的擴散分為導入期（Installation Period）、轉折點（Turning Point）與展開期（Deployment Period）。其核心在于揭示金融資本與生產資本的動機差異：前者追逐敘事與紙面增值，后者關心可持續(xù)的利潤（圖 1）。

圖 1 技術擴散的不同階段

參考資料：Perez, C. (2002). Technological Revolutions and Financial Capital: The Dynamics of Bubbles and Golden Ages. Edward Elgar Publishing.

1. 導入期：先破門，再熱潮

導入期可分為闖入（Irruption）與狂熱（Frenzy）兩個階段：

在2022年11月ChatGPT問世前的闖入期，資本與科技巨頭已開始前置布局，但彼時 AI 更多被視為局部提效的可選工具，尚未大規(guī)模普及。

ChatGPT 的出現，把 AI 推入狂熱階段。采用門檻的大幅下降帶動了全球性的“AI + X”浪潮，文案寫作、創(chuàng)意生成等應用迅速涌現。

盡管從2025 年下半年起，市場關于AI泡沫的討論增多，但融資規(guī)模依然強勁。2025年全球私營AI公司融資額約2258億美元[2]，顯著高于2024年的1004億美元[3]。與此同時，AI供給的擴張明顯快于企業(yè)采納速度，敘事與交付的錯位，預示著產業(yè)邏輯將走向“轉折點”。

2. 轉折點：從敘事邏輯回歸生產邏輯

轉折點是技術革命中的陣痛與制度重構階段。此時，金融資本主導的狂熱泡沫因與生產現實脫鉤而破裂，關注點從 PPT 上的愿景轉向真實的生產交付。技術擴散不再僅由金融驅動，而是受制于生產邏輯與組織的接納能力。隨著AI落地從概念演示轉向對交付閉環(huán)的檢驗，Agent成為轉折點的關鍵抓手。

3. 展開期：機制擴散與成熟趨穩(wěn)

展開期可分為協(xié)同（Synergy）與成熟（Maturity）兩個階段。在協(xié)同期，AI 與制度、需求結構彼此帶動，并在企業(yè)中實現規(guī)模化滲透；進入成熟期后，AI擴散趨穩(wěn)、超額收益收斂，競爭重心轉向成本控制，金融資本也隨之轉向下一輪新敘事。

轉折點：

為何AI Agent有望成為關鍵點？

在Perez看來，轉折點往往并不溫和，而是表現為金融狂熱、資產泡沫與現實生產長期脫節(jié)后的劇烈震蕩與崩盤。

但在此輪AI擴散中，本文更傾向于將其理解為一種“確定性交付邏輯”對“概率性敘事邏輯”的替代，以及為AI而AI的出清：當生產邏輯重新占據主導，落地不僅取決于模型有多“聰明”，還取決于它在受控邊界內的執(zhí)行閉環(huán)。

Agent 模式正是推動這一轉變的核心抓手。它不只是響應指令的工具，而是能夠在明確邊界內拆解目標、調用工具并實現持續(xù)交付。再加上Skills提供的專業(yè)能力，以及OpenClaw等中間層對連接、權限和反饋的支撐，AI從單點演示走向標準化生產。

站在這一節(jié)點，判斷 AI 是否跨越轉折點有三個標準：連通性、交付力與ROI。前兩者決定AI能否嵌入運營流程，后一者決定這種嵌入能否立得住、可持續(xù)。

1. 標準一：連通性門檻的下降

長期以來，連接成本是企業(yè)落地AI的核心障礙之一。每增加一個系統(tǒng)或數據源，都意味著額外的工程投入與維護成本。

2024年底以來，隨著智能體互操作協(xié)議的成形，集成工作正從“一次性工程”轉向“協(xié)議化體系”。以MCP與A2A為代表的機制，正推動不同模型、框架與外部系統(tǒng)走向更統(tǒng)一的接入方式，并支撐起更復雜的多智能體協(xié)作：前者規(guī)范數據連接，后者規(guī)范智能體通信。

這意味著，企業(yè)不必再反復進行低效的集成開發(fā)，而是轉向統(tǒng)一連接框架下的調用管理與風險控制。連接成本下降后，多智能體系統(tǒng)才更有可能從局部接入走向更廣泛的業(yè)務擴散。

2. 標準二：交付力的提升

交付力的提升指AI能否從“錦上添花的助手”轉變?yōu)椤翱钙鹬笜说年犛选?。CB Insights將智能體劃分成兩個等級：

一類是“帶護欄智能體”（Agents with Guardrails），它們主要在受限環(huán)境里，依托結構化工作流完成特定目標，決策空間被流程與權限約束；

另一類則指“完全自治智能體”（Fully Autonomous Agents），能夠在更少人類介入的情況下，進行更復雜的決策、更強的適應與更完整的任務執(zhí)行[4]。

在落地早期，交付力主要體現在“可控自動化”。通過調用少量、確定性強的Skills處理高頻重復環(huán)節(jié)，AI得以先在真實業(yè)務中站穩(wěn)腳跟。

隨著落地場景增多，Skills會不斷豐富，智能體能夠處理的任務也會變得更復雜，并逐步具備向“完全自治智能體”演進的條件。

對企業(yè)而言，更可行的路徑是采取“先輕后重”策略：先在低風險、相對簡單的場景中，確立穩(wěn)定的交付閉環(huán)，再逐步走向更高層次的規(guī)劃與決策。

3. 標準三：ROI的合理化

隨著AI從泡沫敘事回歸財務硬約束，此時的判斷標準并非ROI單純“轉正”，而是數值的“合理化”。

在過去，互聯(lián)網平臺往往愿意先燒錢、后變現，因為梅特卡夫定律下，連接的用戶越多，網絡效應越強，且服務新增用戶的邊際成本趨近于零。

但AI并非如此，它更體現為“實時消耗”：每一次交互都對應真實的算力與運維支出。若用戶需求長期停留在“說個笑話”等非必要、低質量場景，此類流量不但難以沉淀為資產，反而成為企業(yè)的“算力負擔”。

這意味著，AI的規(guī)?；t利不再來自用戶數的簡單擴張，而來自交付機制的標準化與穩(wěn)定化。

麥肯錫2025年6月的調研揭示了“高采用率、低轉化率”的困境：約八成的公司尚未獲得實質性收益[5]。轉折點要出清的，正是那些缺乏明確落地場景，或依然延續(xù)舊時代邏輯的企業(yè)。

具體看，ROI的合理化主要體現在兩類能力的形成：

其一是工程經濟性

通過將 AI嵌入結構化工作流，交付過程從“一次性試錯”轉型為“標準化的數字生產單元”。隨著任務鏈條被進一步模塊化，Skills 的復用性隨之提升，企業(yè)在切入新場景時，往往以差異化配置為主，而非從零開發(fā)，從而壓低成本。

其二是治理合規(guī)性

AI的引入往往伴隨“責任真空”：一旦出了問題，誰該承擔責任？在轉折點階段，企業(yè)必須重塑權責治理框架，確保 AI 的執(zhí)行路徑可留痕、可審計，異?？啥ㄎ?，必要時可回滾。只有當管理上的不確定性被納入可控范圍， AI 才能轉化為長期可核算的生產力。

展開期協(xié)同階段：

從局部跑通到規(guī)模化滲透

若轉折點標志著信任的“質變”，解決了AI能否落地的問題；那么展開期的協(xié)同階段則開啟了規(guī)模的“量變與裂變”。

此時，企業(yè)估值從紙面敘事回到真實價值，金融資本與生產資本重新融合，已被驗證可行的 AI 新范式被持續(xù)復制，并在產業(yè)毛細血管中規(guī)模化滲透。

在Perez的理論中，協(xié)同階段意味著技術、制度與需求結構開始相互強化，并由此開啟更廣泛的繁榮。

但在AI浪潮中，決定擴散速度的往往不是外部需求的爆發(fā)，而是組織內部的貫通：若無法先在內部跑通交付、治理與復用的閉環(huán)，任何需求側的放大都難以轉化為可持續(xù)、可規(guī)?；臄U張。

因此，本文將此階段的重點放在組織層面的擴散機制與難點上，這不只是局部效率的提升，更是協(xié)同繁榮得以展開的前提。

在實踐中，擴散并非無規(guī)律的遍地開花，而是“由點及面”：首先在少數需求明確、可度量、流程化的環(huán)節(jié)跑通，再沿相鄰流程逐步擴散至外圍部門。與此同時，Agents的集群協(xié)作不僅提升了處理非標任務的精度，更通過分工降低了整體風險，推動 AI 走向規(guī)?；瘶I(yè)務部署。

進入協(xié)同階段后，難點往往不再是模型本身，而是數據。高質量數據是AI模型訓練和運行的基礎，但企業(yè)在真實部署中普遍面臨數據質量不穩(wěn)、口徑不一和“數據孤島”等問題。

Gartner在關于GenAI項目放棄的判斷中，將“數據質量低下” 明確列為關鍵原因之一[6]；與此同時，Splunk的全球調查顯示，組織中約55%的數據屬于“暗數據”[7]，常以郵件、錄音、合同和非結構化文檔等形式沉淀在系統(tǒng)與部門之間。

換言之，AI不是缺“更多數據”，而是缺“能進入生產閉環(huán)的數據”：一類是尚未被有效利用的暗數據，另一類則是充滿模糊性、錯誤、異常值和不可用記錄的低質量數據。

進一步看，隨著Agent的普及，數據的使用邏輯發(fā)生了改變：當員工讓AI替自己查詢、撰寫時，AI的輸出又會反過來沉淀到知識庫中，成為新的數據資產[8]。

雖然數據開放越多，AI就越“聰明”，但一旦數據在調用、生成和回寫中持續(xù)流動，越權、誤用和泄露的風險也會隨之上升。

因此，未來的領先者，將是那些能把分散的數據、規(guī)則與業(yè)務細節(jié)組織成可持續(xù)調用的生產資源，并讓數據在安全邊界內實現最大化流轉的組織。

在協(xié)同階段，會有以下兩個特征：

1. 本地化與私有化部署增多。

在金融、高端制造等領域，核心系統(tǒng)與敏感數據往往需要通過私有化方案與AI實現安全閉環(huán)。這種部署方式的大規(guī)模普及，意味著智能體已被正式賦予了執(zhí)行權，開始在隔離環(huán)境中承擔起高頻、高壓的生產任務，完成了從“外部插件”向“原生能力”的轉化。

2. 垂直化應用增多。

這是在人類與AI幻覺共存的前提下，推動AI實現規(guī)模化落地的一條現實路徑。

以金融或醫(yī)療為例，錯誤的決策建議可能觸發(fā)巨大的合規(guī)風險或生命代價。垂直化通過收窄任務邊界、引入領域規(guī)則與知識約束，將不確定性收斂到可驗證、可控制的范圍。

與此同時，垂直化也更容易建立針對性的控制機制，例如在高風險動作前設置人工審核、攔截敏感意圖與越權請求、要求關鍵結論附帶證據引用等，從而提高AI進入實際業(yè)務流程的可行性。

在金融、醫(yī)療等高約束行業(yè)中，AI往往先以垂直化的形式進入具體流程。且隨著 Agent 逐步成為新的調用入口，過去“人找軟件”會轉向“Agent 找軟件”，軟件退居幕后，為Agent提供數據、功能或工作流。

在此背景下，側重UI與交互體驗的泛行業(yè)軟件價值將被削弱；擁有專業(yè)數據、行業(yè)know-how或成熟工作流的垂直軟件，將迎來價值提升。

展開期成熟階段：

基礎設施化與存量競爭

Perez所描述的成熟階段，更多著眼于技術范式的后段演進，強調收益遞減、競爭收斂與資本轉場。相較之下，本文更關注AI深度嵌入組織后的影響：部署紅利消退，AI逐步沉入生產與管理的基礎層，成為類似電力的通用能力。

這也意味著，AI不再是領先者的額外優(yōu)勢，而是越來越接近企業(yè)留在牌桌上的基本條件。

競爭重心也隨之發(fā)生轉移：企業(yè)真正比拼的，是誰能憑借更優(yōu)的成本結構與更穩(wěn)健的治理體系，實現從“尋找增量紅利”向“守住存量利潤底座”的切換。

正因為如此，金融資本開始從這一輪技術范式中抽離，轉而追逐下一輪更具想象力的新敘事。

與此同時，Physical AI早已跨越了前期外溢，頻繁在更復雜的非標場景中規(guī)?；涞亍挝怀杀镜某掷m(xù)下降與交付質量的高度可預測，構成了AI在復雜場景走向持續(xù)商業(yè)化的關鍵條件。

OpenAI董事會主席Bret Taylor指出，AI Agent代表的是一種全新的軟件范式，但實際應用中，企業(yè)的定位仍停留在“高階助手”階段，止步于生成內容、總結信息等輔助性工作。這種思維瓶頸阻礙了企業(yè)下放執(zhí)行權，導致AI始終無法觸及治理與責任的核心。

到了成熟階段，認知與運用的錯位已被矯正。企業(yè)不再把AI視為局部增效工具，而是將其納入責任體系，作為能夠承接結果的“組織單元”。相應地，變革并非“在原流程里加一段自動化”，而是圍繞AI重新設計分工、流程與交付閉環(huán)。

此時，企業(yè)的運作體系可進一步拆解為三層：方向層、執(zhí)行層與沉淀層。

在方向層：

人類管理者作為長期變量的掌控者，主要面向季度、年度乃至更長周期，致力于設定戰(zhàn)略目標、合規(guī)紅線，保留關鍵決策的人工裁定權，并負責風險把控與全局糾偏；

在執(zhí)行層：

AI作為短期變量的執(zhí)行主體，主要面向日、周或實時變化的任務，實現從響應到交付的全流程，突破組織運營的效率邊界；

在沉淀層：

人類與AI共同作為中期變量的承載者，主要面向雙周、月度等復盤與優(yōu)化周期，將執(zhí)行過程中的得失沉淀為操作手冊、例外處理規(guī)則等可復用資產，并進行持續(xù)迭代。

在新運作體系下，人機關系也會發(fā)生變化：從“助手”走向“隊友”，從單點協(xié)作走向多智能體集群協(xié)作，“一個人指揮一組 agents”成為常態(tài)。

正如零一萬物聯(lián)合創(chuàng)始人馬杰所描述，人類負責戰(zhàn)略決策與目標設定，更像目標架構師；AI成為執(zhí)行引擎，由多智能體協(xié)作網絡構成執(zhí)行系統(tǒng)，實現全流程閉環(huán)[9]。

李開復則給出了具體場景：招聘Agent自主整合全渠道資源并完成初篩面試；員工入職后，績效Agent將評價結果進行反饋，指導招聘Agent在未來更精準地識別“超級員工”，讓整個組織在閉環(huán)中持續(xù)進化[10]。

在Physical AI方面，人機關系還可能進一步迭代：機器人在養(yǎng)老照護等場景中不只是“助手”或“隊友”，還承擔更具情感屬性的“伙伴”角色。到了成熟階段，持續(xù)記憶與多模態(tài)互動將成為常規(guī)能力，安全邊界、監(jiān)督機制與追責鏈條也成為基礎配置，此類人機關系逐步走向常態(tài)化與普及化。

當前的AI產業(yè)正處于狂熱期的尾部，加速逼近轉折點。連通性問題已基本解決，但交付力與ROI仍然有待突破。

以“龍蝦熱”為例，雖然OpenClaw裝機量激增，但誤卸軟件、安全漏洞等頻繁曝光，用戶不敢真正放權，AI的實際交付力仍然有限；再疊加Token價格依然偏高，離真正落地尚有距離。未來更可能的發(fā)展，是價格下探、能力擴張與配套管控機制的并行推進。

OpenClaw等產品推動AI從“能說”走向“能做”，這切中了AI演進的方向，但仍處于較早階段。更何況，眼下不少人并未用它創(chuàng)造新生產力，而是靠收費安裝變現；待效果不及預期后，收費卸載的生意又迅速崛起，這正是狂熱期的寫照。

對企業(yè)而言，在等待落地條件進一步成熟的同時，應將注意力前置到一項長期關鍵變量上：默會知識（Tacit Knowledge）資產化。

從AI整體進程看，自轉折點以后，落地與鋪開不僅取決于模型能力，還在于企業(yè)能否率先將沉淀在員工身上的默會知識，轉化為AI可調用的數據。

例如，資深銷售知道什么時候該逼單、什么時候該退一步；專業(yè)客服通過對用戶語氣和潛臺詞的判斷，立刻知道此單需要升級處理，但該類經驗往往夾雜大量難以言明的判斷，難以被完整數據化沉淀。

由此，未來競爭將分化為兩個維度：

●其一，是資產化廣度的博弈，誰能以更快速度、在更大范圍內，將非結構化知識轉化為AI可調用的資產，就更能形成領先優(yōu)勢；

●其二，是高階判斷力的比拼。當AI吸收大量通用經驗與標準流程后，剩下“難以數據化”的小部分，將變得更加稀缺。AI會壓低通用能力的稀缺性，卻會抬升高階判斷能力的價值，企業(yè)可提前儲備并培養(yǎng)此類人才。

從“能不能用AI”到“組織如何圍繞 AI 重新運轉”，在發(fā)展大浪潮下，個人與組織的成長范式正被重新定義。

回顧歷史，每一次技術革命，都是一次文明的交替：舊的技能版圖逐步瓦解，新的知識疆域加速涌現。

最終，在此輪AI浪潮中，決定個體與組織在新一輪產業(yè)生態(tài)中位置的，是能否站在AI所提供的“高起點”之上，以更快的速度突入更深的認知腹地、以更強的穿透力抵達人機協(xié)作的能力邊界——并在邊界之外，率先構建屬于自己的認知縱深。

參考文獻：

[1] Perez, C. (2002). Technological Revolutions and Financial Capital: The Dynamics of Bubbles and Golden Ages. Edward Elgar Publishing.

[2] CB Insights, State of AI 2025.

[3] CB Insights, State of AI 2024.

[4] CB Insights, AI Agent Bible.

[5] McKinsey, Seizing the agentic AI advantage.

[6] Gartner, Analysts Explore the Business Value of Generative AI at Gartner Data & Analytics Summit.

[7] Splunk, Dark Data: An Introduction.

[8] NIST, Artificial Intelligence Risk Management Framework: Generative AI Profile.

[9] 馬杰：深入產業(yè)，大模型創(chuàng)新助力智能化變革，微信號“亞布力企業(yè)家論壇CEF”

[10] 李開復，《AI重構商業(yè)范式》演講，中財經國際數字經濟研究院

文中圖片來自圖蟲創(chuàng)意，轉載需獲授權。

點擊下方卡片，關注長江商學院