2026，智能體的故事也就不再是概念與想象，而是會落到更具體的產業結果上：軟件交付周期縮短、客服與運營成本結構改變、數據分析與報表生產方式重寫，以及一批圍繞安全、合規、集成與治理的新供應鏈機會加速成形。

2026，AI 或將成為真正的生產力，而智能體，是企業把這種生產力裝進生產系統的那把扳手。

過去一年，產業界對 AI 的討論明顯變了味：從 " 模型又有多強 " 轉向 " 到底能不能上生產、能不能帶來真實收益 "。當生成式 AI 不再只是寫文案、做總結的助手，越來越多企業開始把它塞進工程管線、客服系統、運營流程，甚至把跨部門的業務鏈條交給它去跑——一個更直白的判斷正在成形：AI 正在從 " 工具 " 變成 " 生產系統 "，而智能體是這輪轉變的關鍵載體。

在這樣的背景下，Anthropic 與研究機構 Material 在 2025 年末對美國 500 多位技術領導者做了一次調研，試圖把產業里最現實的幾個問題說清楚：企業到底把智能體用在了哪些環節？從試點走向生產，卡點究竟在哪里？以及在 2026 年，企業準備把智能體推向多復雜、多關鍵的流程？受訪者覆蓋初創公司到大型企業的工程負責人、IT 高管與技術決策者，行業跨度足夠大，基本可以勾勒出一張 " 企業智能體落地地圖 "。

以下是報告正文。

前言：

在過去的幾個月里，人工智能智能體已從實驗性技術轉變為企業在生產中使用的基礎設施。與等待人類輸入的傳統軟件不同，智能體能夠自主推理問題、做出決策并采取行動，處理從多步驟編碼工作流到跨職能業務流程的各種事務。

這種向自動化工作流和多步驟智能體系統的轉變，從根本上改變了組織對人工智能的要求：模型在處理專有數據時必須安全，符合行業法規，并且能抵御越獄等對抗性攻擊。

我們與研究公司 Material 合作，對美國 500 多位來自不同規模和行業的技術領袖進行了調查，以了解各組織如今如何使用智能體，以及他們在 2026 年看到了哪些機遇。調查結果清晰地展現了技術正處于轉型之中：從任務自動化轉向戰略影響，從單一功能試點轉向跨功能部署，從漸進式效率提升轉向工作方式的根本性變革。

數據具體展示了這一轉變。根據我們的研究，超過一半的組織（57%）目前已在多階段工作流程中部署智能體，其中 16% 的組織已進一步推進到跨多個團隊的跨職能流程。2026 年，81% 的組織計劃著手更復雜的使用場景 —— 39% 的組織將為多步驟流程開發智能體，29% 的組織將在跨職能項目中部署智能體。

鑒于過去 12 個月內智能體編程的發展，如今近 90% 接受調查的組織使用人工智能輔助編程也就不足為奇了。

各組織報告稱，人工智能智能體在整個開發生命周期中節省了更多時間 —— 從規劃和構思階段（占 58%）到代碼生成、文檔編寫、測試和審查階段（均占 59%）。

這種影響也遠遠超出了軟件開發的范疇。在工程領域之外，影響力最大的用例包括數據分析和報告生成（占 60%）以及內部流程自動化（占 48%），有 56% 的受訪者計劃在明年部署智能體用于研究和報告工作。此外，80% 的受訪者表示，這些投資已經產生了可衡量的經濟回報 —— 并非預期價值或試點結果，而是實際的投資回報率。

十分之八的組織認為，人工智能智能體已經帶來了可衡量的投資回報率，另有十分之一的組織表示，他們預計人工智能智能體未來將產生更大的經濟影響。2026 年，領導者面臨的問題不在于是否采用人工智能智能體，而在于如何戰略性地擴大其規模，同時應對集成挑戰（46%）、數據質量要求（42%）和變革管理需求（39%）。

一、當前格局：企業正如何部署 AI 智能體？

1、從 " 單步自動化 " 走向 " 多步驟工作流與跨職能流程 "

如今，超過九成的組織都在使用人工智能輔助編程。絕大多數（86%）的組織已經不再局限于試驗階段，而是將人工智能編程智能體用于生產代碼的開發，其中企業的采用率領先，達到 91%，而中小型企業的這一比例為 83%。42% 的組織信任這些智能體在人類的監督下主導開發工作，這標志著工程團隊的結構以及代碼的編寫方式正在發生重大轉變。

人工智能編程智能體已從試驗階段邁向主流，大多數組織已在生產環境中部署它們。戰略性地采用這些工具的組織正在加快交付進度、優化工程資源，并讓開發人員能夠專注于更具價值的架構設計和問題解決工作。在信任智能體主導工作與僅讓其提供輔助的組織之間的差異表明，那些盡早投入培養專業知識和建立最佳實踐的組織將獲得顯著優勢。

2、編碼智能體幾乎成為標配，且正走向 " 生產級 "

3、生產力提升不止于 " 寫代碼更快 "，而是覆蓋研發全流程

人工智能智能體正在整個開發生命周期中提高生產力，而不僅僅是在代碼生成方面。各組織報告稱，在四個關鍵領域的時間收益幾乎相同：代碼生成（59%）、研究和文檔編制（59%）、代碼審查和測試（59%）以及規劃和構思（58%）。

這種影響涵蓋了軟件開發的每個階段，這意味著團隊能夠同時提高工程速度和代碼質量。在整個開發過程中集成人工智能智能體的組織可以讓這些收益疊加，將編碼速度 10%-15% 的提升轉化為整個項目時間線的顯著加快。這種影響在各項活動中的分布近乎均衡，這也表明團隊在任何應用這些工具的地方都能發現價值，這使得重點不再是選擇 " 正確的 " 用例，而更多在于系統性的采用。

3、主流路徑是 " 混合式 "：現成方案 + 定制能力

大多數組織（47%）采用混合方式來處理人工智能智能體，將現成解決方案與定制組件相結合。約五分之一（21%）的組織完全依賴預制智能體，而相近比例（20%）的組織則利用應用程序接口、開源模型或需要編碼專業知識的開發工具包自行構建。

混合模型的主導地位表明，沒有任何單一方法能滿足組織的所有需求。現成的智能體可以讓團隊快速啟動，但往往缺乏特定工作流程或專有系統所需的定制化功能。完全定制化的構建能提供控制力和差異化優勢，但需要大量的工程投入。大多數組織在中間地帶找到了價值：在適用的地方使用預制智能體，只在定制化能帶來顯著優勢的地方投入開發資源。

二、深入探討：擴展用例與衡量 ROI

1、下一波增長點：從工程與 IT 擴展到企業級基礎設施

未來 12 個月，各組織期望人工智能智能體的應用能遠遠超出工程和信息技術職能。56% 的組織計劃優先采用人工智能智能體進行研究和報告工作，尤其是在中型市場和企業組織中，緊隨其后的是供應鏈優化、產品開發和財務規劃。計劃應用場景的廣度表明，人們正從將人工智能智能體視為特定部門的工具，轉向將其視為企業級基礎設施。

研究和報告工作涵蓋了組織的各個職能和層級，這使其成為一個極具影響力的起點，能在將人工智能智能體部署到更敏感或更復雜的工作流程之前，讓組織適應它們。成功實施智能體用于研究和分析的組織能夠建立治理框架、培養內部專業知識，并以各種方式展示投資回報率，從而加速在高風險用例（如財務規劃或供應鏈決策）中的應用。這些早期部署的跨職能性質意味著，相關能力會在整個企業內增強，而不僅僅是在孤立的團隊中。

2、除編碼之外：數據分析 / 報告與流程自動化最 " 有感 "

除了編碼之外，影響最大的人工智能智能體用例是數據分析和報告生成（60% 的人表示這是最具影響力的任務之一）以及內部流程自動化（48%）。企業對數據分析和報告生成尤為看好，65% 的企業認為這些是高影響力的應用。

數據分析和報告工作涉及組織的各個方面 —— 財務部門需要月度報告，銷售部門需要銷售渠道分析，運營部門需要供應鏈可見性。企業的熱情顯而易見，因為大型組織通常擁有更多數據、更復雜的報告要求，以及更多人花費時間在智能體可以加速或完全自動化的分析工作上。內部流程自動化帶來了一種不同的價值，它減少了重復工作流程中的阻礙，這些阻礙會拖慢團隊的速度，但并不需要深厚的專業知識。組織應該優先考慮那些智能體既能增強專家判斷（數據分析）又能消除低價值工作（流程自動化）的用例，而不是簡單地將現有的手動流程數字化。

3、效率提升是第一驅動力，但企業同樣期待成本節約

各組織期望人工智能智能體在未來 12 個月內帶來效率提升，44% 的組織預計任務完成速度會更快。企業還期望除了速度之外的另一項好處：通過部署智能體實現可衡量的成本節約。

效率提升與成本節約之間的差異揭示了當今人工智能智能體的兩條截然不同的發展路徑，而這兩條路徑都為未來的發展創造了空間。速度提升有助于組織利用現有資源完成更多工作，而企業尤其能夠大規模實現的成本節約，則來自于減少人工投入和避免代價高昂的錯誤。隨著組織在智能體部署方面不斷成熟，這些成果將開啟全新的工作類別：全面的競爭分析、持續的文檔編制、主動的客戶拓展 —— 這些工作在以往并不具備經濟可行性。2026 年能獲取最大價值的組織，將去追逐那些只因效率提升的累積效應才得以存在的機遇。

4、ROI 將在多個職能同時爆發，而非只有一個主戰場

2026 年，軟件開發（57%）和客戶服務（55%）預計將在短期內受到 AI 智能體的最大影響，緊隨其后的是市場營銷與銷售（46%）以及供應鏈、物流和運營（44%）。

這四項功能具有一些關鍵特征，使其成為人工智能智能體的理想試驗場：它們涉及大量重復性工作，需要快速的迭代周期，并且擁有清晰的性能指標，從而使投資回報率可衡量。這些功能的預期影響范圍在 44% 到 57% 之間，彼此較為接近，這表明我們看到的是多個可行的切入點，而非一個主導性的用例。

5、" 已經賺錢 " 不是少數案例：80% 的組織看到可衡量經濟價值

大多數組織（80%）報告稱，他們在人工智能智能體方面的投資目前已經產生了可衡量的經濟影響，而且對未來的信心更高 —— 88% 的組織預計回報將持續或增長。這并非推測性的投資回報率；大多數組織從其部署中看到了實實在在的商業價值。

各組織已跨越概念驗證階段，進入可衡量回報的階段，相關討論也從 " 我們是否應該投資？" 轉變為 " 我們如何擴大有效舉措的規模？" 這些研究結果表明，隨著組織將智能體應用于更多用例、改進其實施方式并積累機構知識，回報會不斷增加。先行者正在構建專業知識和基礎設施，這將使他們在技術持續成熟的過程中獲取不成比例的價值。

三、前進的道路：2026 年規模化落地的關鍵

2026 年推動人工智能智能體的采用。

1、企業更樂觀，意味著 " 規模化結果 " 正在出現

所有領域的組織都期望人工智能智能體在 2026 年能帶來顯著的業務影響，其中企業對這項技術的潛力表現出尤為強烈的信心。

企業的樂觀態度是一個重要信號，因為大型組織通常行動更為謹慎 —— 它們的評估周期更長，治理要求更嚴格，對價值證明的標準也更高。當企業表達出強烈的信心時，這表明它們看到的是規模化的成果，而不僅僅是試點項目中的成效。它們的積極態度也往往會影響更廣泛的市場：企業的采用會推動供應商在安全、合規和集成能力方面加大投入，而這些最終會使各種規模的組織都從中受益。

2、最大障礙不是模型，而是數據與系統集成，以及人的改變

整合和數據質量挑戰是各類規模組織在實施過程中面臨的首要障礙。近一半（46%）的組織認為與現有系統的整合是主要障礙，42% 的組織指出數據訪問和質量問題，43% 的組織提到實施成本。中小型企業面臨一個獨特的挑戰：它們在采用的人力層面遇到困難的可能性明顯更高，包括員工抵觸和培訓需求（51%，而大型企業的這一比例較低）。

這些障礙是可預測且可解決的，但根據組織的規模和成熟度，需要采取不同的策略。企業需要優先進行技術整合和數據基礎設施方面的前期工作 —— 將人工智能部署視為一個系統層面的挑戰，而不僅僅是一次軟件采購。同時處理技術層面和變革管理層面問題的各領域組織，將比那些只關注技術的組織更快地實現價值。

3、智能體正在把人從執行中解放出來，把時間推向更高價值區

智能體正在改變員工的時間分配方式 —— 更多地關注戰略工作（66%）、人際關系建設（60%）和技能發展（70%），而非日常執行。

這解決了關于人工智能采用的核心問題之一：它主要是取代工作還是提升工作。數據表明，各組織看到的是后者 —— 智能體負責執行，而人類則專注于判斷、人際關系和學習。這種轉變的影響超出了生產力指標的范疇：那些將更多時間用于戰略制定和技能培養的團隊，會隨著時間的推移變得更有價值，而不是相反。組織在部署智能體時應牢記這一目標，不僅要衡量任務完成率，還要關注人們是否在處理越來越具高影響力的問題。那些利用智能體培養員工同時提高效率的公司，將比那些只專注于降低成本的公司建立起可持續的優勢。

4、復雜化是必然：81% 計劃在 2026 年做更復雜的智能體

大多數組織（81%）計劃在 2026 年從簡單的任務自動化轉向更復雜的人工智能項目，其中企業在這一轉變中處于領先地位，占比 87%，而中小企業為 78%。至于 " 更復雜 " 具體意味著什么：39% 的組織期望開發能夠處理多步驟流程的智能體，29% 的組織計劃部署智能體用于跨多個團隊或部門的跨職能項目。

各組織正準備利用人工智能解決更棘手的問題 —— 這類工作需要跨系統、跨職能以及跨決策點進行協調。那些現在就能確定自身能發揮最大作用的復雜用例的公司，能夠建立相關能力和機構知識，而其他公司仍在專注于基礎自動化。比如，能為銷售策略提供信息的客戶智能、能連接法務與采購部門的合同生命周期管理，或是能綜合財務、運營和產品團隊輸入信息的戰略規劃智能體。

四、Anthropic 2025 經濟指數：三個 " 更底層 " 的觀察

值得注意的是，Anthropic 的 2025 年經濟指數分析了超過 350 萬條匿名的 Claude 對話，以了解人工智能在各行業的應用情況。研究結果揭示了一個明顯的模式：企業正從試驗階段邁向系統性部署，其使用集中在人工智能能力最強且組織障礙最低的領域。

第一，企業正在進行委派，而非協作。

77% 的商業 API 使用呈現出自動化模式，這意味著企業正將完整任務交給人工智能處理，而非將其用作協作助手。這一比例顯著高于消費者使用率，后者徘徊在 50% 左右。企業正將人工智能作為主力軍嵌入工作流程，而非必然作為思想伙伴。這與我們的調查結果一致：97% 的受訪者期望在未來 12 個月內，其智能體部署能帶來更高的效率提升。

第二，能力比成本更重要。

最昂貴的任務使用率最高。企業正將資源部署在模型能力較強以及自動化能創造實際經濟價值的領域。對于技術決策者而言，這意味著投資回報率的計算應聚焦于業務成果，而非令牌成本。復雜的代碼生成、多步驟的研究綜合以及詳細的文檔分析都需要更多的計算資源，但如果做得好，就能帶來巨大的回報。我們與 Material 公司聯合開展的調查也得出了類似的結論：96% 的受訪者對人工智能智能體給其公司帶來的業務影響持樂觀態度。

第三，上下文才是真正的瓶頸

復雜任務需要多得多的上下文才能很好地執行。不同任務之間存在一種穩定的關系：輸入上下文長度每增加 1%，輸出質量和長度就會增加 0.38%。對于一些組織來說，昂貴的數據現代化以及為呈現上下文信息所做的投資可能是人工智能采用的主要瓶頸。數據分散或孤島化的公司將難以解鎖復雜的人工智能用例。

寫在最后：

把這些數據和趨勢放在產業視角里看，2026 年很可能是智能體從 " 可用 " 邁向 " 規模化生產力 " 的分水嶺。企業真正競爭的，不只是選了哪家模型，而是誰更早把智能體接入系統、打通數據、重構流程，并完成組織層面的變革管理，也就是把 AI 變成穩定可復制的產能，而不是少數團隊的 " 效率奇技 "。當 80% 的受訪者已經看到可衡量的經濟回報，智能體的故事也就不再是概念與想象，而是會落到更具體的產業結果上：軟件交付周期縮短、客服與運營成本結構改變、數據分析與報表生產方式重寫，以及一批圍繞安全、合規、集成與治理的新供應鏈機會加速成形。

2026，AI 或將成為真正的生產力，而智能體，是企業把這種生產力裝進生產系統的那把扳手。

來源：產業家