Manus“跑路”风波背后，AI Agent的商业化困局

还记得三个月前那个让全网欢呼的AI Agent吗？

2025年3月，Manus横空出世，凭借一段“智能体自主完成任务”的演示视频，一夜之间成为科技圈宠儿。发布一周内，200万用户挤破头预约，内测码被炒至10万，仿佛AI的下一个ChatGPT时刻已经到来。

然而，这场狂欢仅仅持续了130天。当第一批用户真正体验产品时，美好的幻想被实际使用感受击碎。人们发现，号称全能助手的产品底层技术完全依赖大模型API拼接，实测过程中只执行少数标准化任务，面对复杂场景常常束手无措。

实际上，Manus的困境并非孤例。另一家明星Agent企业澜码科技早在2025年初就因融资断裂，停发员工薪资数月，目前正寻求并购机会。

虽然通用智能体被广泛认为是实现AGI的必经之路，但现实却给了这个美好愿景沉重一击。行业报告预测，到2027年，约40%的AI Agent项目可能因成本失控或商业模式不清晰而被淘汰。

那么，通用Agent赛道的窘境，是否折射了整个Agent行业的困局？未来的Agent要怎么做，才能被市场买单？

在让Manus一夜爆红的那段视频里，智能体能自动筛选简历、分析股票、规划旅行，甚至能像人类一样“思考”复杂任务。此后，内测邀请码一码难求，资本蜂拥而至，硅谷顶级风投Benchmark领投7500万美元，公司估值飙升至5亿美元。媒体争相报道，称其为下一代人机协作的范式。

一时间，Manus成了AI创业的标杆，仿佛它真的能改变世界。

然而，狂热的追捧之下，质疑声悄然浮现。

随着时间推移，用户发现Manus的实际体验远不如宣传那般惊艳。热度迅速消退，访问量逐月下滑。

一方面，Manus的核心能力并非自研，而是依赖OpenAI的GPT-4和Anthropic的Claude等第三方大模型，自己只做封装。业内人士嘲讽它是“AI套壳智能体”——能拆解任务，但执行时依赖预设的RPA，一旦遇到意外情况，就会直接卡壳。比如，大规模用户涌入后，Manus的响应速度明显变慢，算力瓶颈凸显。有用户反馈Manus经常在复杂任务中卡壳，给出不合理的答案。

另一方面，高昂的价格让不少用户望而却步。19-199美元/月的定价甚至与ChatGPT等头部大语言模型持平，但其实测效果又远被甩在身后。失衡的性价比让不少付费用户感到自己被欺骗了。比如，Manus号称能完成电商比价等复杂任务，但在实际操作过程中漏掉拼多多、天猫数据，核心数据甚至出现事实错误；金融建模时，Manus仍使用2023年的β值，与实时市场严重脱节，偏差超过15%；视频能力上，输入指令“猫狗和谐相处的温馨画面”，Manus却给出了一个狗头猫身的“弗兰肯斯坦”式生物。

可以说，那些花高价订阅（19-199美元/月）的用户，等来的不是一个智能助手，而是一堆随时可能出错的模型能力的剪辑与拼接。

实际上，Manus风评直下并非偶然，它的困境折射出整个通用AI Agent赛道的集体困局——技术未成熟就急于商业化，资本催熟泡沫掩盖产品缺陷。

Gartner预测，到2027年，40%的智能体项目将因“成本过高、商业价值不明”被淘汰。

而当潮水退去，裸泳者才将现形。Manus的故事，或许正是这场大浪淘沙的开端。

就在几个月前，Manus的爆火让人们以为通用智能体的时代已经来临，创业者们前赴后继地涌入这个赛道，仿佛只要给自己的产品贴上Agent标签，就能轻松获得资本青睐。然而现实是，大批通用AI Agent产品折戟沉沙，行业初期的浮躁与泡沫逐渐显露。

为什么通用Agent没有像大语言模型那样让市场持续振奋？

因为市面上槽点偏多的通用AI Agent产品本质上都只是大模型的一层皮。它们调用GPT-4或Claude等头部模型API，加上一个定制的前端界面，就称自己是Agent了。这种模式开发门槛低、上线速度快，但也意味着同质化严重、护城河稀薄。同类产品都空洞地执行着“接收输入→调用模型→解析输出→展示结果”的统一流程，没有竞争力，而一旦大模型接口价格上涨或政策变化，就可能难以为继。

进一步讲，通用Agent的大模型依赖症导致它却缺乏统一的底层架构设计，常常陷入泛而不精的宏大叙事，缺乏明确产品定位。

通用Agent，其实在民间还流传着一个不太雅观的称号——缝合怪。就是说，产品为了展示多功能性，强行整合RPA、爬虫、数据分析工具，导致系统臃肿，无法真正适应复杂任务，用户在实际体验过程中效果不佳。麦当劳与IBM合作开发的AI Agent，因在真实餐厅环境中频繁出错，最终被放弃。由于技术效果与业务需求之间存在落差，当企业发现投入巨资引入的Agent产品并没有带来预期的效率提升，自然会放弃继续投入。

没有人愿意买单，用户留存率和转化率少，但通用Agent的成本却不低。与专业Agent相比，通用Agent依赖多个大模型API，token消耗量更大。且由于任务泛化性更高，通用Agent产品开发和维护都需要持续投入大量算力和工程资源。然而，很多创业公司在起步阶段盲目采用互联网时代“先圈用户后变现”的免费获客模式，忽视了通用Agent服务的高成本特性。而这种高成本、低转化的矛盾则直接导致了，一旦融资跟不上、公司很快就会陷入现金流危机。

不难看出，通用Agent创业的泡沫正在破裂，那些无法实现商业化、仅靠讲故事和堆模型吸引资本的公司注定逃不过被淘汰的命运。

但通用智能体不被看好，能代表Agent这条路已经封死了吗？

当前AI Agent领域正经历一场残酷的洗牌——高昂的研发成本、模糊的商业化路径，让不少玩家黯然退场。然而，在一片“哀鸿遍野”中，仍有像GenSpark、Salesforce这样的企业逆势增长，不仅活了下来，还跑通了可持续的商业模式。

为什么Agent赛道冰火两重天，我们或许可以从这些成功盈利公司的生存模式来一探究竟。

首先，小而美优于大而全。

许多AI Agent的失败，源于试图打造万能助手，结果既无法超越通用大模型，又难以在具体场景中真正落地。他们过分追求技术的通用性和智能度，却忽略了企业客户真正关心的问题——我买这个东西，到底能做什么？

与盲目追求通用智能的做法不同，一些Al Agent公司选择在垂直领域深耕，针对痛点提供定制化解决方案，将智能体嵌入到客户的业务流程中，建立技术和数据壁垒。

比如今年突然闯进公众视野的Agent黑马——Genspark。这家公司员工仅仅二十人，却在Super Agent上线45天后便实现了3600万美元的年度经常性收入。

一个重要的原因是找准了专业赛道。

Genspark最初做AI搜索，但发现该领域已被Google、Perplexity等巨头垄断，于是果断转型AI Agent，聚焦办公自动化、数据分析和文件管理等企业刚需场景。

据悉，Genspark验证效率比传统搜索引擎提升60%，虚假信息过滤率高达98%。实际应用场景中，金融行业客户使用GenSpark后，投资研究报告撰写时间从3天缩短至8小时；学术机构用户反馈，使用GenSpark进行文献综述时，效率提升了50%。

靠着在垂类领域做到极致，半路转行的Genspark得以在Agent竞赛突出重围。

其次，解锁付费意愿很重要。

解决了做什么后，另一个问题就是：这个AI到底能帮客户赚多少钱，或者省多少钱？

许多通用Agent公司沉迷于炫技，却忽略了企业运营的真正痛点——ROI（投资回报率）。当每个产品都号称自己有Agent能力，破局者靠什么脱颖而出？

关键在于帮助客户定义AI的价值锚点。Salesforce的Agentforce之所以能在上线一年内吸引5000家机构部署、实现10亿美元年化收入，就是兼具可解释和按需付费两个特性：可解释，每个AI决策都能回溯推理过程，让企业清楚知道“AI为什么这么判断”，降低信任门槛；按需付费，除了会员制，平台还提供了按对话次数付费的商业模式，让企业选择更灵活、成本结构更透明。

深度绑定业务流程的AI Agent因直接解决了企业痛点，从而获得持续的商业收入。这也说明了，企业客户不只为Agent的概念买单，而是为可量化、可审计、可省钱的解决方案买单。

最后，数据反哺、社区创新建立生态护城河。

技术日新月异，企业想要存活，必须保持竞争力，让产品越用越聪明。要与时俱进，上述成功部署、受到市场认可的专业型Agent产品还要进一步在真实场景中收集大量的用户反馈，构建数据闭环，建立社区网络，才能进一步反哺智能体快速迭代。

医疗Agent PathChat通过分析显微镜图像和患者数据，帮助医生快速识别肿瘤，在积累了大量独家医学数据后，将识别准确率从78.1%提高到89.5%，进一步巩固专业护城河；Salesforce推出的Agent平台允许开发者创建各种行业Agent应用，第三方的加入丰富了平台功能，反过来又吸引更多企业客户采用Salesforce的AI方案。

将单一产品上升为生态系统的Agent公司，将更难被撼动。

简言之，那些在Al Agent寒冬中依然挺立的企业虽各有高招，但无不是将技术与场景深度结合的务实者。而那些一味追逐风口、忽视用户需求的投机者，终将被历史淘汰。Manus的故事或许还无法轻易定调，但它留给业界的讨论是有价值的：Al Agent的使命，在于成为人类的得力助手，而不是资本游戏中的空中楼阁。

任何不想只是昙花一现的技术，唯有脚踏实地、聚焦场景、创造价值，才能真正走出困局，迎来属于自己的春天。