大模型变现元年后，智能体会不会一地鸡毛？

“90%的Agent会被大模型吃掉。”

这是著名投资人朱啸虎曾炮轰智能体的一句话。是真是假，我们先不给出直接答案。

然而，AI智能体公司Manus被卖身Meta的事却可以说明Agent创业公司其实并不好过。虽然这场收购还没有最终结果，与此同时，智谱、MiniMax等大模型公司扎堆上市，头部科技企业纷纷加码智能体赛道。

这里先做个科普，Agent与大模型不是同一个概念。核心区别在于定位与能力，前者是能自主完成任务的「执行者」，更像手脚，后者是擅长推理以及基于信息处理的「知识库」，偏是大脑。

理清楚两者区别后，回过头来看，一边是一些中小玩家黯然退场，一边是资本与巨头疯狂入局，AI Agent企业在爆发元年开始面临一个问题，

当大模型变现进入深水期，被寄予厚望的智能体究竟是下一个风口，还是会重蹈部分赛道“昙花一现”的覆辙？

01 AI Agent与大模型，走出了不同的2条路

在2026节点增长大会上，360集团创始人周鸿祎指出，当前AI发展已进入下半场，重心正从“模型研发”加速转向“应用落地”。大模型虽然强大，但仅凭“大脑”无法直接干活，必须结合工具、规划与行动能力，进化为“智能体”，才能成为真正的生产力工具。

国内AI Agent的发展历程可划分为两大阶段。第一阶段以对话交互与信息检索为核心，各类AI辅助应用扎堆涌现，市场竞争尚未分出明显胜负。用户规模层面，抖音豆包、腾讯元宝、阿里千问等巨头旗下产品，与DeepSeek、Kimi等创业公司代表形成主力阵营，这一时期的竞争核心，本质是对流量入口的抢占和用户使用习惯的培育。

步入2025年末至2026年初，AI Agent正式迈入第二阶段，行业分化态势愈发清晰。各家企业结合自身战略布局与资源禀赋，锁定了差异化的价值赛道。

其中，豆包聚焦语音交互、图文视频生成等娱乐场景深耕，还与手机厂商达成合作形成协同效应；千问借助阿里生态的资源优势，主打生活服务领域，化身用户身边的“全能管家”；Kimi则瞄准生产力提升方向，通过自主研发的Agent模型，推动AI技术与办公工作流的深度融合。

谷歌此前的相关论断，在豆包、千问与Kimi的发展路径中已得到印证。行业之所以走向差异化竞争，核心是大家逐渐形成共识：AI Agent的最终价值，必须通过解决实际问题的能力来彰显。

但值得注意的是，当AI Agent具备跨应用穿透能力时，终端厂商与希望打造闭环生态的应用厂商之间，难免产生利益博弈。例如阿里巴巴正试图借助千问的AI Agent功能，打通高德地图、淘宝、飞猪等阿里系应用，实现服务串联。

不过有一点值得注意，当前AI Agent的核心价值集中在To B领域，主要原因是其推理过程成本偏高，响应速度也相对较慢，而这些短板在B端场景中更容易被接受。

对企业用户而言，这类“等待成本”完全在可承受范围内：比如花费5分钟生成一份PPT，或10分钟产出一份战略规划，用户可利用这段时间处理其他事务，加之B端用户对AI Agent的付费意愿本就更强。

不过相比智能体企业，2026年的大模型行业，最鲜明的标签莫过于“变现”。

曾经只谈技术参数、融资轮次的行业语境，如今已被营收数据、盈利路径取代，资本的耐心在持续投入后，终于迎来了对回报的刚性要求。

这场变现浪潮的核心标志，是头部企业密集登陆资本市场。月初智谱AI登陆港交所，随后，MiniMax紧随其后上市，首日涨幅超100%，市值突破1000亿港元。

两家企业的上市点燃了整个行业的资本化热情，而在此前的A股市场，摩尔线程、沐曦股份、壁仞科技先后在 A 股、科创板与港股完成上市。与此同时，更多算力与 AI 芯片公司进入上市审批流程。接连几家GPU厂商的连续IPO，释放出一个重要的信号：资本市场开始认可这些AI企业。

在完成前期融资以及业务达到一定商业化水平后，选择登陆资本市场成了共同的选择，很大一部分原因在于钱。坦白来说，大模型训练单次成本高，算力投入占企业支出比例大，而单纯的技术研发无法支撑企业长期生存。在这样的背景下，无论是大厂还是创业公司，都在探索多元化变现路径。

相较于智能体企业，大模型行业似乎更容易被市场接受，如果只是简单看到资本层面的动作，可能无法理解其中的原因，但在技术演化角度，类似Manus这样的企业的确需要考虑，大模型越来越强的时候，会对自己带来什么？

02 AI Agent的困局，大部分被大模型吃掉？

所以，随着大模型企业加速变现，一个尖锐的问题浮出水面：作为大模型的“应用延伸”，AI Agent是否会被强大的大模型厂商“吃掉”？

AI Agent的核心价值，在于弥补大模型的行动短板，大模型如同超级大脑，拥有大部分的专业领域知识覆盖率，却只有不足的实际任务执行能力，它能解答问题、生成方案，却无法直接操作软件、完成跨系统任务。

而AI Agent通过环境感知、任务规划、决策执行等模块，为大模型装上“手脚”，让智能从能说会道进化为“能说会做”。它以大模型为核心，搭配屏幕语义理解技术和RPA机器人，能自动完成商品上架、库存管理等电商运营工作，将原本数小时的流程压缩至几分钟。

新的挑战是，随着大模型能力的飞速发展，模型本身正在变得越来越“Agent化”，随着模型性能的溢出，用户可以直接调用模型来完成任务。

以目前进展更快的AI代码为例，Anthropic的Claude、谷歌的Gemini系列模型，模型本身的编码能力就在随着更新提升，其自研的编码工具（如Claude Code）不仅能够实现自主编程，优化种种产品体验之外，它的Max会员模式还支持用户随意调用自家模型，即使是每百万输出tokens收费75美元的Opus4，单月200美元同样支持不限量使用。

而国内大厂凭借算力、数据优势，快速推出内置Agent功能的产品，挤压了创业公司的生存空间。

换句话说，大模型厂商的入局让AI Agent赛道的竞争愈发激烈。

03 规模化落地后，谁在AI Agent赛道裸泳？

随着技术逐渐成熟、资本持续加码，AI Agent赛道一定会日渐迎来规模化落地的关键节点。但热闹之下，泡沫也在滋生，当行业进入深度洗牌期，只有褪去概念包装、具备核心价值的企业，才能避免被市场淘汰。

瑞银方面认为，智能体规模化的发展演化将是一个分阶段的过程，从在单一App中加入功能，到在生态内打通资源，再到实现跨平台和多智能体协作。智能体的大规模普及不仅面临技术挑战，也涉及用户接受度、产业协同、商业模式和监管框架等问题，从现实情况看，其真正大规模推出和变现仍需要时间。

资本过于火热就不排除AI Agent赛道存在泡沫，主要体现在伪需求与技术同质化上，部分企业为了追逐热点，简单将大模型与RPA结合就宣称推出AI Agent，却缺乏对行业场景的深度理解，导致产品无法解决实际问题。某创业公司推出的办公Agent，号称能自动处理邮件、生成报告，但实际使用中频繁出现指令理解偏差，客户留存率却比较低，这种缺乏核心竞争力的产品，在市场检验中很快就会原形毕露。

加之规模化落地的核心障碍，还在于技术瓶颈与成本控制。反馈机制建立、复杂任务拆解等技术难题尚未完全解决，而训练Agent所需的算力成本、数据标注成本居高不下。

Meta提出的“早期经验”学习范式，让Agent通过自主探索环境积累经验，一定程度上降低了训练成本，但这种技术尚未普及。对于中小企业而言，没有足够的资金支撑技术迭代，很难在规模化竞争中突围。

接下来市场就会开始用脚投票，筛选出真正有价值的玩家。从赛道分布来看，编程助手类Agent商业化程度最高，能够协助开发者完成代码编写、调试等全流程工作，付费转化率也许比较高。

电商、金融、医疗等垂直领域的Agent，凭借对场景的深度适配，也获得了稳定的客户群体。这些企业的共同特点是，不追求“大而全”的通用能力，而是聚焦“小而美”的场景价值，用实际效果赢得付费。

与其他行业一样，泡沫褪去，才知谁在裸泳。AI Agent赛道的规模化会让那些靠概念炒作、缺乏技术壁垒和场景落地能力的企业，终将被市场淘汰；而那些深耕技术、聚焦需求、能够创造实际价值的玩家，将在洗牌中脱颖而出，推动行业走向成熟。

从大模型企业的上市狂欢，到AI Agent赛道的冰火两重天，2026年的AI行业正在经历一场深刻的价值重构。变现压力让行业告别野蛮生长，技术博弈让赛道趋于理性，市场检验让泡沫逐渐消散。

AI Agent不会成为一地鸡毛，因为它解决了大模型“知行不一”的核心痛点，顺应了智能技术落地的产业需求。但它也不会一蹴而就，必然要经历洗牌与沉淀。