AI的扩散逻辑：从试点热潮到基础设施化，Agent有望成为关键转折点

·当生产逻辑重新占据主导，AI落地不仅取决于模型有多“聪明”，还取决于它在受控边界内的执行闭环。Agent模式正是推动这一转变的核心抓手。

·未来的领先者，将是那些能把分散的数据、规则与业务细节组织成可持续调用的生产资源，并让数据在安全边界内实现最大化流转的组织。

作为信息技术之后新一轮的技术革命，对AI前景的评估不应局限于模型参数，而是要考虑商业化程度及组织的现实吸收能力。不同于传统康波理论更侧重从GDP、价格等总量指标识别周期起伏，经济学家卡萝塔·佩蕾丝(Carlota Perez)在其书《技术革命与金融资本》中，以“发展大浪潮”（Great Surges of Development）概括技术革命的扩散过程，并引入“技术—经济范式”进行解释[1]。

本文采用Perez的阶段划分，在此基础上进一步延伸与扩展，讨论AI如何从早期的关注与狂热，经由转折点的泡沫退去，再进入中后期的机制扩散与长期运营趋稳，最终成为组织的通用底层能力。

一、技术革命的扩散逻辑：从导入到展开

Perez 将通用技术的扩散分为导入期（Installation Period）、转折点（Turning Point）与展开期（Deployment Period）。其核心在于揭示金融资本与生产资本的动机差异：前者追逐叙事与纸面增值，后者关心可持续的利润（图 1）。

图 1 技术扩散的不同阶段，参考资料：Perez, C. (2002). Technological Revolutions and Financial Capital: The Dynamics of Bubbles and Golden Ages. Edward Elgar Publishing.

1.导入期：先破门，再热潮

导入期可分为闯入（Irruption）与狂热（Frenzy）两个阶段：

在2022年11月ChatGPT问世前的闯入期，资本与科技巨头已开始前置布局，但彼时 AI 更多被视为局部提效的可选工具，尚未大规模普及。

ChatGPT 的出现，把 AI 推入狂热阶段。采用门槛的大幅下降带动了全球性的“AI + X”浪潮，文案写作、创意生成等应用迅速涌现。尽管从2025 年下半年起，市场关于AI泡沫的讨论增多，但融资规模依然强劲。2025年全球私营AI公司融资额约2258亿美元[2]，显著高于2024年的1004亿美元[3]。与此同时，AI供给的扩张明显快于企业采纳速度，叙事与交付的错位，预示着产业逻辑将走向“转折点”。

2.转折点：从叙事逻辑回归生产逻辑

转折点是技术革命中的阵痛与制度重构阶段。此时，金融资本主导的狂热泡沫因与生产现实脱钩而破裂，关注点从 PPT 上的愿景转向真实的生产交付。技术扩散不再仅由金融驱动，而是受制于生产逻辑与组织的接纳能力。随着AI落地从概念演示转向对交付闭环的检验，Agent成为转折点的关键抓手。

3.展开期：机制扩散与成熟趋稳

展开期可分为协同（Synergy）与成熟（Maturity）两个阶段。在协同期，AI 与制度、需求结构彼此带动，并在企业中实现规模化渗透；进入成熟期后，AI扩散趋稳、超额收益收敛，竞争重心转向成本控制，金融资本也随之转向下一轮新叙事。

二、转折点：为何AI Agent有望成为关键点？

在Perez看来，转折点往往并不温和，而是表现为金融狂热、资产泡沫与现实生产长期脱节后的剧烈震荡与崩盘。但在此轮AI扩散中，本文更倾向于将其理解为一种“确定性交付逻辑”对“概率性叙事逻辑”的替代，以及为AI而AI的出清：当生产逻辑重新占据主导，落地不仅取决于模型有多“聪明”，还取决于它在受控边界内的执行闭环。

Agent 模式正是推动这一转变的核心抓手。它不只是响应指令的工具，而是能够在明确边界内拆解目标、调用工具并实现持续交付。再加上Skills提供的专业能力，以及OpenClaw等中间层对连接、权限和反馈的支撑，AI从单点演示走向标准化生产。

站在这一节点，判断 AI 是否跨越转折点有三个标准：连通性、交付力与ROI。前两者决定AI能否嵌入运营流程，后一者决定这种嵌入能否立得住、可持续。

1. 标准一：连通性门槛的下降

长期以来，连接成本是企业落地AI的核心障碍之一。每增加一个系统或数据源，都意味着额外的工程投入与维护成本。

2024年底以来，随着智能体互操作协议的成形，集成工作正从“一次性工程”转向“协议化体系”。以MCP与A2A为代表的机制，正推动不同模型、框架与外部系统走向更统一的接入方式，并支撑起更复杂的多智能体协作：前者规范数据连接，后者规范智能体通信。

这意味着，企业不必再反复进行低效的集成开发，而是转向统一连接框架下的调用管理与风险控制。连接成本下降后，多智能体系统才更有可能从局部接入走向更广泛的业务扩散。

2. 标准二：交付力的提升

交付力的提升指AI能否从“锦上添花的助手”转变为“扛起指标的队友”。CB Insights将智能体划分成两个等级：一类是“带护栏智能体”（Agents with Guardrails），它们主要在受限环境里，依托结构化工作流完成特定目标，决策空间被流程与权限约束；另一类则指“完全自治智能体”（Fully Autonomous Agents），能够在更少人类介入的情况下，进行更复杂的决策、更强的适应与更完整的任务执行[4]。

在落地早期，交付力主要体现在“可控自动化”。通过调用少量、确定性强的Skills处理高频重复环节，AI得以先在真实业务中站稳脚跟。

随着落地场景增多，Skills会不断丰富，智能体能够处理的任务也会变得更复杂，并逐步具备向“完全自治智能体”演进的条件。对企业而言，更可行的路径是采取“先轻后重”策略：先在低风险、相对简单的场景中，确立稳定的交付闭环，再逐步走向更高层次的规划与决策。

3. 标准三ROI的合理化

随着AI从泡沫叙事回归财务硬约束，此时的判断标准并非ROI单纯“转正”，而是数值的“合理化”。

在过去，互联网平台往往愿意先烧钱、后变现，因为梅特卡夫定律下，连接的用户越多，网络效应越强，且服务新增用户的边际成本趋近于零。但AI并非如此，它更体现为“实时消耗”：每一次交互都对应真实的算力与运维支出。若用户需求长期停留在“说个笑话”等非必要、低质量场景，此类流量不但难以沉淀为资产，反而成为企业的“算力负担”。

这意味着，AI的规模化红利不再来自用户数的简单扩张，而来自交付机制的标准化与稳定化。麦肯锡2025年6月的调研揭示了“高采用率、低转化率”的困境：约八成的公司尚未获得实质性收益[5]。转折点要出清的，正是那些缺乏明确落地场景，或依然延续旧时代逻辑的企业。

具体看，ROI的合理化主要体现在两类能力的形成：

其一是工程经济性：通过将 AI嵌入结构化工作流，交付过程从“一次性试错”转型为“标准化的数字生产单元”。随着任务链条被进一步模块化，Skills 的复用性随之提升，企业在切入新场景时，往往以差异化配置为主，而非从零开发，从而压低成本。

其二是治理合规性：AI的引入往往伴随“责任真空”：一旦出了问题，谁该承担责任？在转折点阶段，企业必须重塑权责治理框架，确保 AI 的执行路径可留痕、可审计，异常可定位，必要时可回滚。只有当管理上的不确定性被纳入可控范围， AI 才能转化为长期可核算的生产力。

三、展开期协同阶段：从局部跑通到规模化渗透

若转折点标志着信任的“质变”，解决了AI能否落地的问题；那么展开期的协同阶段则开启了规模的“量变与裂变”。此时，企业估值从纸面叙事回到真实价值，金融资本与生产资本重新融合，已被验证可行的 AI 新范式被持续复制，并在产业毛细血管中规模化渗透。

在Perez的理论中，协同阶段意味着技术、制度与需求结构开始相互强化，并由此开启更广泛的繁荣。但在AI浪潮中，决定扩散速度的往往不是外部需求的爆发，而是组织内部的贯通：若无法先在内部跑通交付、治理与复用的闭环，任何需求侧的放大都难以转化为可持续、可规模化的扩张。因此，本文将此阶段的重点放在组织层面的扩散机制与难点上，这不只是局部效率的提升，更是协同繁荣得以展开的前提。

在实践中，扩散并非无规律的遍地开花，而是“由点及面”：首先在少数需求明确、可度量、流程化的环节跑通，再沿相邻流程逐步扩散至外围部门。与此同时，Agents的集群协作不仅提升了处理非标任务的精度，更通过分工降低了整体风险，推动 AI 走向规模化业务部署。

进入协同阶段后，难点往往不再是模型本身，而是数据。高质量数据是AI模型训练和运行的基础，但企业在真实部署中普遍面临数据质量不稳、口径不一和“数据孤岛”等问题。

Gartner在关于GenAI项目放弃的判断中，将“数据质量低下” 明确列为关键原因之一[6]；与此同时，Splunk的全球调查显示，组织中约55%的数据属于“暗数据”[7]，常以邮件、录音、合同和非结构化文档等形式沉淀在系统与部门之间。换言之，AI不是缺“更多数据”，而是缺“能进入生产闭环的数据”：一类是尚未被有效利用的暗数据，另一类则是充满模糊性、错误、异常值和不可用记录的低质量数据。

进一步看，随着Agent的普及，数据的使用逻辑发生了改变：当员工让AI替自己查询、撰写时，AI的输出又会反过来沉淀到知识库中，成为新的数据资产[8]。虽然数据开放越多，AI就越“聪明”，但一旦数据在调用、生成和回写中持续流动，越权、误用和泄露的风险也会随之上升。

因此，未来的领先者，将是那些能把分散的数据、规则与业务细节组织成可持续调用的生产资源，并让数据在安全边界内实现最大化流转的组织。

在协同阶段，会有以下两个特征：

1. 本地化与私有化部署增多。

在金融、高端制造等领域，核心系统与敏感数据往往需要通过私有化方案与AI实现安全闭环。这种部署方式的大规模普及，意味着智能体已被正式赋予了执行权，开始在隔离环境中承担起高频、高压的生产任务，完成了从“外部插件”向“原生能力”的转化。

2. 垂直化应用增多。

这是在人类与AI幻觉共存的前提下，推动AI实现规模化落地的一条现实路径。以金融或医疗为例，错误的决策建议可能触发巨大的合规风险或生命代价。垂直化通过收窄任务边界、引入领域规则与知识约束，将不确定性收敛到可验证、可控制的范围。与此同时，垂直化也更容易建立针对性的控制机制，例如在高风险动作前设置人工审核、拦截敏感意图与越权请求、要求关键结论附带证据引用等，从而提高AI进入实际业务流程的可行性。

在金融、医疗等高约束行业中，AI往往先以垂直化的形式进入具体流程。且随着 Agent 逐步成为新的调用入口，过去“人找软件”会转向“Agent 找软件”，软件退居幕后，为Agent提供数据、功能或工作流。在此背景下，侧重UI与交互体验的泛行业软件价值将被削弱；拥有专业数据、行业know-how或成熟工作流的垂直软件，将迎来价值提升。

四、展开期成熟阶段：基础设施化与存量竞争

Perez所描述的成熟阶段，更多着眼于技术范式的后段演进，强调收益递减、竞争收敛与资本转场。相较之下，本文更关注AI深度嵌入组织后的影响：部署红利消退，AI逐步沉入生产与管理的基础层，成为类似电力的通用能力。

这也意味着，AI不再是领先者的额外优势，而是越来越接近企业留在牌桌上的基本条件。竞争重心也随之发生转移：企业真正比拼的，是谁能凭借更优的成本结构与更稳健的治理体系，实现从“寻找增量红利”向“守住存量利润底座”的切换。

正因为如此，金融资本开始从这一轮技术范式中抽离，转而追逐下一轮更具想象力的新叙事。与此同时，Physical AI早已跨越了前期外溢，频繁在更复杂的非标场景中规模化落地。单位成本的持续下降与交付质量的高度可预测，构成了AI在复杂场景走向持续商业化的关键条件。

OpenAI董事会主席Bret Taylor指出，AI Agent代表的是一种全新的软件范式，但实际应用中，企业的定位仍停留在“高阶助手”阶段，止步于生成内容、总结信息等辅助性工作。这种思维瓶颈阻碍了企业下放执行权，导致AI始终无法触及治理与责任的核心。

到了成熟阶段，认知与运用的错位已被矫正。企业不再把AI视为局部增效工具，而是将其纳入责任体系，作为能够承接结果的“组织单元”。相应地，变革并非“在原流程里加一段自动化”，而是围绕AI重新设计分工、流程与交付闭环。

此时，企业的运作体系可进一步拆解为三层：方向层、执行层与沉淀层。

在方向层，人类管理者作为长期变量的掌控者，主要面向季度、年度乃至更长周期，致力于设定战略目标、合规红线，保留关键决策的人工裁定权，并负责风险把控与全局纠偏；

在执行层，AI作为短期变量的执行主体，主要面向日、周或实时变化的任务，实现从响应到交付的全流程，突破组织运营的效率边界；

在沉淀层，人类与AI共同作为中期变量的承载者，主要面向双周、月度等复盘与优化周期，将执行过程中的得失沉淀为操作手册、例外处理规则等可复用资产，并进行持续迭代。

在新运作体系下，人机关系也会发生变化：从“助手”走向“队友”，从单点协作走向多智能体集群协作，“一个人指挥一组 agents”成为常态。正如零一万物联合创始人马杰所描述，人类负责战略决策与目标设定，更像目标架构师；AI成为执行引擎，由多智能体协作网络构成执行系统，实现全流程闭环[9]。

李开复则给出了具体场景：招聘Agent自主整合全渠道资源并完成初筛面试；员工入职后，绩效Agent将评价结果进行反馈，指导招聘Agent在未来更精准地识别“超级员工”，让整个组织在闭环中持续进化[10]。

在Physical AI方面，人机关系还可能进一步迭代：机器人在养老照护等场景中不只是“助手”或“队友”，还承担更具情感属性的“伙伴”角色。到了成熟阶段，持续记忆与多模态互动将成为常规能力，安全边界、监督机制与追责链条也成为基础配置，此类人机关系逐步走向常态化与普及化。

当前的AI产业正处于狂热期的尾部，加速逼近转折点。连通性问题已基本解决，但交付力与ROI仍然有待突破。

以“龙虾热”为例，虽然OpenClaw装机量激增，但误卸软件、安全漏洞等频繁曝光，用户不敢真正放权，AI的实际交付力仍然有限；再叠加Token价格依然偏高，离真正落地尚有距离。未来更可能的发展，是价格下探、能力扩张与配套管控机制的并行推进。

OpenClaw等产品推动AI从“能说”走向“能做”，这切中了AI演进的方向，但仍处于较早阶段。更何况，眼下不少人并未用它创造新生产力，而是靠收费安装变现；待效果不及预期后，收费卸载的生意又迅速崛起，这正是狂热期的写照。

对企业而言，在等待落地条件进一步成熟的同时，应将注意力前置到一项长期关键变量上：默会知识（Tacit Knowledge）资产化。从AI整体进程看，自转折点以后，落地与铺开不仅取决于模型能力，还在于企业能否率先将沉淀在员工身上的默会知识，转化为AI可调用的数据。

例如，资深销售知道什么时候该逼单、什么时候该退一步；专业客服通过对用户语气和潜台词的判断，立刻知道此单需要升级处理，但该类经验往往夹杂大量难以言明的判断，难以被完整数据化沉淀。

由此，未来竞争将分化为两个维度：其一，是资产化广度的博弈，谁能以更快速度、在更大范围内，将非结构化知识转化为AI可调用的资产，就更能形成领先优势；其二，是高阶判断力的比拼。当AI吸收大量通用经验与标准流程后，剩下“难以数据化”的小部分，将变得更加稀缺。AI会压低通用能力的稀缺性，却会抬升高阶判断能力的价值，企业可提前储备并培养此类人才。

从“能不能用AI”到“组织如何围绕 AI 重新运转”，在发展大浪潮下，个人与组织的成长范式正被重新定义。回顾历史，每一次技术革命，都是一次文明的交替：旧的技能版图逐步瓦解，新的知识疆域加速涌现。最终，在此轮AI浪潮中，决定个体与组织在新一轮产业生态中位置的，是能否站在AI所提供的“高起点”之上，以更快的速度突入更深的认知腹地、以更强的穿透力抵达人机协作的能力边界——并在边界之外，率先构建属于自己的认知纵深。

（作者滕斌圣，长江商学院战略学教授，战略研究副院长，新生代独角兽全球生态体系研究中心主任；曹欣蓓 新生代独角兽全球生态体系研究中心研究员）

参考文献：

[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] 马杰：深入产业，大模型创新助力智能化变革，微信号“亚布力企业家论坛CEF”

[10] 李开复，《AI重构商业范式》演讲，中财经国际数字经济研究院

来源：滕斌圣、曹欣蓓