过去几年，生成式 AI 的快速发展让企业看到了大模型在内容生成、知识问答和办公协同等场景中的巨大潜力。但随着应用深入，企业对于 AI 的期待正在发生变化，即不再满足于 AI 简单地回答问题，而是希望它能够理解目标、拆解任务、调用工具、协调资源，并最终自主完成复杂业务流程。由此，能够进行推理、规划和行动的Agentic AI（代理式人工智能）成为下一阶段人工智能产业竞争的新焦点。
市场增长预期也印证了这一趋势——根据 MarketsandMarkets 近期新发布的数据，全球 Agentic AI 市场预计将从 2025 年的 70.6 亿美元增长至 2032 年的 932 亿美元，预测期内复合年增长率（CAGR）达到 44.6%。这一高速增长背后，是越来越多组织开始尝试利用 AI 智能体提升运营效率、加快决策速度，并增强知识型员工的生产力。
今年年初，在思科人工智能峰会上，思科首席执行官曾预测：“我们相信 2026 年将是人工智能的转折点，我们相信这将是 Agentic AI 应用元年。”这句话也代表了产业界对于 Agentic AI 落地速度的高度期待。转眼间，2026 年已经过去大半，被寄予厚望的 Agentic AI 是否正在兑现承诺？从企业应用场景到商业模式探索，今年 Agentic AI 取得了哪些关键性进展？又有哪些挑战亟待跨越？本文将进行综合梳理。
关键进展：应用场景和商业模式逐步成熟
传统物联网系统主要关注事件的感知和上报，Agentic AI 则进一步实现了对环境的理解和自主行动。例如：当智能烟雾探测器检测到烟雾时，传统物联网系统会向用户发送警报，而 Agentic AI 系统则可以进一步判断风险等级，自动解锁智能门锁、关闭暖通空调（HVAC）系统、启动喷淋装置、通知消防部门，并引导人员撤离至安全区域，整个过程无需人工干预。
应用场景落地
得益于这种优势，在制造、能源、供应链等对实时决策和自动化执行能力要求更高的行业，企业开始尝试让 AI 智能体连接数据、理解业务目标，并自主完成分析、判断和执行。
工业智能 AI 应用的成熟度最近两年取得了显著提升。在 2026 年汉诺威工博会上，总部位于美国的工业技术公司 Tulip 与总部位于挪威的工业软件公司 Cognite 和超大规模云服务提供商 AWS 合作，展示了多智能体故障排除技术：Cognite Atlas AI 智能体（由 Cognite Data Fusion 的工业知识图谱提供支持）将丰富的上下文数据传递给 Tulip 的一线运维智能体。Cognite 智能体利用工业上下文识别问题，而 Tulip 智能体则将其转化为可供一线工作人员实时执行的工作流程。
也是在该展会上，SAP 展示了其 AI 代理如何帮助制造商和运营商缩短价值实现时间、稳定运营并在提升服务水平。其中，生产计划与运营智能体使计划员能够使用自然语言下达生产订单，同时自动验证物料可用性、产能及排程约束条件。智能体会提供建议，例如替代组件或重新排程选项，供计划员审核与批准，从而减少人工工作量，使生产计划与实际情况保持一致。
在 2026 年多特蒙德维护展上，IFS Ultimo 则展示了一款智能模块，该模块能够独立识别技术人员日常报告中的安全相关内容，并自动生成一份独立的、符合规范的安全事故记录，无需人工干预。
除了工业，冷链领域的用例进展也值得关注——我们知道，每天有数百万剂疫苗、药品以及生鲜食品在全球供应链中流转。传统物联网系统可以监测温度，并在异常发生时发送警报，但很多时候，当问题被发现时，产品可能已经面临损失风险。针对这类挑战，有企业借助 Agentic AI 进一步分析问题原因，自动调整运输路线、优化制冷系统、安排设备维护，并更新配送计划。通过在产品变质之前采取行动，帮助物流企业减少浪费、降低成本，并提升温控敏感型产品运输的可靠性。
商业模式探索
随着 Agentic AI 从试验阶段进入规模化应用阶段，产业也开始面对另一个关键问题：如何建立可持续的商业模式？
过去，许多 AI 产品采用免费试用或按调用量计费模式，希望通过扩大用户规模推动生态发展。但对于企业客户而言，真正进入生产环境后，AI 智能体往往涉及更复杂的模型调用、更长的任务链路以及更高的推理成本。如何让客户获得可预测的投入产出比，成为 AI 供应商必须回答的问题。
物联网研究机构 IoT Analytics 发布的报告指出了一个观察到的趋势： 过去两年，工业软件供应商在其解决方案中添加了数十个辅助驾驶/助手，通常以免费试用的形式提供。然而，供应商现在正在结束这些解决方案的初始免费试用阶段，并积极为其生成式人工智能以及智能代理人工智能功能实施商业化盈利模式。
西门子对 Eigen Engineering Agent 商业模式的探索，为产业提供了参考。该产品采用订阅模式，以用户授权方式提供服务，通过明确的年度费用帮助企业规划 AI 投入。根据西门子 Digital Exchange 平台信息，Eigen Engineering Agent 订阅价格为每用户每年 2100 欧元。
整体而言，未来 Agentic AI 竞争的关键，不仅是模型能力的竞争，更是“场景理解能力、行业知识积累、系统集成能力以及商业模式设计能力”的综合竞争。
关键挑战：成本和技术问题始终存在
在 Agentic AI 从概念验证走向规模化应用的过程中，产业也逐渐意识到，这场变革并非没有阻力。相比传统 AI 应用，智能体需要自主执行复杂任务。这意味着企业获得更强智能能力的同时，也需要面对更高的技术成本和更复杂的系统挑战。
首先，成本问题正在成为 Agentic AI 规模化落地面临的首要挑战。
据商业和技术洞察公司 Gartner 称，模型价格不断下降，为更加复杂的工作流提供了成本空间，但与此同时，AI的总体使用成本却持续攀升——到 2028 年，每个代理工作流程的 AI 推理成本将增加五倍以上。
这一论断来自于 Gartner 对于 Token 经济发展的三大基本趋势的总结：
①基础模型的成本效益正在快速提升。
② AI 效率的提升正在推动企业部署更强大、成本也更高的模型，以支持价值更高、更加复杂的 AI 应用。
③更加复杂的 AI 工作流所消耗的 Token 数量远高于简单的聊天机器人交互，从而推高整体 AI 推理成本。
这些趋势意味着，Token 的单位成本确实正在变得更加经济，但其成本下降的速度赶不上 AI 能力提升以及与这些能力相伴而来的成本增长速度（如下图）。
换言之，AI 创新的速度正在超过成本曲线的下降速度。要确保推理智能体等先进 AI 技术能够产生投资回报率（ROI），企业要么需要获得相较基础模型呈指数级提升的回报，要么就必须通过高度优化的推理分层、模型路由和编排机制，将复杂任务与成本更低、效率更高的 AI 能力进行合理匹配。这两种路径都完全可行，但都需要针对复杂工作流投入大量优化工作。
其次，GenAI 与工业物联网之间存在天然的技术鸿沟，这也是 Agentic AI 进入工业领域必须解决的问题。
工业物联网（IIoT）的核心逻辑建立在确定性之上。工业设备、生产流程以及控制系统通常遵循严格的物理规律和工程逻辑。如果你向PLC（可编程逻辑控制器）发送打开阀门的信号，它就会打开阀门，每次都如此。它遵循严格的逻辑：IF X > 100, THEN STOP，这种可预测性是制造业、能源和物流行业安全标准的基石。
然而，生成式 AI 运行在一个概率性的现实世界中。大语言模型（LLM）并不真正“知道”事实，而是基于统计规律预测一段序列中下一个最可能出现的 Token。即使是当前最先进的模型（如 GPT-4、Gemini、Claude 3），其运行方式也更像富有创造力的即兴演奏者，而不是严格执行逻辑的控制器。它们在信息整合、内容生成和复杂推理方面表现出色，但也容易出现“幻觉”问题——即以高度自信的方式陈述错误信息，或者构造实际上并不存在的逻辑路径。
假设在一家化工生产工厂中，将 Agentic AI 直接接入控制回路。
输入：AI 分析设备振动传感器数据、温度记录以及压力监测数据。
幻觉：AI 错误地将某个存在噪声的传感器读数理解为严重堵塞问题。它没有建议工作人员进行检查，而是“推断”出解决方案——提高管道压力，以清除堵塞。
行动：由于 AI 拥有 PLC 的“写入权限”（Write Access），它直接执行了这一控制指令。
结果：管道发生破裂，引发设备停机、安全风险以及巨额维修成本。
在数字世界中，错误操作通常可以通过“撤销”按钮恢复；但在物理世界中，被损坏的电机、破裂的管道或受影响的生产线，并不存在一个简单的“Ctrl+Z”可以恢复。
不过，这一挑战也并非无解。基于对超过 200 个 B2B AI 部署项目的分析，一个清晰趋势正在显现：那些最成功、最安全的 AI 项目，都采取了一种共同理念——企业并不将AI智能体视为“指挥者”，而是将其视为一个高度智能化的“传感器”，这就是所谓的“只读协议（Read-Only Protocol）”。
这种架构将 AI 的推理能力与实际执行能力进行解耦：AI 可以访问数据、理解环境、分析问题并提出建议，但不会直接控制关键物理系统。通过这种方式，企业能够充分发挥生成式 AI 在数据理解、异常分析和决策辅助方面的优势，同时避免让概率型模型直接影响工业设备运行，从而在智能化创新与工业安全之间建立平衡。
写在最后
从“会思考”到“能行动”，Agentic AI 正在推动人工智能进入一个新的发展阶段。但与此同时，这场变革也提醒产业界，AI 智能化的终点并不是单纯追求更强大的模型，而是让智能能力真正融入业务流程，并在真实环境中创造可衡量的价值。
未来，Agentic AI 的发展将是一场涵盖模型、数据、算力、行业知识以及系统工程能力的综合竞争。尤其是在工业物联网等关键领域，如何让具备概率推理能力的 AI 与强调确定性的物理系统安全协同，将成为决定产业落地深度的关键。对于企业而言，Agentic AI 或许不会一夜之间取代现有自动化体系，但它正在成为连接数据、设备与决策的新型智能层。随着技术不断成熟，那些能够率先找到智能与可靠性平衡点的企业，将更有可能在下一轮智能化浪潮中占据主动。
腾讯集团高级执行副总裁、云与智慧产业事业群CEO汤道生在腾讯内部刊物发文，提到外界对“腾讯做AI慢了”的质疑。他回应称，一点不焦虑是不可能的，“混元大模型进行了多次重构，混元Hy3在同等参数的大模型中效果突出，但由于公司整体算力严重不足，拖慢了模型训练与产品发展，产生了比较大的影响。”汤道生称，起得早也许不是最关键的，AI下半场才刚开始。熬得久才有机会抓住持续出现的新机遇。
英伟达宣布推出Jetson Orin Nano 2机器人计算机，重新定义入门级边缘人工智能。Jetson Orin Nano 2 拥有每秒78万亿次AI运算、8GB内存和8核Arm CPU，在AI和视频处理性能上实现了显著飞跃，打造出一个经济高效、节能的系统。Jetson Orin Nano 2 通过改进的张量核心和更高的内存带宽，实现了 Jetson Orin Nano Super 的两倍推理性能，同时保持了相同的紧凑型外形。在15瓦模式下，Jetson Orin Nano 2 功耗降低了40%，实现了与前代机型相同的性能。NVIDIA Jetson Orin Nano 2 模块及开发者套件预计将在2027年上半年上市。
华为和惠普宣布，双方已达成协议，将相互授权对方的Wi-Fi专利。两家公司签署了一项为期多年的全球专利交叉许可协议，授权惠普付费在其个人电脑上使用华为的部分Wi-Fi专利。华为首席知识产权官樊志勇在一份声明中称，这项协议有力地证明了华为在信息和通信技术的前沿领域坚持自主创新。他指出，通过专利授权，华为与业界分享其创新，尤其是在标准化技术领域。
阿里巴巴称根据一般授权完成配售新股份，合共7.1亿股配售股份已由配售代理根据配售协议的条款及条件按每股配售股份112.70港元的配售价向不少于六名承配人成功配售。配售所得款项总额约为800亿港元，而所得款项净额（经扣除配售佣金及开支）约为797亿港元。阿里巴巴拟将配售之所得款项净额用于进一步巩固阿里巴巴全球AI领先地位，投资于全栈AI能力，具体如下：约60%（即478.71亿港元）将用于扩展全球算力基础设施，以应对客户日益增长的需求；约40%（即319.14亿港元）将用于加速建设超大规模AI数据中心，并升级存储、数据库及高性能网络等传统云基础设施，以支持全面升级至Agentic Cloud架构。
OpenAI表示，其全新Jalapeno芯片在测试中的表现优于英伟达的现有产品线，凸显该公司在自主研发AI处理器方面取得进展。在测试中，Jalapeno处理器在两个指标上领先：单位功耗可处理的AI工作负载以及响应速度。OpenAI芯片负责人Richard Ho在接受采访时表示，该芯片与英伟达GB300进行了对比，后者是此次测试所使用公开基准测试平台上的领先产品。ChatGPT的开发商计划于今年晚些时候开始使用这些新芯片来支持其人工智能模型，这是该公司构建自有AI基础设施策略的一部分。OpenAI加入了自研AI芯片企业的行列，目前这一市场由英伟达主导。OpenAI与博通合作开发了Jalapeno。两家公司去年宣布合作，并于今年6月表示，该处理器以创纪录速度完成研发。
亚马逊AWS将收购Ducklabs，后者为一家总部位于阿姆斯特丹、旗下运营DuckDB的公司。AWS不会收购DuckDB开源项目，该项目将继续在独立的DuckDB基金会下保持免费和开源状态。
IBM宣布已完成对HRL Laboratories， LLC（HRL）的收购，这是一家领先的研发机构，专长涵盖量子计算、量子传感、先进通信、电子学、制造和材料科学。此次收购也补充了IBM在量子制造和基础设施领域的更广泛创新与投资。HRL在硅基量子技术方面的专业知识为未来与IBM纯量子晶圆代工厂Anderon的合作创造了机会，支持可扩展制造方法，加速多种量子计算模式的学习周期。波音和通用汽车（HRL的前所有者）将继续与IBM和HRL合作，开展量子应用和先进技术开发。交易的财务条款未被披露。
