文 | 正见TrueView，作者 | 林书泰兴隆配资，编辑 | 咏鹅
随着在复杂推理、多模态融合以及自主代理（Agent）能力上更强大的GPT-5发布，有人高呼“AI Agent时代真的来了”，也有人持谨慎态度，认为“GPT-5是对AI Agent创业者的洗牌”。
当前的AI智能体创业，正如朱啸虎所言，“非常像互联网早期的个人站长”，既充满草根精神，又面临残酷淘汰。曾被捧为“国运级产品”、内测邀请码一度炒至10万元一个的AI Agent产品Manus退出中国市场，更是为这一赛道添了一把火，引发广泛热议。
实际上，Manus的窘境，也正是当下部分Agent类产品的共同写照。
尽管2025年被冠以“AI Agent元年”之名，Agent类产品迎来了爆发式增长，并涌现出扣子空间（Coze Space）、GenSpark、心响、心流等明星产品，但它们仍面临技术、商业化与产品市场契合度（PMF）等多重挑战。
具体而言，Agent产品的开发与运营成本高昂，但用户付费意愿较低，商业化模式尚未成熟。银河证券2025年报告数据显示，AI Agent行业的平均用户获取成本（CAC）高达50美元/用户，而平均用户生命周期价值（LTV）仅为20-30美元，表明多数产品仍未实现盈利。
此外，多数Agent产品体验未达预期、功能同质化严重，导致用户流失率高，难以建立长期粘性。那么在元年光环之下，AI Agent赛道是否只是一场虚假繁荣？
繁荣下的结构性困境：AI Agent的“单点困局”与“组织鸿沟”从总体来看，当前的AI Agent市场，缺乏能真正穿越周期的、展现出“Agent比人类更懂执行”的产品。
究其根源，在于当前的Agent类产品普遍面临着两个深层次的结构性问题：一是Agent类产品普遍为“单点”赋能；二则是相当多的企业，都将重心放在了打造所谓的“通用”功能上。
当前的大多数Agent产品，往往专注于优化单一任务或特定场景（如信息检索、报表生成、任务自动化），但缺乏对企业生产链条中多个环节的协同整合能力。这种“单点”赋能模式导致Agent在复杂、跨部门的业务流程中难以发挥“枢纽”作用。
造成这一现象的原因，既有技术上的短板，也有组织上的滞后。
从技术上来说，一部分Agent应用在技术上并不成熟，在执行涉及复杂逻辑、多步骤或调用多个工具的任务时，常出现卡顿、失败或耗时过长的问题。
以Manus为例，不少用户发现在测试中一旦任务涉及多个工具（如文件+邮件+ Notion +云盘），Manus就常常会在执行中卡住、步骤结果传递错误，或耗时超过一小时。这反映出了此类Agent应用缺少显式记忆机制，以至在多轮对话中状态信息经常丢失，甚至误用旧信息；或是各工具接口无统一协议，调用全靠prompt“蒙”。
而像扣子空间这样的产品，在进行“根据数据绘制图表”的任务时泰兴隆配资，完成的状态、质量也十分潦草，难以达到“合格”要求。
这说明现在相当一部分的Agent，基本只有一层prompt调用API，缺乏一整套结构化的、统一的数据接口，以及相应的推理链条。
而从组织结构上来说，当前很多企业实际上并未完成适应AI时代的“人机协作”转型。
一个明显的例子是，今年上半年，有相当一部分企业落地了编程类Agent应用cursor，但得到的反馈却是此类应用没有显著提效。
原因就在于，在企业的实际运作中，一段代码从写出来，到真正“用得上”，往往要经历需求澄清、任务拆解、代码开发、审核、测试等多个环节，涉及跨部门协调。
现在的问题不是Agent写得慢，而是企业没有把Agent“嵌进流程”中去。整条“软件交付流水线”仍然是人主导的、审批制的、串联式结构。
结果便是AI可能节省了20%的开发时间，但流程中60%的瓶颈根本不在编码环节，而在于组织流程和人为因素。这使得Agent带来的效率提升，在陈旧的“人治”流程面前几乎被完全抵消，全都化作了乌有。
Agent分野：通用虚火噱头与垂类深耕挑战在今年涌现的各类Agent中，不少明星产品如Manus、GenSpark、扣子空间等，都选择了“通用Agent”的路线。
毕竟，与垂类Agent相比，“通用”Agent的概念听起来更性感、想象空间更大。对投资人而言，“打造AI操作系统”的故事远比“开发HR报销助手”更动听。早期用户也更容易被“全能型”Agent的愿景所吸引，通用Agent看似更先进、更全能，更能制造FOMO效应。
然而，现实与愿景存在明显落差，当前的通用Agent技术形态更像一个中等智力的虚拟助理，难以胜任系统调度、权限管理等核心职能。
对于个人用户，通用Agent目前处境尴尬。其解决的往往是琐碎事务，如点外卖、订酒店、生活规划，这些需求本身痛点不深，它们通常不紧急、评估标准模糊。
用户在这些场景中更关注“心态”与“体验”，而非纯粹的“效率”。例如在点外卖时，人们往往更在意点哪家外卖，而不是下单速度。
与之相比泰兴隆配资，一些专注于“专、窄、深”的垂直领域、聚焦于解决企业具体痛点的AI Agent，反而在今年获得了相当程度的成功。
例如在金融行业中，Muffintech作为保险客服Agent，能够自动处理常见客服查询（如保单状态），回复准确率98%，并将理赔审批时间缩短至1天，为保险公司年节省500万美元。
在法律行业，聚焦于文书起草的Harvey，专注解决法律文书起草痛点，如手动研究耗时长（每案平均20小时）、文书起草错误率高，实现自动分析法律案例和法规并生成研究报告，准确率90%，为律所带来了直观的效率提升。
尽管这些垂类Agent看上去朴实无华，技术上也并不十分复杂，但也并非任何一家企业都能轻易照搬，其中存在多重门槛和难点。
垂直领域需要大量且收集门槛颇高的行业数据，模型必须针对特定场景进行微调或重新训练。
例如，制造业的Agent需要处理传感器数据，法律Agent需要生成符合逻辑的文书，这些任务对准确率要求极高。
这使得模型团队不仅要精通AI技术，还要熟悉行业知识，这类复合型人才非常稀缺且招聘成本高昂。
同时，垂类Agent需要与企业现有的行业标准系统（如SAP、Salesforce）无缝对接，以实现数据共享和流程优化。
然而，许多企业内部存在数据孤岛问题，跨系统集成需要开发定制API，这需要团队具备系统架构设计和行业软件集成的经验，对技术能力要求极高。
对技术、行业知识的高要求，使得大部分中小企业难以打造出有竞争力的垂类Agent。
现阶段，包括BAT、字节在内的大厂，都擅长做平台和demo，例如阿里的钉钉+夸克、百度的千帆App Builder等，但真正把复杂垂直业务完成端到端改造的案例并不多，大部分还是小规模试点或简单辅助。此外，很多企业做了大量POC（概念验证），但真正投入规模化使用的很少。
根据ThoughtWorks报告披露，因为业务协同不足与运营成本高，高达88%的AI POC未能进入大规模部署。研究发现，每家公司推出的33个AI概念验证项目中，只有4个能够进入生产阶段。
究其原因是互联网大厂更擅长做“通用能力+流量和平台”，而真正把垂类行业的脏活、定制、合规、实施做到位，则需要线下深耕与行业Know-How积累，这和它们的业务属性、考核体系和商业动力并不十分匹配。
跨越市场鸿沟：出海抉择与本土价值验证除了前面提到的两大结构性问题，Agent产品自诞生之初便面临着一个挥之不去的商业化难题，即国内与国际市场的深度割裂。
对国内大部分AI企业来说，“合规性”要求下使其发展高度依赖国产模型能力，然而国产模型与美国顶尖模型之间仍存在代际差距。
与国内模型相比，Claude Opus 4 等国外先进模型，在复杂推理链条，尤其是跨领域、多条件推导上往往能保持更稳定的逻辑一致性，出错率更低。
且在上下文长度上，也已做到百万级别。在严格按照格式、生成长且结构化的文档、代码、JSON 等方面稳定性颇高，这些都是当前国内模型尚难实现的水准。
同时，受限于国内整体数字化程度与消费习惯，现阶段B端、C端用户的付费意愿皆不理想。这使得消费级AI应用，尤其是初创产品，价值更难以被市场充分认可并实现商业化。
在这样的大前提下，国内AI应用创业者需要付出更大的努力，来弥补模型能力与市场期望间的价值差距。这意味着团队在场景设计、数据工程、模型理解、市场和业务认知等综合能力上，需具备更加深厚的积淀。
在“高投入、低价值”的压力下，Manus这样的Agent产品选择出海成为情理之中的策略。
据海外AI创业者透露，海外市场对AI产品的估值更为慷慨，1万日活即可支撑1亿美元估值。也就是说，1个日活用户就价值7万人民币。
尽管如此，出海也并非终极解药。所有Agent产品都逃不过模型能力的比拼。
随着2025年OpenAI、Anthropic等巨头纷纷开始布局自有的Agent产品，为了保持竞争优势采取“模型断供”策略，将使套壳类Agent的优势迅速瓦解。
例如前段时间，海外著名的AI编程应用Windsurf，就遭到了Claude的全面断供，这反映出了很多没有自研模型的企业（包括Manus），在巨头面前的脆弱性。
因此，出海应该是“活下去+练能力”的阶段性策略，不是“一去不返”的终局。
而在国内市场，资本们留给Agent赛道的耐心亦不会太久。尽管垂直领域大模型及应用厂商口号不断、标杆案例宣传频出，但Agent未来能创造多少真实经济效益，仍是个未知数。
但可以肯定的是，目前的Agent已经在客服、营销、数据分析等流程明确、规则固定的场景里，切实展现出降本增效的价值。有这些商业化场景托底，Agent在今年就不会全然是一个“泡沫”。
而未来更大的商业化突破泰兴隆配资，则有待Agent在某些高价值的垂类领域，例如金融、医疗等场景真正发挥出变革性作用，而这则需要技术演进、组织适配与产业生态协同等多种因素协同作用。
配资服务提示：文章来自网络，不代表本站观点。
