AI Agent赛道：虚假繁荣还是变革浪潮？

在“AI Agent元年”的光环之下，AI Agent赛道是否只是昙花一现的虚假繁荣？

随着GPT-5的发布，有人宣称“AI Agent时代真的来了”，而另一些人则持谨慎态度，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的境况，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。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”。

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。

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。

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。

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。

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、生活规划等。这些需求本身痛点不深、不紧急且评估标准模糊。

与之相比，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。

例如在法律行业，聚焦于文书起草的Harvey实现了自动分析法律案例和法规并生成研究报告的功能。在金融行业中Muffintech作为保险客服Agent自动处理常见客服查询。

尽管这些垂类Agent看似朴实无华且技术也并不十分复杂，但也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。

这使得模型团队不仅要精通AI技术还要熟悉行业知识。同时垂类Agent需要与企业现有的行业标准系统无缝对接以实现数据共享和流程优化。

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外，Agent产品自诞生之初便面临着一个挥之不去的商业化难题：国内市场与国际市场的深度割裂。

“合规性”要求下使得国内大部分AI企业的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。

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“高投入、低价值”的压力下选择出海成为情理之中的策略。海外市场对AI产品的估值更为慷慨但出海并非终极解药。所有Agent产品都逃不过模型能力的比拼。

“模型断供”策略将使套壳类Agent的优势迅速瓦解。例如海外著名的AI编程应用Windsurf就遭到了Claude的全面断供。