企业级智能体的讨论，长期在两个极端之间摆动：一端是技术演示带来的想象空间，另一端是落地项目中反复出现的「跑得起来、算不过账」。9 月 10 日，在 2026 Inclusion·外滩大会「当智能体跨越临界点，产业 AI 将如何演进」见解论坛上，上海交通大学上海高级金融学院高金智库与蚂蚁集团研究院联合发布《2026 企业级智能体商业演进十大趋势洞察》，试图给这个摆动提供一组坐标。
报告的核心判断：拐点落在「商业闭环」上
据公开信息，该报告通过一个四层框架，梳理企业级智能体从技术探索走向商业闭环的演进路径。报告课题组负责人、高金兼聘教授、高金智库研究员邬瑜骏给出的判断是：2026 年是智能体从「能力竞争」转向「商业闭环竞争」的拐点之年；未来企业的数字化竞争，将是构建能够自主执行、持续进化的人机协同数字劳动力系统的竞争。
他同时给出了一条对决策者与投资者都很具体的建议：把握好 2026 年的商业化窗口期，从算力军备竞赛转向工作流嵌入与数字资产沉淀。这句话的信息量集中在两个词上——「工作流嵌入」意味着价值落点在流程而非模型，「数字资产沉淀」意味着企业需要积累能持续产生回报的东西，而不是一次性的调用量。
同期学者给出的另一组数字
把这份报告与同场论坛的另一场报告放在一起看，会更清楚「拐点」这个词的分量。复旦大学特聘教授、人工智能创新与产业研究院院长、上海科学智能研究院院长漆远在主题报告中提出，当前仅有约 5% 的企业 AI 真正转化为业务价值，模型正日趋同质化，竞争焦点因此落在知识、推理、行动与治理这四类基础设施上。
他给出的解法是「可信智能层」——搭建于模型之上、业务之下的一层能力，目标是让智能体可治理、支持私有化部署、并让数据资产不出边界。在金融场景里，他进一步强调必须做到规则算全算对、链路可审计，AI 才能真正进入生产。
两个判断并不矛盾，而是互为前提：正因为只有少数项目转化为业务价值，拐点才会落在「闭环」上；而闭环之所以难形成，是因为缺少中间那一层能够把模型能力转化为可治理、可审计业务动作的基础设施。
「工作流嵌入」为什么比「模型更强」更重要
报告中「从算力军备竞赛转向工作流嵌入」的表述，实际上指向一个商业模式上的差别。模型能力是通用供给，任何企业都能购买到相近水平的能力，因此很难成为差异化的来源；而把智能体嵌入某条具体工作流，意味着它接管了一段重复发生、有明确输入输出、可被衡量改进的业务过程。
这两者的商业含义完全不同。前者的价值随模型迭代被稀释，后者的价值随流程数据积累而增强——因为流程里的隐性知识（判断标准、例外处理、上下游依赖）只能通过长期运行获得。这也解释了为什么近来垂直领域的智能体公司，普遍把「拥有流程」而不是「拥有模型」作为自己的核心资产。
「数字资产沉淀」的三种形态
按公开表述，报告强调企业应从算力投入转向数字资产沉淀。结合近期行业实践，这类资产大致有三种形态。
一种是流程资产：把一段业务过程的判断规则、例外处理与协作关系显式化，使其可以被智能体复用。另一种是数据资产：企业独有的业务数据与专家经验被结构化，成为模型无法从公开语料中获取的差异化输入。还有一种是技能资产：把重复出现的操作封装为可调用的技能单元，既能被审计，也能随规则变化低成本迭代。三者的共同点是都需要时间积累，且都不随模型版本变化而失效——这正是它们被称为「资产」的原因。
中立思辨
需要保持中立地看待这份报告。其一，「拐点之年」这类判断带有前瞻性，其成立与否取决于落地速度，而报告本身并未提供可验证的量化门槛；把行业共识性的判断包装成趋势，是咨询类报告的常见做法，读者需要区分「描述现状」与「预测未来」的部分。其二，报告由学术机构与产业方联合发布，产业方的视角与利益会在议题设置上留下痕迹，例如对基础设施层与治理能力的强调，恰好与其自身业务方向一致。其三，5% 这个转化率数字来自另一场演讲，其统计口径与样本范围并未完整披露，作为量级参考可以，作为精确结论则需谨慎。其四，报告提出的四层框架目前公开信息有限，各层的具体指标与评估方法，目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。
趋势研判
短期，企业侧的动作会集中在「把已经跑通的单点场景做深」，而不是继续扩张场景数量，因为深度的收益可衡量、风险可控制；中期，随着流程资产与技能资产逐步沉淀，企业内部可能出现「智能体资产目录」这类管理形态，治理的重心从「有多少个智能体」转向「有哪些可复用的能力」；长期，企业之间的差距会体现为数字资产的质量而非模型的选择——在模型能力趋于同质化的前提下，能持续把业务经验转化为可执行资产的组织，才更可能在智能体时代获得结构性优势。
对企业决策者的务实建议是：在评估任何一个智能体项目时，除了问「它替代了多少人力」，再加两个问题——它沉淀了什么可复用的资产，以及这些资产在更换模型或框架后是否依然有效。这两个问题的答案，往往比短期的效率数字更能说明项目的长期价值。