会场里的词变了
判断一个技术赛道走到哪一步，可以听会场里的人在比什么。2026 外滩大会（9 月，上海）上，关于智能体的讨论重心，明显从「模型多强、参数多大」挪到了「智能体怎么批量上岗、怎么接进生产系统」。会上提出的「智能体超级工厂」概念，把模型层、组件、工程框架、数字员工一直到安全运营串成一条线，目标不是再做一个更聪明的助手，而是搭一套能批量生产、部署、治理企业智能体的基础设施。
这套说法不是孤例。上海交大高金智库联合蚂蚁集团研究院发布的《2026 年企业级智能体商业演进十大趋势洞察》把转向讲得更直白：企业级 Agent 的竞争，正从模型能力转向交付入口、编排治理和商业化体系。经济学家彭文生在同一方向的判断是，AI 正在把「认知」变成一种可以规模化生产的能力，而智能体是这项能力进入产业体系的主要载体；与边际成本接近零的互联网平台不同，大模型每次推理都要消耗资源、用户又能快速切换，因此模型层的商业护城河并不稳固，真正决定价值的，是它能否在足够大的产业体系里被规模化使用。北京大学副教授赵波则把这句话压缩成一句：AI 新经济的重点，正在从「效率」转向「增量」。
但另一条数据泼了冷水
「工厂」的产能扩张得很快，企业的实际收成却并不好看。MIT 的 Project NANDA（也称作 GenAI Divide）研究在调研 300 多个部署、访谈 150 位高管后给出结论：约 95% 的生成式 AI 试点，没有产生可衡量的利润表影响。Gartner 也给出一组预测：到 2027 年底，约 40% 的 Agentic AI 项目会因成本失控、投资回报不清、风控不足而被取消。
把两个数字摆在一起，指向一个常被忽略的区别：「能不能造出来」和「能不能交付出去」，是两件事。前者考验的是模型与工程能力，后者考验的是把智能体接进既有流程、权限体系与责任链条的那一层组织能力。外滩大会上那句「智能体怎么接进生产系统」，正是冲着这一层来的。
一个被反复讲起的落地样本
会上也有具体的交付数字。词元无限在「数字友好解决方案」展区展示了面向金融行业的「数字劳动力」方案，其与神州信息的合作里，引入 InfCode 平台后，需求澄清时间减少 70%，代码可用率达到 88% 以上，综合提效 39%、成本降低 20%；该平台据称已服务金融、通信、工业等领域近 50 家头部客户。这类数字的意义不在于绝对大小，而在于它把「交付」拆成了可度量的几项：需求澄清快了多少、可用率多高、综合提效与成本变化。
值得注意的是，这些数字来自厂商披露，口径与第三方复核尚未公开。它们更适合作为「交付可以量化」的样例，而不是作为通用回报率的承诺。真正要回答的是：这套提效在别的企业、别的系统里能否复现，以及提效之外是否带来了新的维护与治理成本。
「三段工程能力」的说法，值得拆开看
「智能体工厂」的提法背后，常跟着一个判断：企业缺的不是单点能力，而是编排、治理、交付这三段能力。这个说法有道理，但容易被人当成一句口号。落到工程上，它至少对应三件具体的事。
编排解决「谁来调度、上下文从哪来」。把多个智能体、多套工具与既有业务系统连起来，需要统一的上下文与任务路由，否则每个智能体都从零开始，组织记忆在会话之间断裂。
治理解决「谁能批准、出了事谁负责」。当智能体开始碰生产动作，身份、权限、审计与回滚就必须从演示环境的标准，上升到企业级的标准。
交付解决「怎么证明它真的上岗了」。把试点变成生产，需要的是任务闭环率、异常升级率、单位任务成本这类指标，而不是回答准确率这种演示指标。
三者里，编排与治理的技术供给正在变多，交付的度量体系却仍是短板。很多团队卡在试点，恰恰是因为没有把「交付」定义清楚。
几点需要保留的谨慎
其一，MIT 的 95% 与 Gartner 的 40% 都是行业级统计，描述的是趋势而非某个具体项目的结局。它提醒的是概率，不是宿命；个别项目能否跑通，仍取决于场景与执行。
其二，「智能体超级工厂」目前更多是方向与定位叙事，具体的技术栈、可用性时间表与第三方审计数据尚未充分公开，宜作为观察起点。
其三，金融等强监管行业的交付，除了提效，还要过合规、留痕与责任归属这几关。厂商把「过程可追踪、结果可审计」作为卖点，正说明这部分是落地门槛，而非附赠功能。
其四，把模型迭代交给平台静默推送、把智能体长期接入生产系统，都会带来新的回归测试与版本锁定需求，这部分隐性成本常被低估。
外滩大会各项能力的全面可用时间表、十大趋势报告的第三方复核，以及金融等行业智能体交付的审计细则，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。