文 | 派财经
"90% 的 Agent 会被大模型吃掉。"
这是著名投资人朱啸虎曾炮轰智能体的一句话。是真是假，我们先不给出直接答案。
然而，AI 智能体公司 Manus 被卖身 Meta 的事却可以说明 Agent 创业公司其实并不好过。虽然这场收购还没有最终结果，与此同时，智谱、MiniMax 等大模型公司扎堆上市，头部科技企业纷纷加码智能体赛道。
这里先做个科普，Agent 与大模型不是同一个概念。核心区别在于定位与能力，前者是能自主完成任务的「执行者」，更像手脚，后者是擅长推理以及基于信息处理的「知识库」，偏是大脑。
理清楚两者区别后，回过头来看，一边是一些中小玩家黯然退场，一边是资本与巨头疯狂入局，AI Agent 企业在爆发元年开始面临一个问题，
当大模型变现进入深水期，被寄予厚望的智能体究竟是下一个风口，还是会重蹈部分赛道 " 昙花一现 " 的覆辙？
01 AI Agent 与大模型，走出了不同的 2 条路
在 2026 节点增长大会上，360 集团创始人周鸿祎指出，当前 AI 发展已进入下半场，重心正从 " 模型研发 " 加速转向 " 应用落地 "。大模型虽然强大，但仅凭 " 大脑 " 无法直接干活，必须结合工具、规划与行动能力，进化为 " 智能体 "，才能成为真正的生产力工具。
国内 AI Agent 的发展历程可划分为两大阶段。第一阶段以对话交互与信息检索为核心，各类 AI 辅助应用扎堆涌现，市场竞争尚未分出明显胜负。用户规模层面，抖音豆包、腾讯元宝、阿里千问等巨头旗下产品，与 DeepSeek、Kimi 等创业公司代表形成主力阵营，这一时期的竞争核心，本质是对流量入口的抢占和用户使用习惯的培育。
步入 2025 年末至 2026 年初，AI Agent 正式迈入第二阶段，行业分化态势愈发清晰。各家企业结合自身战略布局与资源禀赋，锁定了差异化的价值赛道。
其中，豆包聚焦语音交互、图文视频生成等娱乐场景深耕，还与手机厂商达成合作形成协同效应；千问借助阿里生态的资源优势，主打生活服务领域，化身用户身边的 " 全能管家 "；Kimi 则瞄准生产力提升方向，通过自主研发的 Agent 模型，推动 AI 技术与办公工作流的深度融合。
谷歌此前的相关论断，在豆包、千问与 Kimi 的发展路径中已得到印证。行业之所以走向差异化竞争，核心是大家逐渐形成共识：AI Agent 的最终价值，必须通过解决实际问题的能力来彰显。
但值得注意的是，当 AI Agent 具备跨应用穿透能力时，终端厂商与希望打造闭环生态的应用厂商之间，难免产生利益博弈。例如阿里巴巴正试图借助千问的 AI Agent 功能，打通高德地图、淘宝、飞猪等阿里系应用，实现服务串联。
不过有一点值得注意，当前 AI Agent 的核心价值集中在 To B 领域，主要原因是其推理过程成本偏高，响应速度也相对较慢，而这些短板在 B 端场景中更容易被接受。
对企业用户而言，这类 " 等待成本 " 完全在可承受范围内：比如花费 5 分钟生成一份 PPT，或 10 分钟产出一份战略规划，用户可利用这段时间处理其他事务，加之 B 端用户对 AI Agent 的付费意愿本就更强。
不过相比智能体企业，2026 年的大模型行业，最鲜明的标签莫过于 " 变现 "。
曾经只谈技术参数、融资轮次的行业语境，如今已被营收数据、盈利路径取代，资本的耐心在持续投入后，终于迎来了对回报的刚性要求。
这场变现浪潮的核心标志，是头部企业密集登陆资本市场。月初智谱 AI 登陆港交所，随后，MiniMax 紧随其后上市，首日涨幅超 100%，市值突破 1000 亿港元。
两家企业的上市点燃了整个行业的资本化热情，而在此前的 A 股市场，摩尔线程、沐曦股份、壁仞科技先后在 A 股、科创板与港股完成上市。与此同时，更多算力与 AI 芯片公司进入上市审批流程。接连几家 GPU 厂商的连续 IPO，释放出一个重要的信号：资本市场开始认可这些 AI 企业。
在完成前期融资以及业务达到一定商业化水平后，选择登陆资本市场成了共同的选择，很大一部分原因在于钱。坦白来说，大模型训练单次成本高，算力投入占企业支出比例大，而单纯的技术研发无法支撑企业长期生存。在这样的背景下，无论是大厂还是创业公司，都在探索多元化变现路径。
相较于智能体企业，大模型行业似乎更容易被市场接受，如果只是简单看到资本层面的动作，可能无法理解其中的原因，但在技术演化角度，类似 Manus 这样的企业的确需要考虑，大模型越来越强的时候，会对自己带来什么？
02 AI Agent 的困局，大部分被大模型吃掉？
所以，随着大模型企业加速变现，一个尖锐的问题浮出水面：作为大模型的 " 应用延伸 "，AI Agent 是否会被强大的大模型厂商 " 吃掉 "？
AI Agent 的核心价值，在于弥补大模型的行动短板，大模型如同超级大脑，拥有大部分的专业领域知识覆盖率，却只有不足的实际任务执行能力，它能解答问题、生成方案，却无法直接操作软件、完成跨系统任务。
新的挑战是，随着大模型能力的飞速发展，模型本身正在变得越来越 "Agent 化 "，随着模型性能的溢出，用户可以直接调用模型来完成任务。
以目前进展更快的 AI 代码为例，Anthropic 的 Claude、谷歌的 Gemini 系列模型，模型本身的编码能力就在随着更新提升，其自研的编码工具（如 Claude Code）不仅能够实现自主编程，优化种种产品体验之外，它的 Max 会员模式还支持用户随意调用自家模型，即使是每百万输出 tokens 收费 75 美元的 Opus4，单月 200 美元同样支持不限量使用。
而国内大厂凭借算力、数据优势，快速推出内置 Agent 功能的产品，挤压了创业公司的生存空间。
换句话说，大模型厂商的入局让 AI Agent 赛道的竞争愈发激烈。
03 规模化落地后，谁在 AI Agent 赛道裸泳？
随着技术逐渐成熟、资本持续加码，AI Agent 赛道一定会日渐迎来规模化落地的关键节点。但热闹之下，泡沫也在滋生，当行业进入深度洗牌期，只有褪去概念包装、具备核心价值的企业，才能避免被市场淘汰。
瑞银方面认为，智能体规模化的发展演化将是一个分阶段的过程，从在单一 App 中加入功能，到在生态内打通资源，再到实现跨平台和多智能体协作。智能体的大规模普及不仅面临技术挑战，也涉及用户接受度、产业协同、商业模式和监管框架等问题，从现实情况看，其真正大规模推出和变现仍需要时间。
加之规模化落地的核心障碍，还在于技术瓶颈与成本控制。反馈机制建立、复杂任务拆解等技术难题尚未完全解决，而训练 Agent 所需的算力成本、数据标注成本居高不下。
Meta 提出的 " 早期经验 " 学习范式，让 Agent 通过自主探索环境积累经验，一定程度上降低了训练成本，但这种技术尚未普及。对于中小企业而言，没有足够的资金支撑技术迭代，很难在规模化竞争中突围。
接下来市场就会开始用脚投票，筛选出真正有价值的玩家。从赛道分布来看，编程助手类 Agent 商业化程度最高，能够协助开发者完成代码编写、调试等全流程工作，付费转化率也许比较高。
电商、金融、医疗等垂直领域的 Agent，凭借对场景的深度适配，也获得了稳定的客户群体。这些企业的共同特点是，不追求 " 大而全 " 的通用能力，而是聚焦 " 小而美 " 的场景价值，用实际效果赢得付费。
与其他行业一样，泡沫褪去，才知谁在裸泳。AI Agent 赛道的规模化会让那些靠概念炒作、缺乏技术壁垒和场景落地能力的企业，终将被市场淘汰；而那些深耕技术、聚焦需求、能够创造实际价值的玩家，将在洗牌中脱颖而出，推动行业走向成熟。
从大模型企业的上市狂欢，到 AI Agent 赛道的冰火两重天，2026 年的 AI 行业正在经历一场深刻的价值重构。变现压力让行业告别野蛮生长，技术博弈让赛道趋于理性，市场检验让泡沫逐渐消散。
AI Agent 不会成为一地鸡毛，因为它解决了大模型 " 知行不一 " 的核心痛点，顺应了智能技术落地的产业需求。但它也不会一蹴而就，必然要经历洗牌与沉淀。
