文 | 正见 TrueView，作者 | 林书，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，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，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，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。
