2026，智能体的故事也就不再是概念与想象，而是会落到更具体的产业结果上：软件交付周期缩短、客服与运营成本结构改变、数据分析与报表生产方式重写，以及一批围绕安全、合规、集成与治理的新供应链机会加速成形。
2026，AI 或将成为真正的生产力，而智能体，是企业把这种生产力装进生产系统的那把扳手。
过去一年，产业界对 AI 的讨论明显变了味：从“模型又有多强”转向“到底能不能上生产、能不能带来真实收益”。当生成式 AI 不再只是写文案、做总结的助手，越来越多企业开始把它塞进工程管线、客服系统、运营流程，甚至把跨部门的业务链条交给它去跑——一个更直白的判断正在成形：AI 正在从“工具”变成“生产系统”，而智能体是这轮转变的关键载体。
在这样的背景下，Anthropic 与研究机构 Material 在 2025 年末对美国 500 多位技术领 导者做了一次调研，试图把产业里最现实的几个问题说清楚：企业到底把智能体用在了哪些环节？从试点走向生产，卡点究竟在哪里？以及在 2026 年，企业准备把智能体推向多复杂、多关键的流程？受访者覆盖初创公司到大型企业的工程负责人、IT 高管与技术决策者，行业跨度足够大，基本可以勾勒出一张“企业智能体落地地图”。
以下是报告正文。
前言：
在过去的几个月里，人工智能智能体已从实验性技术转变为企业在生产中使用的基础设施。与等待人类输入的传统软件不同，智能体能够自主推理问题、做出决策并采取行动，处理从多步骤编码工作流到跨职能业务流程的各种事务。
这种向自动化工作流和多步骤智能体系统的转变，从根本上改变了组织对人工智能的要求：模型在处理专有数据时必须安全，符合行业法规，并且能抵御越狱等对抗性攻击。
我们与研究公司 Material 合作，对美国 500 多位来自不同规模和行业的技术领 袖进行了调查，以了解各组织如今如何使用智能体，以及他们在 2026 年看到了哪些机遇。调查结果清晰地展现了技术正处于转型之中：从任务自动化转向战略影响，从单一功能试点转向跨功能部署，从渐进式效率提升转向工作方式的根本性变革。
数据具体展示了这一转变。根据我们的研究，超过一半的组织（57%）目前已在多阶段工作流程中部署智能体，其中 16% 的组织已进一步推进到跨多个团队的跨职能流程。2026 年，81% 的组织计划着手更复杂的使用场景 ——39% 的组织将为多步骤流程开发智能体，29% 的组织将在跨职能项目中部署智能体。
鉴于过去 12 个月内智能体编程的发展，如今近 90% 接受调查的组织使用人工智能辅助编程也就不足为奇了。
各组织报告称，人工智能智能体在整个开发生命周期中节省了更多时间 —— 从规划和构思阶段（占 58%）到代码生成、文档编写、测试和审查阶段（均占 59%）。
这种影响也远远超出了软件开发的范畴。在工程领域之外，影响力最 大的用例包括数据分析和报告生成（占 60%）以及内部流程自动化（占 48%），有 56% 的受访者计划在明年部署智能体用于研究和报告工作。此外，80% 的受访者表示，这些投资已经产生了可衡量的经济回报 —— 并非预期价值或试点结果，而是实际的投资回报率。
十分之八的组织认为，人工智能智能体已经带来了可衡量的投资回报率，另有十分之一的组织表示，他们预计人工智能智能体未来将产生更大的经济影响。2026 年，领 导者面临的问题不在于是否采用人工智能智能体，而在于如何战略性地扩大其规模，同时应对集成挑战（46%）、数据质量要求（42%）和变革管理需求（39%）。
当前格局：
企业正如何部署 AI 智能体？
1、从“单步自动化”走向“多步骤工作流与跨职能流程”
如今，超过九成的组织都在使用人工智能辅助编程。绝大多数（86%）的组织已经不再局限于试验阶段，而是将人工智能编程智能体用于生产代码的开发，其中企业的采用率领 先，达到 91%，而中小型企业的这一比例为 83%。42% 的组织信任这些智能体在人类的监督下主导开发工作，这标志着工程团队的结构以及代码的编写方式正在发生重大转变。
人工智能编程智能体已从试验阶段迈向主流，大多数组织已在生产环境中部署它们。战略性地采用这些工具的组织正在加快交付进度、优化工程资源，并让开发人员能够专注于更具价值的架构设计和问题解决工作。在信任智能体主导工作与仅让其提供辅助的组织之间的差异表明，那些尽早投入培养专业知识和建立最 佳实践的组织将获得显著优势。
2、编码智能体几乎成为标配，且正走向“生产级”
如今，超过九成的组织都在使用人工智能辅助编程。绝大多数（86%）的组织已经不再局限于试验阶段，而是将人工智能编程智能体用于生产代码的开发，其中企业的采用率领 先，达到 91%，而中小型企业的这一比例为 83%。42% 的组织信任这些智能体在人类的监督下主导开发工作，这标志着工程团队的结构以及代码的编写方式正在发生重大转变。
人工智能编程智能体已从试验阶段迈向主流，大多数组织已在生产环境中部署它们。战略性地采用这些工具的组织正在加快交付进度、优化工程资源，并让开发人员能够专注于更具价值的架构设计和问题解决工作。在信任智能体主导工作与仅让其提供辅助的组织之间的差异表明，那些尽早投入培养专业知识和建立最 佳实践的组织将获得显著优势。
3、生产力提升不止于“写代码更快”，而是覆盖研发全流程
人工智能智能体正在整个开发生命周期中提高生产力，而不仅仅是在代码生成方面。各组织报告称，在四个关键领域的时间收益几乎相同：代码生成（59%）、研究和文档编制（59%）、代码审查和测试（59%）以及规划和构思（58%）。
这种影响涵盖了软件开发的每个阶段，这意味着团队能够同时提高工程速度和代码质量。在整个开发过程中集成人工智能智能体的组织可以让这些收益叠加，将编码速度 10%-15% 的提升转化为整个项目时间线的显著加快。这种影响在各项活动中的分布近乎均衡，这也表明团队在任何应用这些工具的地方都能发现价值，这使得重点不再是选择 “正确的” 用例，而更多在于系统性的采用。
3、主流路径是“混合式”：现成方案 + 定制能力
大多数组织（47%）采用混合方式来处理人工智能智能体，将现成解决方案与定制组件相结合。约五分之一（21%）的组织完全依赖预制智能体，而相近比例（20%）的组织则利用应用程序接口、开源模型或需要编码专业知识的开发工具包自行构建。
混合模型的主导地位表明，没有任何单一方法能满足组织的所有需求。现成的智能体可以让团队快速启动，但往往缺乏特定工作流程或专有系统所需的定制化功能。完全定制化的构建能提供控制力和差异化优势，但需要大量的工程投入。大多数组织在中间地带找到了价值：在适用的地方使用预制智能体，只在定制化能带来显著优势的地方投入开发资源。
二
深入探讨：
扩展用例与衡量 ROI
1、下一波增长点：从工程与 IT 扩展到企业级基础设施
未来 12 个月，各组织期望人工智能智能体的应用能远远超出工程和信息技术职能。56% 的组织计划优先采用人工智能智能体进行研究和报告工作，尤其是在中型市场和企业组织中，紧随其后的是供应链优化、产品开发和财务规划。计划应用场景的广度表明，人们正从将人工智能智能体视为特定部门的工具，转向将其视为企业级基础设施。
研究和报告工作涵盖了组织的各个职能和层级，这使其成为一个极 具影响力的起点，能在将人工智能智能体部署到更敏感或更复杂的工作流程之前，让组织适应它们。成功实施智能体用于研究和分析的组织能够建立治理框架、培养内部专业知识，并以各种方式展示投资回报率，从而加速在高风险用例（如财务规划或供应链决策）中的应用。这些早期部署的跨职能性质意味着，相关能力会在整个企业内增强，而不仅仅是在孤立的团队中。
2、除编码之外：数据分析/报告与流程自动化最“有感”
除了编码之外，影响最 大的人工智能智能体用例是数据分析和报告生成（60% 的人表示这是最 具影响力的任务之一）以及内部流程自动化（48%）。企业对数据分析和报告生成尤为看好，65% 的企业认为这些是高影响力的应用。
数据分析和报告工作涉及组织的各个方面 —— 财务部门需要月度报告，销售部门需要销售渠道分析，运营部门需要供应链可见性。企业的热情显而易见，因为大型组织通常拥有更多数据、更复杂的报告要求，以及更多人花费时间在智能体可以加速或完全自动化的分析工作上。内部流程自动化带来了一种不同的价值，它减少了重复工作流程中的阻碍，这些阻碍会拖慢团队的速度，但并不需要深厚的专业知识。组织应该优先考虑那些智能体既能增强专家判断（数据分析）又能消除低价值工作（流程自动化）的用例，而不是简单地将现有的手动流程数字化。
3、效率提升是第 一驱动力，但企业同样期待成本节约
各组织期望人工智能智能体在未来 12 个月内带来效率提升，44% 的组织预计任务完成速度会更快。企业还期望除了速度之外的另一项好处：通过部署智能体实现可衡量的成本节约。
效率提升与成本节约之间的差异揭示了当今人工智能智能体的两条截然不同的发展路径，而这两条路径都为未来的发展创造了空间。速度提升有助于组织利用现有资源完成更多工作，而企业尤其能够大规模实现的成本节约，则来自于减少人工投入和避免代价高昂的错误。随着组织在智能体部署方面不断成熟，这些成果将开启全新的工作类别：全面的竞争分析、持续的文档编制、主动的客户拓展 —— 这些工作在以往并不具备经济可行性。2026 年能获取最 大价值的组织，将去追逐那些只因效率提升的累积效应才得以存在的机遇。
4、ROI 将在多个职能同时爆发，而非只有一个主战场
2026 年，软件开发（57%）和客户服务（55%）预计将在短期内受到 AI 智能体的最 大影响，紧随其后的是市场营销与销售（46%）以及供应链、物流和运营（44%）。
这四项功能具有一些关键特征，使其成为人工智能智能体的理想试验场：它们涉及大量重复性工作，需要快速的迭代周期，并且拥有清晰的性能指标，从而使投资回报率可衡量。这些功能的预期影响范围在 44% 到 57% 之间，彼此较为接近，这表明我们看到的是多个可行的切入点，而非一个主导性的用例。
5、“已经赚钱”不是少数案例：80% 的组织看到可衡量经济价值
大多数组织（80%）报告称，他们在人工智能智能体方面的投资目前已经产生了可衡量的经济影响，而且对未来的信心更高 ——88% 的组织预计回报将持续或增长。这并非推测性的投资回报率；大多数组织从其部署中看到了实实在在的商业价值。
各组织已跨越概念验证阶段，进入可衡量回报的阶段，相关讨论也从 “我们是否应该投资？” 转变为 “我们如何扩大有效举措的规模？” 这些研究结果表明，随着组织将智能体应用于更多用例、改进其实施方式并积累机构知识，回报会不断增加。先行者正在构建专业知识和基础设施，这将使他们在技术持续成熟的过程中获取不成比例的价值。
三
前进的道路：
2026 年规模化落地的关键
2026 年推动人工智能智能体的采用。
1、企业更乐观，意味着“规模化结果”正在出现
所有领域的组织都期望人工智能智能体在 2026 年能带来显著的业务影响，其中企业对这项技术的潜力表现出尤为强烈的信心。
企业的乐观态度是一个重要信号，因为大型组织通常行动更为谨慎 —— 它们的评估周期更长，治理要求更严格，对价值证明的标准也更高。当企业表达出强烈的信心时，这表明它们看到的是规模化的成果，而不仅仅是试点项目中的成效。它们的积极态度也往往会影响更广泛的市场：企业的采用会推动供应商在安全、合规和集成能力方面加大投入，而这些最终会使各种规模的组织都从中受益。
2、最 大障碍不是模型，而是数据与系统集成，以及人的改变
整合和数据质量挑战是各类规模组织在实施过程中面临的首要障碍。近一半（46%）的组织认为与现有系统的整合是主要障碍，42% 的组织指出数据访问和质量问题，43% 的组织提到实施成本。中小型企业面临一个独特的挑战：它们在采用的人力层面遇到困难的可能性明显更高，包括员工抵触和培训需求（51%，而大型企业的这一比例较低）。
这些障碍是可预测且可解决的，但根据组织的规模和成熟度，需要采取不同的策略。企业需要优先进行技术整合和数据基础设施方面的前期工作 —— 将人工智能部署视为一个系统层面的挑战，而不仅仅是一次软件采购。同时处理技术层面和变革管理层面问题的各领域组织，将比那些只关注技术的组织更快地实现价值。
3、智能体正在把人从执行中解放出来，把时间推向更高价值区
智能体正在改变员工的时间分配方式 —— 更多地关注战略工作（66%）、人际关系建设（60%）和技能发展（70%），而非日常执行。
这解决了关于人工智能采用的核心问题之一：它主要是取代工作还是提升工作。数据表明，各组织看到的是后者 —— 智能体负责执行，而人类则专注于判断、人际关系和学习。这种转变的影响超出了生产力指标的范畴：那些将更多时间用于战略制定和技能培养的团队，会随着时间的推移变得更有价值，而不是相反。组织在部署智能体时应牢记这一目标，不仅要衡量任务完成率，还要关注人们是否在处理越来越具高影响力的问题。那些利用智能体培养员工同时提高效率的公司，将比那些只专注于降低成本的公司建立起可持续的优势。
4、复杂化是必然：81% 计划在 2026 年做更复杂的智能体
大多数组织（81%）计划在 2026 年从简单的任务自动化转向更复杂的人工智能项目，其中企业在这一转变中处于领 先地位，占比 87%，而中小企业为 78%。至于 “更复杂” 具体意味着什么：39% 的组织期望开发能够处理多步骤流程的智能体，29% 的组织计划部署智能体用于跨多个团队或部门的跨职能项目。
各组织正准备利用人工智能解决更棘手的问题 —— 这类工作需要跨系统、跨职能以及跨决策点进行协调。那些现在就能确定自身能发挥最 大作用的复杂用例的公司，能够建立相关能力和机构知识，而其他公司仍在专注于基础自动化。比如，能为销售策略提供信息的客户智能、能连接法务与采购部门的合同生命周期管理，或是能综合财务、运营和产品团队输入信息的战略规划智能体。
四
Anthropic 2025 经济指数：
三个“更底层”的观察
值得注意的是，Anthropic 的 2025 年经济指数分析了超过 350 万条匿名的 Claude 对话，以了解人工智能在各行业的应用情况。研究结果揭示了一个明显的模式：企业正从试验阶段迈向系统性部署，其使用集中在人工智能能力最强且组织障碍最 低的领域。
第 一，企业正在进行委派，而非协作。
77% 的商业 API 使用呈现出自动化模式，这意味着企业正将完整任务交给人工智能处理，而非将其用作协作助手。这一比例显著高于消费者使用率，后者徘徊在 50% 左右。企业正将人工智能作为主力军嵌入工作流程，而非必然作为思想伙伴。这与我们的调查结果一致：97% 的受访者期望在未来 12 个月内，其智能体部署能带来更高的效率提升。
第二，能力比成本更重要。
最昂贵的任务使用率最高。企业正将资源部署在模型能力较强以及自动化能创造实际经济价值的领域。对于技术决策者而言，这意味着投资回报率的计算应聚焦于业务成果，而非令牌成本。复杂的代码生成、多步骤的研究综合以及详细的文档分析都需要更多的计算资源，但如果做得好，就能带来巨大的回报。我们与 Material 公司联合开展的调查也得出了类似的结论：96% 的受访者对人工智能智能体给其公司带来的业务影响持乐观态度。
第三，上下文才是真正的瓶颈
复杂任务需要多得多的上下文才能很好地执行。不同任务之间存在一种稳定的关系：输入上下文长度每增加 1%，输出质量和长度就会增加 0.38%。对于一些组织来说，昂贵的数据现代化以及为呈现上下文信息所做的投资可能是人工智能采用的主要瓶颈。数据分散或孤岛化的公司将难以解锁复杂的人工智能用例。
写在最后：
把这些数据和趋势放在产业视角里看，2026 年很可能是智能体从“可用”迈向“规模化生产力”的分水岭。企业真正竞争的，不只是选了哪家模型，而是谁更早把智能体接入系统、打通数据、重构流程，并完成组织层面的变革管理，也就是把 AI 变成稳定可复制的产能，而不是少数团队的“效率奇技”。当 80% 的受访者已经看到可衡量的经济回报，智能体的故事也就不再是概念与想象，而是会落到更具体的产业结果上：软件交付周期缩短、客服与运营成本结构改变、数据分析与报表生产方式重写，以及一批围绕安全、合规、集成与治理的新供应链机会加速成形。
2026，AI 或将成为真正的生产力，而智能体，是企业把这种生产力装进生产系统的那把扳手。
