Gartner 近期发布《2026年中国数据、分析和人工智能技术成熟度曲线报告》，代理式AI（AI Agent）首次超越生成式AI登上曲线顶端，成为中国企业最关注的人工智能方向；物理AI被视为下一个潜在风口，但距离成熟至少还需5到10年。报告同时披露，全球闭源模型在中国企业的使用占比两年前约为80%，三个月前降至50%左右，最新数据已降至28%，DeepSeek 的使用比例最高，其后依次是阿里、字节、智谱和月之暗面。Gartner 专家指出，企业不再把大模型当成“魔镜”，它正从“颠覆性技术”降级为需与其他技术配合的组件；市场上大多数智能体仍停留在个人应用层面，离“企业就绪”还有距离。这意味着AI竞争重心正从模型选型转向数据与流程。
曲线换顶：从“生成式AI”到“代理式AI”，关注点正在迁移
Gartner 报告显示，代理式AI首次超越生成式AI，登上中国技术成熟度曲线的顶端。两者差别不在模型能力，而在工作方式：大模型作用于问答环节，智能体可在网页与软件间操作、执行多步骤任务，持续几分钟到几天。2025年以来，WorkBuddy、千问办公、豆包工作等个人智能体大量出现，国内大厂纷纷重金争夺AI办公业务，主要形式就是 AI Agent。Gartner 高级研究总监张桐指出，大语言模型“越来越多地借助工具来构建更广泛的系统，如AI智能体”。
登上曲线顶端并不等于成熟：曲线顶点对应“期望膨胀期”，投入正大量涌入，距离稳定产出仍有距离，最大的风险是预期跑在工程能力前面。
闭源占比从80%降到28%，模型层正在变成可替换件
Gartner 追踪了中国企业使用大模型方式的变化：两年前，全球闭源模型在中国企业的使用占比约80%；三个月前降至50%左右；最新数据已降至28%。方琦认为，这一变化“变相印证了国内模型的能力越来越强”。据参与调研的中国企业反馈，DeepSeek 使用比例最高，其后依次是阿里、字节、智谱和月之暗面。
这条曲线含义很直接：模型层正成为可替换的基础件，护城河开始向数据资产、业务知识与治理能力转移。一道科技在 AI大模型定制 与 数据挖掘 项目中观察到的情况一致：客户关心的已不是接入哪个模型，而是自有数据能否被清洗成模型可用资产，以及换模型时业务是否稳定。
期望回归理性：大模型从“颠覆性技术”降级为组件
企业对大模型的期望正在回归理性。方琦表示，企业不再期待大模型解决所有问题，“不会把它当成‘魔镜’去不断许愿”，大模型正从“颠覆性技术”降级为需与其他技术配合的组件。
这对制造业尤其重要：产线质量判定、工艺寻优、设备预测性维护，从来不是单靠一个模型能完成的，需要数据采集、机理知识、规则引擎与人工复核构成闭环。把大模型放在正确位置，反而更快拿到收益。Gartner 提示物理AI是下一个风口，距成熟至少5到10年，短期不宜作为主线。
两条落地路径：自下而上与自上而下，制造业更适合后者
方琦提出智能体落地有两条路径：一条是自下而上，让员工先使用个人智能体，再从中提取共性能力纳入企业环境；另一条是自上而下，直接从企业级场景出发，围绕业务目标重新梳理流程。他同时指出，目前市场上大多数智能体还停留在个人应用层面，离“企业就绪”仍有距离。
对制造业企业来说，自上而下通常更有效：先锁定一个可量化的业务环节，如质检判级、工艺参数推荐、售后工单分派，明确输入数据、评价指标与人工兜底机制，再划定智能体的能力边界。杭州及周边中小制造企业更看重这一步，因为产线数据往往分散在不同系统中，缺少前置的数据治理，智能体很难拿到完整上下文。
| 对比维度 | 个人级智能体 | 企业级智能体 |
|---|---|---|
| 服务对象 | 单个员工、单条任务 | 跨角色流程与业务目标 |
| 上下文来源 | 公开信息与个人文档 | 企业数据、工艺规则、历史工单 |
| 验收标准 | 主观好用 | 可量化指标+人工复核边界 |
| 治理要求 | 基本无 | 权限、审计、回滚、成本台账 |
从“有智能体”到“用得好”：企业近期可以做的四件事
结合 Gartner 的判断，动作可收敛为四件：
- 做一次资产盘点：理清运行的模型、接口与调用成本，这是治理前提；
- 挑一个可量化场景试点：优先选择高频、指标可测、容错明确的环节，不追求覆盖跨部门长流程；
- 沉淀数据与知识资产：术语表、工艺规则、历史工单，让模型具备业务上下文；
- 建立评测与回滚机制：用固定测试集衡量输出质量，避免只看一次演示就上线。
缺少自研团队的中小企业，借助外部软件外包与定制开发补齐工程化环节，通常比从零组队更快见效。
一道科技视角：智能体的竞争力在模型之外
曲线换顶与闭源占比下降指向同一件事：AI 差异化正从模型侧移向数据与流程侧。一道科技长期服务制造业与中小企业数字化，业务覆盖 AI大模型定制、数据挖掘、软件外包，可提供从场景梳理、数据治理到智能体开发与运维的完整链路，欢迎了解服务方案或查看更多行业分析。
常见问题（FAQ）
不等于成熟。技术成熟度曲线的顶端对应“期望膨胀期”，代表企业正大量投入预算与关注，但距离稳定产出仍有距离。Gartner 也明确指出，目前市场上大多数智能体还停留在个人应用层面，离“企业就绪”仍有明显距离。企业在这一时期更应关注工程化能力建设，包括数据治理、评测机制与人工兜底，而不是单纯扩大试点数量。
核心是避免与单一模型强绑定。闭源占比快速下降说明国产模型能力持续增强，模型层正在变成可替换的基础件。建议企业在架构上把模型调用抽象成独立服务层，保留切换能力；同时把投入重点转向自有数据资产、业务知识库与工具编排，这些才是模型替换时不会被带走的部分。
建议从一个高频、可量化、容错空间明确的业务环节切入，例如售后工单分派、质检判级、报价单生成，先明确输入数据、评价指标与人工复核边界，再决定智能体的能力范围。工程化环节可以借助外部的软件外包与定制开发能力补齐，通常比从零组建团队更快见效；重点是把试点跑出的评测集与治理规则沉淀下来，供后续场景复用。