2024 年是 AI 好奇心之年，2025 年是 AI 试点之年，2026 年正成为 AI 的”运营现实之年”。

2026 年 5 月，一份来自 Kersai Research 的报告在 CIO 圈子引发讨论。它的核心结论只有一个：大多数企业的 Agent 部署，不是失败了，而是压根还没开始。

与此同时，Gartner 给出了一个更激进的预测：到 2026 年底，40% 的企业应用将嵌入 AI Agent——而 2025 年这个数字不到 5%。

Gartner 说 40%，Kersai 说”大多数压根还没开始”。两个数字之间，隔着一条巨大的鸿沟。

Kersai Research 在 5 月连续发布了两篇报告——《AI Agents in 2026: Is Your Business Infrastructure Ready?》（5 月 11 日）和《AI in May 2026: Model Releases, AI Agents and the Power Crisis》（5 月 5 日）——勾勒出这幅图景的全貌。这篇文章从报告原文出发，拆解 Agentic AI 从概念炒作到企业落地所经历的关键转折。

一、大背景：2026 年上半年的 AI 行业全景

Kersai 在报告中描述了一个”加速叠加”的市场：新一轮模型发布浪潮在 4 月的突破之后接踵而至，企业正在同时应对模型竞赛、Agent 部署和基础设施约束的三重压力。

前沿模型的”组合拳”

Kersai 梳理了 2026 年上半年的关键模型动态[^1]：

[^1]: 数据来源：Kersai Research, AI in May 2026, 2026-05-05

Kersai 的核心判断是：前沿模型正从”通用能力炫耀”转向”专业化定位”。GPT-5.5-Cyber 就是一个最清晰的信号——一个专注于网络安全的模型不是演示道具，而是意味着进攻性安全、漏洞发现和 cyber 操作正在成为高级 AI 厂商的关键竞争前线。

同时，Claude Mythos 的受限预览（约 50 家合作伙伴）和 DeepSeek V4 的低成本冲击形成了市场的两极：一边是封闭、高端、gated 的前沿能力，一边是开放权重、激进定价的替代方案。企业 CIO 不再能理所当然地认为”最贵的模型就是最理性的商业选择”。

二、核心转折：从”AI 功能”到”AI 运营层”

Kersai 报告中最重大的一个判断是：AI 正在从被当作”功能”（feature）变成被当作”运营层”（operating layer）。

功能是你添加的东西。运营层是你的企业开始依赖的东西。

当企业在网站上加一个聊天机器人时，风险是相对可控的。但当企业部署的 Agent 开始与客户记录交互、更新内部系统、触发工作流、升级工单、支持销售跟进、在平台之间协调任务时——AI 就不再坐在业务的边缘，而是进入了业务的中间。

Kersai 用一张对比表清晰地划定了这种演进的阶梯：

Kersai 的论述指向一个关键判断：在 Demo 中，Agent 看起来像产品。在现实中，Agent 只是坐在一个更深栈之上的可见层——API、身份系统、访问控制、数据管道、工作流逻辑、编排工具、监控、日志、成本控制和治理框架。

如果那个栈很弱，Agent 也会很弱。 如果那个栈完全缺失，Agent 可能在概念验证中看起来很惊艳，但完全不适合生产环境。

这也解释了为什么 2026 年的核心问题不再是”模型够不够机智”，而是”环境够不够强”。Kersai 列出了八个关键维度：干净且权限可控的数据、稳定的 API 和系统集成、身份和访问管理、日志和可观测性、人工交接路径、成本监控、策略执行和治理、运行时编排和故障处理。

“企业发现，启动一个 Agent 比构建信任它所需的条件要快得多。而如果企业不能信任它，就不能扩展它。”

这造成了一个痛苦的错位：领导者看到 Agent 在 Demo 中工作，就认为部署近在眼前。而技术和运营团队知道，真正的工作才刚刚开始。

这个”真正的工作”，Kersai 把它拆成了五个必须补齐的短板。

三、五大就绪差距：决定 Agent 能否落地的关键

Kersai 提出了一个极具操作性的框架：五大就绪差距（Five Readiness Gaps）。大多数在 Agent 上挣扎的企业，失败缘由不是 Agent”不够机智”，而是忽视了一个或多个就绪差距。这些差距最终导致了一个更深层的问题——企业对 Agent 的认知，与实际构建的东西之间存在系统性错位。

1. 基础设施就绪

Agent 能否可靠地访问正确的系统？API 是否稳定？延迟是否可控？身份和权限能否正确处理？出了问题时是否有足够的可见性？没有基础设施就绪，每个 Agent 都将是脆弱的，无论其输出看起来多么惊艳。

2. 数据就绪

企业是否有干净、实时、可访问的数据？还是 Agent 被要求在不完整、不一致、缺乏上下文的信息上运行？坏数据不仅产生坏答案，更产生运营层面的不信任——这会迅速扼杀采纳率。

3. 工作流就绪

工作流本身是否被充分理解？企业是否已经绘制了 Agent 在哪里创造价值、人类在哪里保持介入、异常如何被处理？把一个 Agent 扔进一个破损的工作流，一般只会产生一个更快的破损工作流。

4. 治理就绪

谁批准了这个用例？谁拥有风险？什么被记录？如果 Agent 失败、越权或暴露敏感信息怎么办？2026 年，没有治理的 Agentic AI 不是创新，而是无管理的暴露。

5. 商业就绪

企业是否真正清楚价值将如何被创造和衡量？Agent 是在降低成本、增加吞吐量、提升转化、提高留存还是减少服务负担？如果没有清晰的商业逻辑，Agent 就只是另一个在寻找预算理由的实验。

四、企业认知的错位：你以为在买什么 vs 你实际在构建什么

Kersai 报告中一个极具洞察力的表格揭示了企业在 Agentic AI 上最常见的认知错位：

企业以为自己买的是一块更机智的软件，实际上他们正在搭建一个面向新型数字劳动的迷你操作系统——一个触碰真实数据、做决策、执行工作流、产生新成本和风险的系统。

认知错位只是表象。真正让企业卡住的缘由，藏在四个关键转折里。

五、从概念到企业落地：关键转折的深度拆解

Kersai 报告的核心叙事可以归结为一条线索：Agentic AI 正在经历从概念验证到企业运营层的”关键转折”。 这个转折之所以困难，有以下几个深层缘由：

转折一：构建速度 vs 扩展纪律

Agent 的构建速度在 2026 年已经大幅压缩——过去需要几个月的东西，目前几天或几周就能组装出来。但这制造了一个错觉：一旦 Agent”能工作了”，最难的部分就结束了。

在大多数真实企业中，情况恰恰相反。一家企业可能用一周搭建了一个客服 Agent Demo，但在接入工单系统、配置权限、设计升级路径上花了两个月。

原型构建得越快，围绕”是否应该扩展”的纪律就越重大。低摩擦的创建会鼓励高摩擦的后期后果——如果治理、成本控制和工作流设计被忽视。

Kersai 的警告很直接：不要把探索和部署当成同一件事。

转折二：孤岛部署 vs 编排架构

据行业报告综合数据，企业平均已经在运行约 12 个 Agent，而且这个数字在未来 12-18 个月内预计快速上升[^2]。但更重大的是：这些 Agent 中有多少是协调的、有治理的、被整合的？

[^2]: 数据来源：Kersai Research 引用行业报告

一个企业可以有十几个 Agent，但依旧没有真正的 Agent 策略。

缘由很常见：销售部门试用一个系统，客服试用另一个，运营再加第三个，市场用第四个。它们之间不共享上下文，没有一致的治理方式，成本碎片化，日志不完整，人工交接路径不清晰，没有人真正知道系统边界在哪里。这意味着，同一个客户的数据可能在四个 Agent 手里有四份不同的版本。

问题不是 Agent 不够多，而是架构不够强。

转折三：技术就绪 vs 商业模式就绪

Kersai 提出了一个极少被讨论的维度：商业模式就绪（Business Model Readiness）。

一家企业可能在技术上有能力部署 Agent，但在战略上还没有准备好。为什么？由于 Agent 不只是改变任务——它们改变单位经济、服务模型和组织设计。

• 如果 Agent 缩短了响应时间，需求的增加会不会让企业的其他部分无法承受？
• 如果 Agent 降低了运营成本，公司是再投资这笔利润还是仅仅吸收它？
• 如果 Agent 让高端服务的交付成本更低，定价是否需要调整？
• 如果内部团队依赖 Agent 进行协调，当有东西被遗漏时，谁来负责？

这些都是商业模式问题，不仅仅是 IT 问题。 这也是为什么 2026 年围绕 Agent 的最佳高管讨论不只是关于工具，而是关于运营设计。

举个例子：一家零售企业部署客服 Agent 后，响应速度提升了 80%，但投诉量反而上升——由于需求激增压垮了后端供应链。Agent 解决了前端的问题，却暴露了后端服务模型没有同步调整。这就是商业模式就绪缺失的典型后果。

转折四：物理约束——电力与基础设施

Kersai 在 5 月的另一篇报告中指出了一个正在进入董事会讨论层面的问题：AI 的物理基础设施。

AI 不是另一层软件需求——它是一个物理密集型的计算范式。数据中心的占地面积、功耗、冷却需求、变压器供应、变电站接入和传输约束，目前都直接影响到 AI 部署的速度。

一个令人震惊的矛盾：最大的科技公司正在投入空前的资本建设 AI 基础设施。据报道，2026 年 hyperscaler 的资本支出超过 6500 亿美元，但大约一半的美国数据中心项目因电力基础设施和相关组件短缺而被推迟或撤销[^3]。

[^3]: 数据来源：Kersai Research, AI in May 2026, 2026-05-05

换句话说，6500 亿里有一半可能在”看得见花不出去”。

AI 的下一个瓶颈不只是芯片，不只是模型，甚至不只是资本——而是物理部署能力。

六、中小企业如何赢得 Agent 竞赛

Agentic AI 不只是大企业的游戏。Kersai 认为，中小企业如果纪律性地部署 Agent，可能获得不成比例的优势。

最佳早期切入点一般来自工作流重复、数据足够结构化、且企业能清晰衡量改善的领域：

• 客服分诊和回复草拟
• 线索资质和跟进工作流
• 内部报告和仪表盘生成
• 提案组装和行政协调
• 销售、运营或客服团队的知识检索

在这些场景中，Agent 可以协助小团队表现得像大团队，而无需立即增加人手。

但规则依旧适用：赢的企业不是拥有最炫酷 Demo 的企业，而是理解工作流、控制数据、衡量结果并在正确环节保持人工介入的企业。

结语

综合 Kersai 的两篇报告，2026 下半年的关键观察点包括：企业是否从”选一个模型”转向”模型组合策略”——用 GPT 处理安全、用 Claude 处理创意、用开源模型处理批量任务；CrewAI、LangGraph、MCP 协议等框架谁能成为 Agent 编排的实际标准；以及 6500 亿美元资本支出能否转化为实际的部署能力。

Kersai Research 在 2026 年 5 月的报告中反复强调一个核心判断：

AI 领域新的分水岭，不再仅仅是使用 AI 的企业和不使用 AI 的企业之间的区别，而是能够将 AI Agent 运营化的企业和依旧把演示当成部署的企业之间的区别。

Agent 正在从”有趣的实验”变成”企业运营的核心层”。这个转折的难度不在于模型本身，而在于企业是否有足够的基础设施、数据质量、工作流设计、治理框架和商业模型来承接它。

2026 年的赢家，可能不是拥有最机智 Agent 的企业，而是拥有最干净数据、最强工作流、最清晰治理和最现实商业模型的企业。

问题不再是 Agent 能不能做。问题是——你准备好了吗？

参考来源

• Kersai Research, “AI Agents in 2026: Is Your Business Infrastructure Ready?”, https://kersai.com/ai-agents-ready-infrastructure-business-model-2026/, 2026-05-11
• Kersai Research, “AI in May 2026: Model Releases, AI Agents and the Power Crisis”, https://kersai.com/ai-may-2026-model-wave-agents-power-crisis/, 2026-05-05
• Gartner Forecast: 40% of enterprise applications will embed AI agents by end of 2026 (via Kersai Research)