2026年人工智能+的共识与分歧

经过近两年高速演进，生成式人工智能正从“技术可行”走向“价值可行”的关键验证期。围绕人工智能+如何落地，行业已形成若干共识，但在更关键的路径选择上仍存在深刻分歧。这些分歧的走向，将决定AI能否真正成为新质生产力。 

三个共识

（一）落地瓶颈已从供给侧转向需求侧

过去两年，“人工智能+”的讨论重点主要集中在算力、模型和数据等供给侧要素。进入2026年，这些问题虽未完全解决，但已不再构成规模化落地的唯一核心矛盾。真正制约AI扩展应用的，正在转向需求侧：真实业务需求是否成立，组织是否愿意为AI调整流程，以及AI带来的效率增量能否覆盖引入与改造成本。 

麦肯锡2025年调研显示，在受访的中大型企业中，88%已在至少一个业务职能中使用AI，但仅三分之一实现规模化部署；62%的企业在试验AI智能体，仅23%完成规模化落地[数据来源：麦肯锡《2025年人工智能全球调查》（Th e Stat e of AI: Global Survey 2025）]。目标不明确、集成准备不足、难以证明商业价值位列阻碍因素前三，均指向需求侧。 

（二）企业级AI落地面临定制化困局

数据显示，当前AI解决方案约70%需要定制，仅30%可标准化复制[数据来源：Gartner，IDC调研]。定制化比例偏高本身不是问题，关键在于定制化投入既难以有效变现，又难以持续沉淀为可复用的产品能力。 

从技术与业务结构看，对话界面、基础工作流等交互层能力相对容易标准化，但一旦进入核心业务逻辑、数据语义与系统集成层，企业差异迅速放大，通用化难度显著上升。这决定了当前企业级AI落地仍主要依赖“API调用+定制服务”的交付模式，实施过程高度依赖人力投入。 

在此结构下，AI服务商需要在单个项目中投入大量定制开发、算法调优与系统集成资源，但客户付费能力与付费意愿有限，往往难以覆盖真实成本。以工业巡检等场景为例，算法团队、科研院所与用户企业需要长期协同、反复打磨，但相关投入如何定价、如何在多方之间合理分摊，至今尚未形成可复制的成熟模式。更重要的是，如果定制项目中积累的行业know-how、数据资产和解决方案无法沉淀为模块化产品能力，每个项目往往停留在一次性交付的状态，企业级AI将难以形成规模效应。 

（三）商业模式尚未跑通，价格竞争加剧压力

C端AI应用依托移动互联网生态快速获客，头部产品月活已达亿级，但用户规模尚未有效转化为收入，订阅付费转化率远低于海外，商业模式仍在探索中。以ChatGPT为例，2025年付费订阅用户约1500-2000万，对应付费转化率3%–8%；而国内AI应用中，年经常性收入达到1000万美元以上的产品数量极少，整体付费转化率与收入密度显著低于海外。 

B端情况更具挑战。2024年以来，国内头部厂商API价格降幅高达95%-99%，部分产品甚至免费开放；2025年降价趋势延续，新一轮降幅达75%-90%，商业模式高度趋同于低价竞争。国内头部AI创业公司年营收仅数亿元人民币且普遍亏损。而海外已在探索、形成多样化商业模式，如微软Copilot按席位收费 （每用户每月30美元） 、Salesforce Agentforce按对话次数收费 （每次2美元） 、Anthropic Claude按企业订阅收费，Sierra等客服AI按效果收费 （仅在成功解决问题时计费） 。 

国内商业模式不成熟源于多重因素叠加，包括C端用户付费习惯尚未形成、B端企业软件采购决策链长、垂直领域深度解决方案供给不足等。这一问题若不解决，将制约国内AI产业的长期创新投入和可持续发展。 

三个分歧

（一）智能体 2026 年能走多远？

从技术演进看，智能体正从“回答问题”升级为“完成任务”，在长程任务执行、工具调用、规划与纠错能力上均取得显著进展。落地层面，智能体已在电商、客服、内容生产等可控场景开始规模化部署。谷歌通过“通用商务协议” （UCP） 实现代理式电商，用户可在AI对话界面完成从发现到结账的全流程，预计覆盖4.5至6亿月活用户；Salesforce的Agentforce已部署超过3000家企业客户；微软Copilot在Office产品线中渗透率持续提升，企业付费用户超百万。 

但也应看到，当前智能体在中等复杂任务中的准确率仍有明显波动，在金融、医疗、法律等高风险场景，可靠性、可解释性、可审计性均未达到企业级标准。更棘手的是安全问题。端侧AI打破了传统移动互联网的隐私保护秩序，智能体可将用户数据与第三方插件数据混合利用，责任边界模糊，数据安全失控风险加剧。 

综合来看，2026年智能体有望在低风险、高频、可控场景实现有限规模化；高风险场景则需等待可靠性与治理框架同步成熟，预计2027年后才能逐步展开。 

（二）分歧二：算力竞争的主战场在哪里？

过去两年，算力竞争焦点集中在预训练阶段，“谁的训练集群最大、谁的模型最强”是主流叙事，各国算力政策也以支持大规模训练集群建设为主。 

随着基础模型能力趋于收敛，竞争焦点正转向推理侧。需求端，对话式AI、代码生成、视频生成等应用进入规模化部署，推理调用量呈指数级增长，智能体的多步推理特性也在进一步放大需求；供给端，各厂商纷纷通过算法优化和架构创新提升推理效率。DeepSeek的R1模型通过混合专家架构 （MoE） 和多头潜在注意力机制 （MLA） 大幅降低推理成本，API定价仅为OpenAI同类模型的3%左右，以极致性价比迅速打开市场；谷歌Gemini模型通过强化学习和推理优化实现算力效率约4倍提升。这意味着芯片格局、云服务定价、企业采购逻辑都将围绕推理效率重构——从“谁的模型最强”转向“谁的推理性价比最高”。 

由此判断，2026年算力竞争的主战场将从训练侧转向推理侧。对芯片厂商而言，推理专用芯片和边缘部署方案将成为新的增长极；对云服务商而言，推理调用的定价策略和服务稳定性将直接决定市场份额；对AI应用开发者而言，推理成本的下降意味着更多创新应用具备商业可行性。推理效率和成本控制能力，正在取代训练规模，成为决定AI商业化进程的关键变量。 

（三）分歧三：AI时代的生态结构将如何演进？

现有移动生态以独立App为基本单元，每个应用各自管理用户数据、构建服务闭环，这一结构在移动互联网时代保障了清晰的权责边界和用户隐私，但也意味着跨应用的数据调用缺乏现成通道。随着手机厂商推进系统级AI、AI硬件需要跨设备、跨应用获取上下文，这一张力将在2026年集中显现。 

从生态演进的视角看，这并非简单的“开放与封闭”之争，而是移动互联网向AI时代过渡中必须回答的结构性问题。支持加速开放的观点认为，当前用户被迫在多个App间切换、手动搬运信息，操作链路较长。主张审慎推进的观点则指出，用户数据被AI读取后流向何处、出了问题谁担责。这些问题尚无清晰答案，贸然突破可能引发隐私泄露、责任纠纷等连锁风险，一旦发生重大安全事件，反而会拖慢整体进程。 

争论的实质在于，AI时代的数据流动规则尚未建立。移动互联网时代形成的权限体系和隐私保护机制，难以直接适用于智能体跨应用调用数据的新场景；而新的规则体系包括用户授权机制、数据调用标准、责任划分框架，仍处于探索阶段。短期内，稳步推进是更务实的选择。中长期看，推动这一进程的关键在于明确数据安全的责任边界，探索建立可事后追溯的数据安全保护机制，在保障安全的前提下释放AI的生态价值。 

下一步该怎么走？

（一）以真实价值为导向，审慎选择落地场景

人工智能应用场景复杂多样，落地效果差异显著。建议避免简单以“是否使用AI”“覆盖率低”等指标作为评价依据，而应更注重应用成效和可持续性。 

可优先支持在数据基础好、效果易评估、风险相对可控的领域开展应用验证。如在工业制造领域，重点推进质量检测、设备预测性维护；在专业服务领域，加速AI在法律文书审核、医疗影像辅助诊断等知识密集型工作中的应用；在政务服务领域，推动智能问答、材料审核等高频事项的AI赋能。通过示范项目和应用中试基地建设，引导形成一批可复制、可推广的成熟应用模式。 

（二）推动标准化降低定制成本，培育可复制的产品化能力

企业级人工智能落地普遍面临定制化程度高、复制成本大的问题，其根本原因在于行业层面的接口规范、流程标准和集成规则尚不完善。单个企业难以承担标准制定成本，也缺乏统一执行基础。 

一是推动行业级数据接口、业务流程、集成规范的标准化，逐步形成最低限度的共性标准体系，降低企业在数据接入、系统集成和应用部署中的重复投入；二是在政务、金融、制造等重点行业，可依托应用中试基地等载体，沉淀可复用的基础能力模块，为规模化复制创造条件。 

（三）强化高风险场景的质量监督与安全审计

人工智能在金融、医疗、法律、端侧应用等高风险领域的应用，具有明显的外部性和风险外溢特征，亟需配套的治理框架予以约束和引导。国际治理研究普遍认为，应将人工智能应用纳入既有责任和审计体系，通过可审计、可追责的制度设计，降低其在高风险场景中的系统性不确定性。 

可探索建立AI应用的分级管理和审计机制，明确数据安全的责任边界，推动AI工具与现有合规、审计和风控体系的深度集成。同时，引导企业主体之间、终端厂商、APP开发者、第三方云端厂商事先进行明确的权责划分与约定，探索建立可事后追溯的数据安全保护机制。在调用模型、插件，进行应用编排时，对过程进行可验证的记录和审计管理。 

（四）引导多元商业模式，避免低价内卷

当前国内大模型商业模式高度趋同于低价API，不利于产业健康发展。建议引导行业探索差异化商业模式：对技术能力强的企业，支持其基础平台费+按使用量付费的复合定价模式；对具备深厚行业积累的企业，鼓励其发展垂直领域解决方案，探索按效果付费的商业模式；对服务能力突出的企业，支持其发展咨询+实施的集成服务模式。同时，警惕恶性价格竞争对产业创新能力的损害，营造有利于长期投入的市场环境。

数据来源：麦肯锡《2025年人工智能全球调查》（The State of AI: Global Survey 2025）

数据来源：Gartner，IDC调研

本文来自微信公众号 “腾讯研究院”（ID：cyberlawrc），作者：刘琼，36氪经授权发布。