近日，OpenAI 发布了一份内部研究报告，报告中的一组数据引发热议：从 2025年8月到2026年6月，短短十个月时间里，OpenAI自家研发的Agent“Codex”在公司内部的使用token使用占比，从不到10%跃升至惊人的99.8%。
翻译一下就是：OpenAI的自家员工，在工作中已经全面弃用通用大模型ChatGPT，而改用能够自主干活的AI Agent“Codex”。而且更值得关注的是，对token增速贡献最大的并非技术团队，而是法务、财务、人事等部门：
法务部：批量审阅合同、自动比对条款差异、生成法律风险标注，替代人工校对
财务部：自动输出经营报表、预算测算、审计底稿交叉核对，降低重复劳动
人事部：简历初筛、候选人能力评估框架搭建、招聘数据复盘，标准化招聘流程
......
对于这一颠覆性变化，报告中解读：“AI Agent 正在将知识工作的最小单元，从碎片化的单次交互，升级为可委托、长周期自主执行任务。这份数据证明，Agent正在向全职能岗位加速渗透。”
然而，与OpenAI的报告大相径庭的是，埃森哲在近期发布的一篇行业文章中分别援引两项调研数据：
◉ 标普全球针对欧美1000家大中型企业开展专项调研，结果显示四成以上企业中途叫停绝大多数 AI 相关项目，近半数 AI 概念验证项目止步于演示阶段，还未正式投产就被搁置。
◉ 兰德公司的一份深度分析也展示，超过八成企业的 AI 项目以失败告终，失败概率是普通数字化技术改造项目的两倍。
两份数据摆在一起，撕裂感不言而喻。一边是全球头部AI企业与AI迅速融合，一边是各个领域、多数企业AI项目折戟。是什么造成了这条横亘在中间的巨大鸿沟？
埃森哲给出了一个专业分析：从2022年至今，大模型的推理成本一降再降，如今已成为标准化的廉价基础商品。成本断崖下跌，却没能降低项目翻车概率，可见模型本身性能的强弱并非项目失败的根因。
绝大多数企业的通病是：采购了顶尖的大模型或Agent，但却缺乏一套承载 AI 运行的底层生态系统。导致的后果则是：
◉ 数据分散在各部门系统，形成信息孤岛，Agent 无法调取完整的业务资料；
◉ 业务流程割裂，即使Agent 产出了相应结果，也缺乏配套的流程实现自动流转；
◉ 场景碎片化，Agent只能解决单一零散任务，无法支撑全链路闭环作业。
埃森哲点破根源，绝大多数 AI 项目失败，问题来自企业数据基础薄弱、业务流程割裂，同时缺少能够支撑智能体稳定落地的工程化能力。
OpenAI 的落地案例也充分证明，一套适配智能体长期运转的系统化底座，才是企业 AI 落地的核心护城河。
△ 图源/AI生成
支撑智能体规模化落地的三层核心底座
一套能支撑 Agent 长期稳定运行的企业 AI 系统化底座，至少需要涵盖三大核心能力，也是区分 80% 失败项目与成功案例的关键标尺：
1. 全域数据互联互通（基础前提）
打破部门数据墙，实现全业务数据自由流转：法务合同模板可同步供给财务，HR 招聘用户画像可联动销售客户标签。如果数据无法跨部门共享，Agent 永远只能局限在单点碎片化任务，无法支撑跨部门协同作业，智能体价值直接缩水一大半。目前，多数企业的数据中台建设，仅停留在数据存储层面，缺少面向 Agent 调用的标准化流转机制。
2. Agent 深度嵌入原生业务流程，构建人机协同链路
Agent 不能是悬浮在业务之外的独立对话窗口，必须嵌入原有工作流。例如在合同审核场景：AI 审完合同自动生成风险报告→推送至对应审批负责人→审批完成自动归档更新合同模板库。在这个流程中，人类负责关键决策、风险把控，Agent 承接重复、长周期、高频执行类工作。一旦协作脱节，再强大的智能体也只会退化成高级问答机器人。
3. 底层原生共享记忆
这是当下绝大多数企业完全忽略、却决定 Agent 长周期能力的关键。Agent 不是用完即关闭的临时工具，需要具备连续运行数天、跨多份文档、多轮交互的持续记忆能力。今日任务判断，可复用历史业务结论；不同部门 Agent 之间，共享统一客户档案、交互历史、业务规则。
然而目前，很多企业简单外挂向量检索库充当记忆，会话结束上下文直接清零，长周期自主任务的连续性完全无法保障。今年上半年，OpenAI 、Google等行业头部厂商集体加码记忆架构，足以证明底层记忆不再是锦上添花，而是企业 AI 系统的硬性标配。
这也是红熊AI从一开始就把记忆能力作为AI原生底座来做的原因。Agent要从单次问答机向会攒经验的“数字员工”跃迁，记忆能力是绕不开的那一块关键跳板。
四种企业AI发展路径，找准自身转型定位
埃森哲基于企业价值覆盖范围、技术掌控深度两大维度，划分出四类差异化 AI 发展路径，不同规模、不同行业的企业可以对照自身现状找到适配方向，避免盲目跟风：
◉ 直接采购标准化 AI 产品的企业，适合中小微实体、传统线下企业，依靠成熟AI工具解决单点场景，部署周期短、投入成本可控，短期就能看到效率提升，但所有同行都能采购同类产品，很难形成长期竞争壁垒，只能作为转型初期跳板，不能长期停留于此。
◉ 垂直行业自建模型的模式，更适配金融、医疗等强监管赛道，企业依托自身独有的行业数据训练细分领域专用模型，隐私与合规性可控，但长期研发投入成本极高，容易陷入参数内卷，模型通用性不足，很难支撑全公司跨部门智能体协同运转。
◉ 全栈自研模式仅适合极少数对数据安全、技术安全有刚性要求的头部科技、制造龙头。从算力底层到前端应用实现全链路自主可控，技术护城河极深，但资金、人才、技术门槛极高。
◉ 生态整合模式是绝大多数企业的更优选择，企业无需自研基础大模型，重点搭建统一的数据、流程、记忆底层系统，能够灵活兼容各类外部大模型，实现全业务智能体规模化落地。这套模式最大优势在于模型可自由替换，更换服务商不会重构整套业务体系，长期战略韧性更强。
综合四类路径能够得出清晰结论，未来行业竞争的核心不再是谁拥有更强的大模型，而是谁能搭建可沉淀、可持续迭代的企业 AI 系统工程能力。企业应当把关注重点转向数据治理、流程重构、底层记忆架构这类能够长期积累复利的底层投入。
告别堆模型，系统性 AI 才是长期答案
Agent 不是独立工具，而是嵌入企业全流程的生产系统，只有补齐数据、流程、记忆三层地基，AI 才能真正落地创造长期业务价值。
对企业而言，AI 转型不只是技术升级，而是同步伴随组织与人才的系统性变革。企业还需同步完成三方面组织升级：重新定义 AI 项目价值评估标准，兼顾长期数字化沉淀价值而非只看短期财务节约；搭建分层灵活的 AI 治理模式，打破部门信息壁垒，推动跨职能协同；建立常态化员工 AI 协作培训，教会员工高效委托智能体完成复杂工作。
看完本文，你所在企业是否已经落地 AI Agent？在合同审核、财务报表、招聘筛选等场景踩过哪些落地坑？
