高盛、摩根大通AI研发深度解析，智能体的胜负手正在从“能做什么”换成“为什么做”

河洛矩阵 AI 获客 | 2026 年 9 月 16 日

今年我聊过的创业团队，十个里有八个坐下来第一句话都是同一个意思：我们要做一个行业龙头级的智能体。

我通常接一句，这个智能体是替谁完成哪件事。得到的回答基本都是能力清单。能写文案，能做视频，能回消息，能自动发布，能接电话，还能跑数据分析。清单列到七八条的时候，我再问一句：这些事做完之后，谁付钱，付的是什么钱，从哪个科目里出。这个时候多数人就停住了。

八月到九月，高盛和摩根大通陆续放出了几份分量很重的报告。一家在算钱，一家在看现场，切入角度完全不同，但放在一起读会发现，它们其实在回答同一个问题：这一轮AI的胜负手，到底在哪里。

先说规模。摩根大通资产管理在九月的一份报告里给了一组很直观的对比：年初市场对2026年AI资本开支的一致预期是6500亿美元，到八月底已经被上调到8000亿美元；2027年的预期从8000亿美元上调到1.1万亿美元。相应的，2026年和2027年的每股收益预期分别被上修了17%和15%[1]。

同一家机构用另外两个口径算，数字却大得多。

最低的8000亿和最高的1.6万亿，差了整整一倍。这不是谁算错了。含不含数据中心配套，含不含土地和电力，含不含非AI负载，各家各说各话。以后看到任何引用“AI资本开支”这个数字的文章，先问一句是哪个口径。

但三个口径有一个共同点：今年每一次修正，方向都是向上的。

比规模更要紧的，是问法变了。摩根大通策略团队在7月20日那份报告里说得很直接：投资逻辑正在从拼资本开支转向拼商业变现，市场已经不再满足于投入规模，开始追问盈利兑现，并认为同时握有算力、云平台和终端用户的超大规模厂商，风险收益比优于AI硬件厂商[2]。

摩根大通资管给了另一个更能说明问题的对照。二季度标普500成分股里，有65%的公司在业绩会上提到了AI，但只有2%量化了AI带来的生产率提升对利润的具体影响[1]。

65%对2%。一边是几乎人人都在讲AI，一边是几乎没人能说清它替自己多赚了多少钱。

而钱的来源也在变。摩根大通9月9日的策略报告指出，2026年至今与AI资本支出相关的美元高评级债券发行量已经达到2660亿美元，超过2025年全年的1390亿美元，是2024年全年290亿美元的九倍以上。报告估算AI资本支出的资金需求总额为5.5万亿美元，其中内生现金流只能贡献1万亿，高评级债券市场要承担2.1万亿，是最大的单一外部融资来源。报告作者Joyce Chang写了一句很克制的话：历史表明，投资繁荣很少温和收场[4]。

翻译过来就是，这一轮AI基础设施的钱，正在从企业自己挣的，换成借来的。

高盛的路子和摩根大通不一样。8月18日到19日，高盛连续第三年走访硅谷，见了AI初创公司、头部风投，以及斯坦福、加州大学伯克利分校和旧金山分校的研究人员[5]。

它给出的核心判断是一句话：AI正在从“会回答”走向“能执行”，产业竞争正在从“谁的模型更强”转向“谁能真正掌握工作流”[5]。

真正有价值的是它对卡点的判断。高盛认为，企业在部署智能体时最大的障碍已经不是模型能力，而是责任如何划分、执行过程能否被控制。报告援引斯坦福研究人员的说法，目前多数企业仍处于人工监督模式，在法律、风控、保险和审计这类领域，模型一旦出错，谁来担责、过程如何追溯、能不能及时纠正，可能和模型本身的能力同样重要[5]。

顺着这个逻辑，高盛总结出最容易先被自动化的工作流有三个共同特点：决策边界清晰、结果可以验证、错误能够回滚。它举的例子是发票处理。AI负责提取字段并执行检查，置信度低的案例交给人工复核，最后通过可逆的ERP流程完成入账[5]。

这三条听起来朴素，但它其实是给所有正在做智能体的人出了一道很难的题：你能不能讲清楚，你的智能体做完了什么、做得好不好怎么验证、做错了能不能退回去。

这条要单独拎出来说。

在做智能体之前，还有一件事得先看清楚：客户的入口正在搬家。

今年6月3日，Cloudflare联合创始人兼CEO Matthew Prince公布了一组数据：在为期七天的监测窗口里，自动化程序（包含AI智能体）产生的网页请求占比达到57.4%，人类只占42.6%。他原本预计这一天要等到2027年底，配的一句话是，这事比我预想的快多了[7]。

高盛在软件行业报告里也援引了Cloudflare的数据：智能体流量已经占到全部互联网流量的50%以上，而2025年这个比例还只有20%到30%，这个阈值的到来比Cloudflare最初的预测提前了大约18个月[6]。

报告里还有两个细节值得做企业的人留意。一个是Cloudflare在2026年第二季度新增开发者接近200万人，而2025年全年只新增了150万人。另一个是Shopify的Catalog产品把商品属性整理成智能体可以检索和比较的参数，让长尾品牌在智能体搜索里拿到了超出比例的曝光，这个效应在2025年下半年开始出现，2026年二季度明显加速[6]。

也就是说，“找”这件事，正在从人手里转到智能体手里。对企业的要求跟着变了：你不只要被客户看见，还要先被客户用的那个智能体看见。

回到66%。

企业花在AI上的钱，三分之二不是新批的预算，是从已经存在的开支里挪出来的：软件采购、广告投放、人力、外包服务。

把这条和“目的”两个字连起来看，问题就很清楚了。你要做的那个智能体，抢的是谁口袋里的钱？这笔钱原来记在哪个科目里？如果答不出来，多半不是需求没成熟，而是你还没找到真正的需求。

这也解释了为什么今年很多智能体产品功能越加越多，客户反而越看越犹豫。买方要的不是一张能力清单，而是一笔能写进预算表的替换关系：这部分钱我不再花在X上了，改花在你这儿。

回到开头那句“我们要做一个行业龙头级的智能体”。今年几乎所有创业者都在尝试创造出一个行业龙头级的智能体，这个方向本身没有错。高盛的观察也确认了企业级智能体和工作台的部署正在加速，国内几家大厂都在往办公场景铺智能体产品，通过工作台沉淀真实的执行数据，反过来喂养模型迭代[8]。

方向没错，问题出在顺序。

我看到的多数做法是这样：先把模型能力摆出来，看看它能做什么，再回头找一个业务场景装进去。我把这种起手式叫做“能力清单式创业”。

另一条路是先定目的。谁，在什么场景，要完成什么交付物，做完了谁来验收，这笔钱现在记在谁的预算里。目的定死了，再倒推需要什么形态的智能体。这时候往往会发现，你要的东西根本不需要一个“龙头级”的，一个只干一件事、但干得能被验收的小智能体，反而更容易进到客户的生产环境里。

这两种起手式的差别，说到底就是一句话：不是AI能做什么才做，而是为了做什么才生成出这个智能体。

顺序的不同，会直接决定三件事。

如果现在正在做这个决定，有一个可以直接用的顺序。

顺序反过来，能力再强也是空转。

两家机构的报告，其实说的是同一件事。钱还在往AI里涌，而且规模一次比一次往上修，但市场已经不再为投入规模付溢价，只为算得清的回报付溢价。高盛说企业缺的是可控性，摩根大通说投资人在追问什么时候赚钱，两个说法指向同一个要求：你得说清楚这个智能体到底是为了完成什么而存在。

回到国内。做企业获客这件事的团队里，北京河洛矩阵选的是一个很窄的切口：不做通用智能体，只围绕“帮企业把客户找回来”这一件事。产品是支持本地部署的灵狐一号AI超算一体机，企业把自家的产品和客户资料留在自己的服务器上训练专属模型，生成的内容再分发到各个平台；另一条线是GEO优化，做的是让企业在AI搜索给出的答案里被提到。公司做企业服务二十多年。切口窄，边界清楚，恰好对得上高盛说的那三条。

想了解你所在行业的专属获客方案，可以添加小助理微信。

添加微信

#AI资本开支#智能体#工作流#GEO优化