企业级AI Agent市场正成为资本追逐的热点，但其商业模式和落地难题仍待破解。本文深入探讨了企业级Agent从工具到“数字员工”的演变，分析了其在确定性、垂直性和落地性上的特点，同时指出了MCP协议在企业级场景中的局限性以及商业模式转变的挑战，揭示了企业级Agent市场的机遇与困境。
企业级Agent正在成为整个toB市场的共识。
企业级智能体（toB AI Agent）正在成为全球最受资本追捧的赛道之一。
从最初的帮你做分析、做研究的通用型Agent，到如今宣称能重构企业流程的“数字员工”，这股浪潮以前所未有的速度席卷而来。
「甲子光年」在此前发布的《中国AI Agent行业研究报告（二）》中明确指出，到2026年，认知型Agent将覆盖70%的企业复杂决策场景，重新定义生产力革命。
资本热捧，巨头入局，创业公司如雨后春笋，企业级Agent似乎已经成了整个AI甚至是toB市场的共识。
然而，喧嚣之下，一些问题依然需要我们厘清：Manus、flowith Neo等通用型Agent珠玉在前，企业为什么还需要企业级Agent？企业级Agent在业务场景落地的难点是什么？它能否真正改变toB软件的商业模式？
换句话说：企业级Agent，究竟是一门好生意吗？
一个确定的事实是，企业级Agent越来越多了。
以国内市场为例：CRM赛道，销售易和纷享销客都在产品中上线了围绕销售场景的系列Agent；来也、金智维等服务商正在基于Agent能力实现从RPA到数字员工平台的升级；而HR领域，北森等公司也陆续推出了各种企业级Agent产品。
还有非常多没有列举到的企业级Agent。
从技术架构看，一个完整的企业级Agent，通常包含几个核心模块：环境感知、决策引擎、记忆系统和执行工具。
「甲子光年」认为，企业级AI Agent的核心价值在于“大模型调度能力与全链路自动化闭环”。
之所以大量toB企业都在产品中加入了Agent，是因为它并不仅仅是传统软件的AI升级版，而是具有颠覆性的潜力。它真正将大模型的“思考力”与工具的“执行力”高效协同，形成一个完整的、能解决实际问题的闭环。
在「甲子光年」的访谈中，几乎所有受访者都认可：企业级Agent的核心价值，在于它正在从一个“辅助工具”进化为一个能够独立完成任务的“数字员工”，从而重构人与机器的协作关系。这与「甲子光年」智库报告的判断相互印证。
来源：甲子光年智库《中国AI Agent行业研究报告（二）》
以来也的销售线索生成Agent为例，该Agent能自动在搜索引擎、海关数据、招投标网站中搜索、分析、比对潜在客户，并自动撰写和发送开发信，直到客户回复约定交流时间，才将任务转交给真人销售。这实现了端到端的销售线索生成，交付的是“新线索”这一工作成果。
当企业级Agent开始“干活”，它就不再仅仅是员工手中的工具，而成为了员工的“同事”。这种角色的转变，正在催生一种全新的人机协同范式。
从技术的视角看，这种迭代可以概括为数字员工的进化。从1.0阶段依赖人工配置的RPA，到2.0阶段融合常规AI能力的智能自动化，再到3.0阶段由大模型驱动、具备自主决策能力的Agent，数字员工的能力正不断跃迁。
最终的图景是：每个业务单元乃至个体员工都将与专属AlAgent形成共生关系，通过智能体网络实现跨系统、跨部门的协同，构建起一个动态响应、自主进化的新型智能组织。
但问题在于，今天的用户可能或多或少都已经使用过通用型AI Agent产品，为什么我们还需要企业级Agent？
如果从产品本身来看，无论是Manus、智谱的COCO、昆仑万维的天工超级智能体，还是上述企业级Agent，它们确实都具有相似的产品形态和交互体验：一个对话框，通过自然语言交互完成任务。但使用场景的差异，导致二者呈现了两条截然相反的底层逻辑。
首先就是用户对“确定性”要求的天壤之别。
纵观市场大多数通用型toC Agent，它的任务通常是调研、创作甚至是娱乐的。例如写文章、调研报告、一键生成PPT、生成旅游攻略等。这些任务的共同点是容错率高，用户甚至可以容忍一定程度的幻觉。
“比如用户让通用型Agent调研100个网站，基于调研情况撰写报告。可能它的成功率只有70%，但完成报告已经足够了。”来也科技联合创始人兼CTO胡一川举例。
但企业级Agent完全不同。
由于企业级Agent需要接入业务场景，就意味着企业级Agent必须做到“零失误”。因为对于企业而言，无论是财务报销、供应链管理还是客户关系维护，都牵一发而动全身。一个错误的订单处理、一次不准确的客户信息录入，都可能造成直接的经济损失和信誉危机。
销售易产品副总裁罗义认为，对比通用型Agent的自主规划和发散思维，企业级Agent的要求是收敛和确定性。这种收敛的思维模式，就需要企业级Agent的设计者必须将业务路径确定化，让执行结果可验证。
“我们在做自己的Agent产品时，思路就是无限收敛的，我们只在特定场景提供特定能力，输出稳定的结果，而并非像通用Agent一样为用户提供发散的结果。”罗义表示。
其次就是通用与垂直的差别。
通用型Agent的目标是成为一个能够处理多种任务的通用平台，通过各种工具的协同工作，在数据、网页、金融等领域展现优势。所以这类Agent更偏向研究型（deep research）。
但toB却是一个需要垂直聚焦才能产生业务价值、提高效率的领域。
例如，只有深度绑定CRM业务流程、数据和场景，才能创造真正的闭环价值。销售易的销售助理Agent可以在会议结束后，自动将会议纪要同步到CRM的客户活动记录中，并为销售创建跟进任务。这种与业务系统的无缝融合是通用Agent难以企及的。
最后也是最重要的一点，就是企业级Agent需要能够在业务场景中真正落地。这既是区别，也是最大的挑战。
基于通用平台的目标设定，所以通用型Agent可调用的“工具箱”是开放的，主要由浏览器、虚拟机、搜索引擎、代码解释器等互联网基础工具构成。加之如今越来越完善的MCP生态，通用型Agent可通过MCP调用各种工具为用户输出最终结果。
然而，在企业环境中，Agent并不只依赖通用的互联网工具来完成与业务相关的大量工作，还需要与企业的业务系统进行整合，如ERP系统、CRM系统、HRM系统、财务系统等等。
“这些系统可能已经运行了十年甚至二十年，很多是桌面客户端，可能连API接口都没有。通用型Agent很难真正打破系统的数据孤岛。而这同样是企业级Agent能否在企业侧落地的最大难点。”访谈中，胡一川与罗义都向甲子光年表达了这一观点。
内容总结：天工AI，制图：甲子光年
中国管理咨询行业资深专家陈果认为，企业软件要想成为“刚需”，必须满足两个条件：管理核心业务数据、与业务流程紧密集成。不跟业务流程结合的AI智能体都是可有可无的东西。
在如何与各业务系统之间进行打通，从而实现企业级Agent落地的问题上，MCP（Model Context Protocol，模型上下文协议）被认为是解决Agent与外部工具的最佳方案。
通过提供统一的协议，Agent能够像调用函数一样方便地使用各种工具。不少通用性Agent都已向用户展现过MCP的巨大潜力。
然而，一线厂商的实践中却发现，在复杂的企业级场景中，MCP绝非万能。
销售易产品副总裁罗义直言，MCP对于那些功能单一、标准化的工具类应用（如地图、支付等）是有效的，因为它们的API数量有限，语义清晰。但对于像CRM这样的复杂业务系统，情况完全不同。
“我的产品中可能会有上千个API。这些API在被MCP server封装时，调用的是哪一个具体的API，实际上它是语义化的。因此，我们需要把API背后的语义整理清楚，并放在MCP server里面，才能有更好的效果。但这其实是一项不容易完成的工作。”罗义透露。
简单来说，Agent需要知道在什么业务场景下、为了什么目的、应该调用哪一个API。这需要深度的业务知识，而不仅仅是一个技术协议所能提供的。
同时，企业业务的复杂性，进一步放大了MCP的局限性。
例如事务的一致性与状态管理。企业的很多操作是事务性的，需要多个步骤全部成功才能提交，否则就需要回滚。比如一个完整的下单流程可能涉及库存检查、订单创建、支付处理、物流通知等多个API调用。但MCP本身并不提供事务管理机制。如果Agent在一个多步流程中途失败，如何保证数据的一致性是一个巨大的技术难题。
再比如企业级产品都会关注的权限与安全问题。企业系统有着精细到字段级别的权限控制。而MCP协议本身并不包含复杂的权限管理逻辑。一个Agent通过MCP调用API时，如何验证其操作权限？如何确保它不会越权访问数据？这些都需要在MCP之外构建一套复杂的安全和认证体系。
还有决策的可追溯性与可解释性问题。在金融、医疗等高合规行业，AI的每一个决策都必须是可追溯、可解释的。当Agent通过MCP调用了一系列工具最终给出一个建议时，企业需要能够清晰地审计整个决策链条。
面对MCP的局限性，toB厂商们也在根据自己的优势进行探索破局。
第一条路，是业务系统厂商自己开放原生接口，甚至发布自己的MCP。这一点在甲子光年对销售易、来也等厂商的走访时得到的共同回复。
当应用厂商主动拥抱Agent生态，将自己的核心能力封装成易于调用的接口时，Agent的集成效率和可靠性将大大提升。更重要的是，MCP化显然能够给toB产品在AI时代带来新的流量。
第二条路，是在没有原生接口的情况下，利用RPA作为“万能胶”与Agent进行结合。这是来也等典型RPA厂商的优势。通过RPA，智能体仿佛获得了“双手”，能够在业务系统上进行稳定、可靠的操作。
毋庸置疑，MCP技术为企业级Agent生态描绘了一个互联互通的蓝图，但并不能包治百病。如何让Agent顺利在业务场景中发挥价值，还需要企业结合自身情况探索。而企业级Agent这门生意本身，也要回归到对业务的深刻理解和对技术可靠性的极致追求上。
技术上的可行性只是起点，一个生意能否成立，最终取决于其商业模式是否能被市场接受并创造持续的利润。
过去十几年，SaaS模式主导了企业软件市场。但SaaS模式的根本缺陷在于，它卖的是“工具”，而非“结果”。从本质而言，客户购买的不是软件本身，而是期望软件能解决实际问题。当经济环境趋紧，企业对ROI（投资回报）的追求变得愈发苛刻时，这种“为工具付费”的模式便显得力不从心。
而企业级Agent正在改变这一切。
今年初红杉资本在闭门会中提出，AI时代的企业级软件将从交付工具向交付结果演变。「甲子光年」在访谈中发现，这种趋势已经被得到印证。
来也科技联合创始人兼CTO胡一川直言，这一过程“已经开始”。例如前文提到的销售线索生成Agent，向客户汇报的关键指标就是“挖掘了多少新线索”、“邮件回复率是多少”，这些都是明确的结果。
还有销售易的智能客服Agent、北森的培训Agent等等，交付物都已经从软件功能，变成了实实在在的工作成果。
这种转变的底层逻辑在于，Agent能够将过去难以量化的、依赖于人的经验和操作的“过程”，转化为可衡量、可交付的“结果”。这对于付费意愿普遍不高的国内市场而言，无疑将会是一场巨大的变革。
但需要指出的是，目前从“交付结果”到“按结果付费”，中间的商业模式转变并不容易。
比如Agent能提供几百份销售线索，但如何给这些销售线索定价？“我们暂时还不能确定每个线索的价值，也就难以评估客户需要支付的金额。”胡一川直言。
销售易产品副总裁罗义也也表达了类似的观点，如何衡量结果的价值。“如果有一个清晰的量化标准，资产评估才会相对容易。”
这背后是一个复杂的价值评估体系问题。一个销售线索的价值，不仅取决于线索本身，还与后续的转化率、客单价等多种因素相关。一份简历的价值，也与岗位的重要性、招聘的紧迫性等息息相关。在这些价值难以被精确、公允地量化之前，按结果付费的商业模式就难以大规模推行。
根据「甲子光年」的观察，目前大多数toB厂商在采取过渡性的定价方式，有些按原有SaaS模式定价，有些会额外给Agent收费，尚未完全脱离传统软件的收费框架。
回到最初的问题：企业级Agent是一个好生意吗？
答案是肯定的。多份行业报告都为AI Agent市场描绘了极为乐观的增长曲线。
根据此前头豹研究院的研究报告显示，2023年中国Al Agent市场规模为554亿元，预计至2028年将达到8520亿元，年均复合增长率高达72.7%。而在这8520亿元中，根据观研天下数据预测，预计2028年B端AI agent市场规模为8390亿元，占比98.5%。
惊人的数字背后，是企业对数字化转型的持续投入和对“新质生产力”的迫切需求。
但这门生意并不好做。它不是一场短期的风口追逐，而是一场考验技术深度、场景洞察和商业耐心的马拉松。
toB AI Agent的本质，是用AI重构企业的生产关系。它不是对现有软件的修补，而是对业务流程的再造；它交付的不是更便捷的工具，而是更高效的劳动力。
它不是一个可以靠风口和概念就能轻易成功的赛道。它要求从业者抛弃ToC市场的流量思维和娱乐心态，真正沉入企业的“业务深水区”。它要将大模型的通用智能，与特定行业的知识（Know-how） 、复杂的业务流程、严格的安全合规要求进行深度结合。
从目前来看，大家“都在路上”。对于那些有耐心、有智慧、深刻理解企业需求的玩家而言，企业级Agent无疑是一门值得长期投入的好生意。它不仅关乎toB商业的成功，更关乎塑造未来的工作方式和生产力范式。
这场变革，才刚刚开始。
作者｜栗子
本文由人人都是产品经理作者【甲子光年】，微信公众号：【甲子光年】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。
题图来自Unsplash，基于 CC0 协议。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。