AI 代理采用统计数据.

AI 代理正从演示视频走向实际工作流程，但只有明确定义，采用数据才有意义。2026 年，一家公司可能因为员工使用 ChatGPT 而“使用 AI”，因为一个团队正在试行工具连接的工作流程而“采用代理”，因为客户支持或销售运营在受控条件下使用它们而“在生产中部署代理”，或者因为多个职能部门正在围绕委托行动重新设计工作而“扩展代理 AI”。

这种区别就是整个故事。麦肯锡报告称，62% 的受访者至少正在试验 AI 代理，而 Google Cloud 表示，在使用生成式 AI 的组织中，52% 的高管报告已在生产中部署 AI 代理，LangChain 针对大量构建者的调查发现，57.3% 的受访者已在生产中使用代理。这些数字指向同一个方向：代理的采用是真实的。但 凯捷的细分数据显示，只有 2% 的代理已大规模部署，12% 已部分规模部署，这表明“真实”并不意味着“完全成熟”。

AI 代理采用情况，按数字划分

AI 代理的总体数字看起来很高，但它们衡量的是不同的采用层面——实验、自我报告的部署、构建者样本生产和预测——因此应将它们视为独立的信号，而非一个单一的数字。

哪些数字真正意味着“采用”

AI 代理不仅仅是一个贴了新标签的聊天机器人。IBM 将 AI 代理定义为通过使用可用工具设计工作流程来自主执行任务的系统。AWS 将 AI 代理描述为与其环境交互、收集数据并根据人类设定的目标执行自主任务的软件。Google Cloud 表示，代理追求目标，代表用户完成任务，并表现出推理、规划、记忆和自主性。OpenAI 的 Agents SDK 文档将代理描述为能够规划、调用工具、跨专家协作并保持足够状态以完成多步骤工作的应用程序。

这些定义共享一些实际要素：代理有一个目标，可以访问工具或系统，具有一定的规划或选择下一步行动的能力，并且对其能做什么有明确的界限。这就是为什么通用 AI 使用和代理采用不应混为一谈。盖洛普的 50% 工作场所 AI 使用数据很有用，因为它显示了员工的准备情况，但这并不意味着一半的美国员工正在使用自主代理。斯坦福 HAI 的 2026 年 AI 指数显示，生成式 AI 在三年内达到了 53% 的人口采用率，但这只是一个广泛的生成式 AI 采用统计数据，而不是企业代理部署率。

这个阶梯很重要，因为 AI 代理统计数据听起来往往比底层工作流程更成熟。一项广泛的调查可以捕捉兴趣、试点或采用语言，而一项工程调查可以捕捉与工具非常接近的团队中的真实生产系统。这两种观点都没有错，但它们回答了不同的问题。市场规模问题是“有多少组织正在围绕代理进行规划？”运营问题是“哪些工作流程已经允许代理行动、记录发生的事情，并在答案不确定时安全恢复？”第二个问题更具体，但它决定了采用是否能带来持久的生产力。

对于买家来说，最有用的采用信号通常不是最高的百分比，而是最具体的动词。“使用”可能意味着员工提示模型。“测试”可能意味着受控试点。“部署”应该意味着代理在实时工作流程中可用。“规模化”应该意味着多个团队、流程或业务单元依赖它。当这些动词分开时，2026 年的情况就不再矛盾：兴趣广泛，AI 活跃组织中的生产可见，而真正的规模仍然稀缺。

企业采用：实验普遍，规模稀缺

当数字一起解读时，采用故事最为有力。麦肯锡的调查显示，62% 的受访者至少正在试验代理，这表明市场兴趣广泛。但同一份 麦肯锡报告指出，没有哪个单独的业务职能部门有超过 10% 的受访者报告已规模化使用 AI 代理。这就是“企业感兴趣”与“企业已围绕代理进行重组”之间的区别。

Google Cloud 的 52% 生产统计数据更成熟，但它来自其组织已在使用生成式 AI 的高管。这使其成为 AI 活跃组织的重要生产基准，而不是普遍的市场渗透率。PagerDuty 的 51% 部署数据类似，但它是基于 IT 和业务高管的，应解读为自我报告的部署。LangChain 的 57.3% 生产数据对于代理的工程方式特别有用，但其受访者基础偏向技术：63% 的受访者来自技术领域，49% 的受访者所在组织人数少于 100 人。

这就是为什么 凯捷的成熟度细分是一个有益的平衡。一个 61% 的组织正在探索部署、23% 已启动试点的世界，仍然可能是一个只有 2% 已大规模部署的世界。市场并未停留在演示阶段，但也并非普遍以自主数字团队运作。

更好的解读是，2026 年是“代理作为实验”向“代理作为生产工作流程”的过渡年。毕马威 2025 年第四季度 AI 脉搏调查报告称，2025 年第四季度代理部署率为 26%，是第一季度 11% 的两倍多，尽管第四季度的数据低于第三季度的 42%。毕马威表示，领导者对什么是真正的代理变得更加严格，并正在使数据、基础设施、治理和可观察性专业化。这与其余证据相符：容易的采用是访问；困难的采用是受控行动。

高采用率调查与低规模化数字之间的冲突也提醒我们，“企业”并非一个单一市场。一家科技公司可以迅速将代理引入开发工作流程，因为代码库、工单、测试和审查门槛已经创造了一个结构化环境。而一家受监管的企业可能需要身份控制、数据政策、供应商审查、审计日志、模型风险审批和业务连续性规划，然后代理才能接触客户记录。两家公司都可以如实地说它们正在采用代理，但实施负担是不可比拟的。

这就是为什么 2026 年最强劲的基准是一系列衡量指标，而不是单一的头条新闻。麦肯锡对于市场广度很有用，Google Cloud 和 LangChain 对于 AI 活跃群体中的生产势头很有用，PagerDuty 和普华永道对于高管的意愿很有用，凯捷对于成熟度分布很有用，毕马威对于治理压力很有用。它们共同展示了一个已经跨越意识门槛但尚未完成运营工作的市场。

AI 代理首先在哪里使用

第一波代理浪潮并非均匀分布在每个工作中。它集中在有界、重复、信息密集型的工作流程中，代理可以在其中检索数据、采取有限行动并升级给人工。

客户服务是最早的明确应用领域。LangChain 表示，客户服务是代理最常见的首要用例，占 26.5%。Salesforce 表示，客户服务、内部/业务自动化和销售是 Agentforce 用户的前三大领域。Salesforce 还表示，从 2025 年 1 月到 6 月，代理主导的客户服务对话平均每月增长 70%。这些是先行者的遥测数据，并非整个市场，但它们告诉我们哪些工作流程足够具体，可以衡量。

销售和内部运营紧随其后。Salesforce 报告称，代理的常见操作包括起草和发送电子邮件、创建待办事项、发送会议请求、查询记录、总结记录和创建案例。这很重要，因为它表明代理不仅在回答问题，还在触及运营层面。安全的模式通常是狭窄的行动、明确的记录、清晰的交接和日志。

研究、数据分析、IT 和知识管理也是重要的早期类别。LangChain 将研究和数据分析列为主要代理部署的 24.4%，内部工作流程自动化为 18%。麦肯锡表示，代理使用最常报告在 IT 和知识管理领域，包括服务台管理和研究式工作流程。对于处理网络数据的操作员来说，这种联系是显而易见的：如果工作流程涉及收集公共信息、提取记录、检查来源、丰富潜在客户、监控页面或在人工批准下更新 CRM，那么它比模糊的“管理我的业务”提示更适合作为代理候选。

编码代理是另一个主要的采用领域，尤其是在技术团队中。LangChain 的书面回复称，编码代理在日常工作流程中占据主导地位，Claude Code、Cursor、GitHub Copilot、Amazon Q、Windsurf 和 Antigravity 等工具经常出现。这并不意味着每家公司都有生产软件代理，但它确实表明开发人员正在习惯于检查上下文、提出更改、调用工具并执行多步骤操作的 AI 系统。

人工交接并未消失。Salesforce 报告称，随着代理改进路由，客户服务升级到人工的比例从 2025 年第一季度的 22% 上升到 2025 年第二季度的 32%。这是对“代理取代人类”这一简单说法的有益修正。在许多生产工作流程中，一个好的代理可以减少低价值工作，并在人类应该介入时改善时机。

这也是为什么最可靠的代理部署从外部看起来往往很不起眼。一个起草续订邮件、检查 CRM 字段、丰富潜在客户列表、路由支持案例或标记页面更改的工作流程，可能听起来不如一个自主的首席参谋那么引人注目。但它可以被衡量、授权、记录和改进。因此，第一波采用与其说是取代整个角色，不如说是将重复的运营步骤转化为受监控的委托。

支出和软件嵌入正在将代理引入企业

代理的采用不仅通过定制构建发生，也通过企业软件实现。Gartner 预测，到 2026 年，高达 40% 的企业应用程序将包含集成式任务专用代理，这很重要，因为许多团队将首先在他们已经使用的工具中遇到代理。CRM、支持、财务、人力资源、IT 服务、协作、分析和电子商务平台都可以在公司制定正式的代理策略之前嵌入狭义代理。

这可以加速采用并造成混乱。一家公司可能没有自己的代理平台，但其支持团队可能正在使用嵌入式服务代理，其销售团队可能正在使用外联代理，其分析师可能正在使用研究助手。Menlo Ventures 表示，76% 的企业 AI 用例是购买而非内部构建的，高于 2024 年大致持平的构建与购买模式。如果这种购买模式延续到代理，许多运营商将管理供应商提供的代理组合，而不是单一的内部构建系统。

预算情况也很乐观。普华永道表示，在其 AI 代理调查中，88% 的高级管理人员计划在未来 12 个月内因代理 AI 增加 AI 相关预算。毕马威报告称，67% 的领导者即使在未来 12 个月内发生经济衰退，也会维持 AI 支出，59% 预计在同一时间范围内获得可衡量的投资回报。IDC 预测，到 2029 年，由代理 AI 驱动的应用和管理代理车队的系统将推动 AI 支出达到 1.3 万亿美元。

企业 AI 支出数据提供了相关但非代理特定的信号。Ramp Economics Lab 报告称，2026 年 4 月，Ramp 衡量企业中整体 AI 采用率为 50.6%，其中 Anthropic 占 34.4%，OpenAI 占 32.3%。这是基于支出的 AI 采用，而非代理采用。尽管如此，它表明付费 AI 工具已变得足够普遍，以至于财务系统可以将其作为一个类别进行衡量。

对于创始人来说，结论是直接的：访问正在捆绑到软件中，预算可用，并且当价值明确时，买家更喜欢现成的解决方案。困难的部分是差异化。如果代理成为每个企业应用程序中的一个功能，那么优势将转向工作流程深度、数据访问、权限设计、可观察性、评估和可衡量的结果。

这种转变改变了代理供应商谈论价值的方式。买家不需要另一个模糊的承诺，即代理可以“自动化工作”。他们需要知道代理连接到哪些系统，可以采取哪些行动，可以看到哪些数据，当模型不确定时会发生什么，以及组织如何证明结果。嵌入式代理可能会赢得分发，但仅靠分发并不能建立信任。脱颖而出的产品将把自主性与控制相结合：角色、范围、审批、跟踪、测试集和明确的业务指标。

这也改变了内部所有权。代理的采用涉及 IT、安全、法律、财务、分析以及拥有工作流程的业务职能部门。支持主管可能关心处理时间和升级质量；安全部门可能关心权限边界；财务部门可能关心供应商蔓延；运营部门可能关心异常处理。预算数字之所以庞大，是因为许多团队看到了潜力，但采购委员会之所以庞大，是因为代理跨越了系统边界。

生产差距：为什么代理项目会停滞不前

代理市场呈现出一种奇怪的形态：高采用意愿与高失败风险并存。Gartner 预测，到 2027 年底，超过 40% 的代理 AI 项目将因成本不断上升、业务价值不明确和风险控制不足而被取消。Gartner 还警告说，许多供应商正在“代理洗白”旧的自动化、助手、RPA 或聊天机器人，而这些产品并没有实质性的代理能力。

工程数据也支持同样的谨慎。LangChain 表示，质量是最大的生产障碍，32% 的受访者提到了这一点。延迟排在第二位，占 20%，而在大型企业中，安全性成为第二大担忧，占 24.9%。这些并非抽象的担忧。代理需要执行多个步骤、调用工具、检索上下文、更新记录，有时还会与客户沟通。每个步骤都是系统出错、速度慢、权限过度或难以审计的新地方。

可观察性和评估差距尤其具有启发性。LangChain 表示，89% 的组织对代理具有一定的可观察性，62% 具有详细的跟踪功能。但只有 52.4% 进行离线评估，37.3% 进行在线评估。简单来说：能够看到代理做了什么的团队比能够系统地证明代理足够好的团队更多。

安全框架解释了为什么这很重要。OWASP 的 2025 年过度代理类别指出，基于 LLM 的系统在具有过度功能、过度权限或过度自主性时可能存在风险。OWASP 的例子包括具有不必要的删除/写入功能、通用特权身份、开放式扩展以及未经独立确认的高影响操作的代理。NIST 的 AI 风险管理框架和 NIST AI 600-1 生成式 AI 配置文件为试图将 AI 行为与治理、安全、隐私和问责制对齐的组织提供了更广泛的风险管理指导。

工作设计问题与模型问题同样重要。麻省理工学院 NANDA 的 2025 年商业 AI 状况报告指出，许多企业生成式 AI 系统因工作流程脆弱、缺乏情境学习以及与日常运营不匹配而失败。该报告是关于广义生成式 AI，而非仅代理，因此不应将其用作代理特定的失败率。但它解释了代理采用中出现的模式：通用 AI 工具传播迅速，而集成系统需要流程重新设计。

Asana 的 2025 年 AI 工作状况报告以更具操作性的语言阐述了同样的观点：当 AI 被强行添加到有问题的系统中时，它会增加复杂性，而“AI 扩展者”则围绕 AI 重新设计工作。盖洛普还发现，在采用 AI 的组织中，65% 的员工表示 AI 提高了生产力，但 很少有人表示 AI 从根本上改变了工作方式。代理放大了这一差距，因为它们不仅仅是辅助，它们还会行动。

常见的失败模式并非模型无法产生合理答案。而是周围的工作流程尚未为委托行动做好准备。代理可能缺乏正确的上下文、使用过时的数据、调用错误的工具、越权、未能请求批准或完成无法事后审计的任务。在仅限聊天的助手中，这些错误可能令人烦恼。在工具连接的代理中，它们可能导致面向客户的错误、错误的记录、重复工作或安全事件。

因此，生产团队在规模化之前需要进行衡量。一个有用的代理程序应该在扩展工作流程之前定义可接受的任务、预期输入、不允许的操作、升级触发器和成功标准。离线评估可以测试代理是否处理已知场景。在线评估可以监控实时漂移。跟踪可以显示调用了哪些工具以及原因。人工审查可以捕获高影响操作。这些实践并非官僚主义的额外要求；它们是将有前景的演示转化为企业可以信任的系统的关键。

运营商对代理采用的解读

第一个含义是，代理的采用应作为工作流程委托来销售和管理，而不是作为模型访问。市场已经有了访问权限。斯坦福 HAI 的 53% 人口级生成式 AI 采用数据、盖洛普的 50% 美国工作场所 AI 使用数据和 Ramp 的 50.6% 企业 AI 支出采用数据都表明 AI 使用正在常态化。稀缺的是真实系统中可靠的委托工作。

第二个含义是，“代理采用”本身过于宽泛，无法成为一个市场论点。为客户服务构建的创始人与为财务审批、自主外展销售、代码重构、研究自动化或网络数据操作构建的创始人处于不同的采用曲线。Salesforce 的代理企业指数指向客户服务、内部/业务自动化和销售。LangChain 指向客户服务、研究/数据分析和内部工作流程自动化。麦肯锡指向 IT 和知识管理。这种重叠并非偶然：这些工作流程的输入、工具、决策和交接都可以被限定。

第三个含义是，治理正在成为一种产品功能。毕马威表示，65% 的领导者认为代理系统复杂性是最大的障碍，80% 认为网络安全是 AI 战略目标的最大障碍，60% 限制代理在无人监督的情况下访问敏感数据，75% 优先考虑代理部署的安全性、合规性和可审计性。这些数字表明了一个采购清单：身份、权限、工具目录、策略执行、可观察性、数据血缘、人工审查和回滚。

第四个含义是，生产证明胜过广泛的声明。如果供应商说“我们的代理可以自动化销售”，买家会越来越多地问：它可以读取哪些记录？可以写入哪些记录？哪些操作需要批准？如何检测故障？当源数据冲突时它会做什么？我能看到每个工具调用吗？OpenAI 的 Agents SDK 强调编排、工具执行、审批和状态。LangChain 的可观察性和评估数据表明，生产团队正在培养这些能力，因为他们必须这样做。

对于运营团队来说，实际的策略是首先从一个可重复的工作流程开始，其中已知错过一步的成本，并且速度的价值是可见的。好的候选流程具有结构化输出、清晰的源数据、可审查的中间步骤和自然的人工交接。网络数据工作就是一个很好的例子：代理可以收集公共信息、提取字段、比较页面、丰富电子表格、监控更改或准备 CRM 更新，而当风险较高时，人工批准最终操作。重点不是让代理无所不能。重点是使委托部分可靠。

对于创始人来说，同样的逻辑也反对模糊的横向定位。一个具有更好数据访问、更好权限和更好评估的更狭窄的代理，可能比声称无所不能的更广泛的代理更有价值。2026 年的买家正在学习模型能够推理任务与产品能够在公司内部运行工作流程之间的区别。后者需要集成、策略、内存、日志记录、管理控制、与使用量匹配的定价以及从试点到规模的清晰路径。

最后一个含义是，实际的代理机会可能不如“自主 AI”这个短语所暗示的那么光鲜。对于许多企业来说，第一个有价值的代理不会管理公司。它们将收集数据、分类工单、丰富账户、总结记录、起草回复、路由问题、监控更改、准备研究、更新结构化字段，并在高风险操作前请求批准。对于运营团队、电子商务团队、销售团队和网络数据团队来说，这仍然是一件大事。它将代理采用从模糊的未来工作故事转变为可衡量的任务队列。

诚实解读代理采用数据

当您比较 2026 年的 AI 代理统计数据时，请先阅读指标，再看百分比。

通用 AI 使用并非代理采用，但并非无关紧要。盖洛普、Asana、微软和 斯坦福 HAI 都表明员工、领导者和消费者对 AI 越来越适应。这种适应性降低了代理的培训障碍。它并没有消除集成、授权和衡量的必要性。

一个简单的测试有助于：问问这个统计数据能让你在销售演示中安全地宣称什么。如果来源说员工在工作中使用 AI，你可以宣称劳动力准备就绪，而不是代理部署。如果来源说高管计划因为代理 AI 增加预算，你可以宣称预算需求，而不是已实现的投资回报率。如果来源说代理在 AI 活跃组织中投入生产，你可以宣称在已参与样本中的生产势头，而不是普遍渗透。如果来源给出了分阶段的成熟度细分，你可以讨论试点和规模之间的差距。

总结

2026 年 AI 代理的采用情况最好描述为早期生产，但规模不均衡。高端数字确实很重要：麦肯锡报告称 62% 至少正在试验，Google Cloud 在其生成式 AI 活跃样本中报告 52% 已投入生产，LangChain 的构建者调查中 57.3% 已投入生产，普华永道的高管调查中 79% 已采用，PagerDuty 的高管调查中 51% 已部署。但注意事项也同样真实：凯捷报告称 2% 已达到规模，Gartner 预测超过 40% 的项目有取消风险，以及 OWASP、NIST、毕马威和 LangChain 提出的明确治理问题。

有益的解读并非代理要么是炒作要么是必然。而是代理正在成为企业软件层，而大多数组织尚未完全围绕它们重新设计工作。赢家不会是那些拥有最大胆自主声明的团队。他们将是那些选择有界工作流程、连接正确数据、缩小权限、跟踪行动、评估输出并使人工交接明确的团队。

这比通常的自主性辩论更具实践意义。AI 代理已经进入客户服务、销售、研究、编码、IT 和运营，但持久的采用取决于底层不起眼的层面：数据质量、工作流程设计、控制和衡量。对于 2026 年的规划，正确的问题不再是公司是否会尝试代理。他们已经在尝试了。更好的问题是，哪些代理工作流程足够值得信任，以便在试点预算、发布公告和第一波好奇心消退后继续运行。

常见问题

来源和延伸阅读