7%

部署 Agent 的企业里，能做到全公司级规模化的不足 7%

零一万物 2026 企业多智能体判断

五类企业级智能体实测：从IT之家盘点看CATLAXY的业务线对齐法

70%的企业都在部署，只有7%跑出了规模

先看两组数字。

零一万物的 2026 年判断里有一条：70% 的企业今年会部署 Agent，但能做到全公司级规模化的不足 7%。单一职能跑出规模化的 23%，还在试验阶段打转的 39%。

Forrester 同期的调研更直接——71% 的企业至今没有 autonomous agents 的正式治理框架，但 64% 计划在未来 12 个月内提升 Agent 的自主权。

这两组数字放一起看，故事就清楚了。绝大多数企业在同一个节奏上：先买，再想怎么管。Agent 的部署量和治理能力之间，拉开了一条很宽的差距。

那 7% 做对了什么？我们先不急着给答案，先看市面上在怎么做。

IT之家盘点的五条产品线——每一条都对着一个业务痛点

IT之家 4 月刚出了一份 2026 企业级 AI 智能体盘点，主题叫"直击业务痛点，构建可信生产力"。盘点覆盖了五个场景：知识管理、政务、工业巡检、企业协同、人事管理。

这份清单值得看的地方，不是产品本身——是分类方式。

市面上的企业级 Agent 产品，几乎都是从某一个具体业务动作切入的。知识管理 Agent 做的是"把散文件变成可查的答案"，政务 Agent 做的是"把办事流程自动化"，工业巡检 Agent 做的是"把例行检查换成 AI 跑"。每一条线都对准一个业务场景，不是一个通用能力。

这其实印证了一件事：企业级 AI 的竞争，已经不在"谁的模型更聪明"，而在"谁能把 Agent 嵌进具体业务"。

通用大模型很强，但企业不是按"通用"这个维度组织业务的。一家零售公司不会有一个"通用需求"，它有的是选品、补货、营销、客服、门店运营这些具体业务线。Agent 要有用，就得长在这些线上。

CATLAXY 的做法：按业务动作切，切成五类

我们自己做这件事，切法是这样。

把所有定制智能体按业务功能归成五大类，不按技术能力分，按业务动作分：

洞察智能体 — 市场情报官。做的事是竞品监控、行业趋势、政策研究、用户画像。对应的是企业"想搞清楚外部世界在发生什么"这个动作。

数据智能体 — 决策依据提炼。做的事是商业报告解读、自然语言数据查询、知识×数据交叉洞察、经营指标分析。对应的是"我有数据但看不懂"这个动作。

内容智能体 — 一站式生产。做的事是多平台文案、产品手册、营销物料、全球销售话术。对应的是"内容产能跟不上业务节奏"这个动作。

销售智能体 — 赢单体系化。做的事是标书解析、提案生成、投标决策、售前策略。对应的是"销售靠老师傅经验，带不出新人"这个动作。

效率智能体 — 基础劳动力释放。做的事是 OCR、翻译、格式转换、标准比对、合规审查。对应的是"大量重复性工作占用了核心产能"这个动作。

五类不是并列摆着，是按业务价值密度由高到低排的。洞察和数据是决策层的活，直接影响战略判断；内容和销售是执行层的活，直接影响业绩；效率是基础支撑，释放出来的是人。

对比一下：单动作产品 vs 多动作协同架构

把 IT之家那份盘点和我们的五类放一起看，差别不在分类维度——都是按业务动作分——差别在粒度和架构。

粒度差异。市面主流产品是"一个 Agent 服务一个业务动作"——知识管理 Agent 做知识管理，人事 Agent 做人事，各自独立成品。CATLAXY 的五类是"一组 Agent 协同覆盖多个业务动作"——五类在同一个知识底座上跨业务线编排，洞察 Agent 出的市场情报可以直接进销售 Agent 的提案，数据 Agent 的经营分析可以直接进内容 Agent 的品牌叙事。

架构差异。单动作产品的交付单位是"一个功能模块"——企业买进来像添一个工具。多动作协同的交付单位是"一个业务闭环"——企业装进去像搭一个数字团队架构，每个 Agent 有明确的岗位职责和上下游依赖。

规模化路径差异。功能模块的规模化是"复制到更多客户"，SaaS 逻辑。业务闭环的规模化是"同一个客户内部从一个部门扩到十二个部门"，企业原生逻辑。

两种模式都能服务企业，解决的问题量级不一样。单动作产品解决单点效率问题，一个工具就能上。多动作协同解决的是业务结构问题，适合真的想让 AI 进入核心业务流的公司。

零一万物那句"拒绝沿用大厂标准化产品模式"藏着的关键判断也在这——不是说产品模式错了，是说对企业级多智能体规模化这件事，路径不一样。

71% 没治理框架——自主权不是加出来的

回到前面那个数字。Forrester 2026 同一份 Agent 治理报告里的两组数据——71% 的企业没有 autonomous agents 的正式治理框架，64% 打算在 12 个月内提升 Agent 自主权。

这里有个矛盾。先有治理再谈自主权，是顺序问题。没有治理就加自主权，是把风险直接接到业务里。

Forrester 自己给的三层治理模型其实不复杂：

Human-in-the-loop：高风险任务，每一步都要人审

Human-on-the-loop：流程已成熟，人只盯异常

Fully autonomous：低风险高频的活，Agent 自己跑

Lufthansa、Schwarz Group、Fabletics 这几个被点名的成功案例，共同点不是模型多先进，是先把治理层级搭好了，才开始扩自主权。

我们做项目的体感很一致。单个 Agent 跑通不难，难的是从一个 Agent 扩到一个体系——这时候不是技术问题，是"哪些决策人审、哪些 Agent 自己判、出了问题怎么追溯"的问题。这是业务治理问题，不是 AI 问题。

所以我们做每个项目，交付的不只是 Agent，是 Agent + 决策层级 + 日志追溯 + 效果度量。通过 KnowledgeOS 把企业知识结构化入库，由 CATLAXY AI 智能体系统的不同类别 Agent 按业务动作执行，管理者能看到谁做了什么、效果如何、异常在哪。可管理，才可规模化。

五类智能体是「业务原生AI」的落地范式

讲到这里，其实回到一个更根本的问题——为什么 70% 部署只跑出 7% 的规模化？

我们的判断是：绝大多数企业买的是"通用能力"，用的是"自己业务"。中间这一步——把通用能力翻译成具体业务动作——没人做，就卡在那儿。

五类智能体这个切法，本质上就是在做这个翻译。把"AI 能做什么"翻译成"企业里具体哪个岗位的哪个动作被 AI 接手"。每一类里的每一个 Agent，都能对应到一个可衡量的业务产出——这份报告今天解读完、这批物料明天就要上、这个标书下周要交。

这不是把模型变弱了，是把业务变清楚了。

Agent 的终局形态不是"一个超级大脑"，是"一组各有所长的数字同事"。洞察 Agent 盯市场、数据 Agent 看经营、内容 Agent 做物料、销售 Agent 跑提案、效率 Agent 扛基础活。五个岗位，一个知识底座，这才是企业想要的团队结构。