然而，需要注意的是，模型能力只是第一重约束。算力、电力、组织流程等因素正在共同决定 AI 能否真实落地企业并规模化运行。
AI 商业化的下一关：从模型能力转向可验证的业务闭环
当前，AI 已经不再是单一的技术赛道，而是同时作用于生产效率、产业组织和企业经营逻辑的共同变量。但技术影响力的扩大，并不意味着其商业价值已经得到验证。对于企业来说，真正需要回答的不是 " 有没有使用 AI"，而是 "AI 是否完成了一条可验证的业务闭环 "。
硅谷 " 创投教父 "、孵化器 Founders Space 创始人史蒂夫 · 霍夫曼在 2026 中欧年度论坛上指出，SaaS 曾经是欧美企业软件的主导收费方式，企业按年或按席位订阅软件。但有了 AI 之后可以超越 SaaS。它不只回答问题，还可以采取行动。如用户遇到问题时可以询问 AI 智能体，若建议无法解决问题，智能体还可以协同其他智能体继续处理。
其判断是，AI 正在推动部分软件商业模式从传统的软件许可、席位或订阅收费，转向按任务完成和业务结果收费。
但这并不等于传统软件会立即消失，而是意味着收费对象开始向结果迁移。结果收费能否持续，取决于企业能否清楚定义任务、验证结果、核算成本，并在出现错误时明确责任。如果 AI 只能生成内容或提供建议，却不能进入审批、执行和反馈流程，其作用仍主要停留在局部提效，尚未构成完整的企业业务闭环。
这种趋势也解释了，为什么智能体成为资本市场和产业界共同关注的方向。智能体与传统聊天机器人的重要区别，是前者可以调用工具、连接内部系统并持续执行任务。中国信息通信研究院在《互联网智能体发展研究报告（2026）》中也提出，具备任务规划、工具调用、跨平台执行和持续交互能力的智能体，是大模型实现规模化产业落地的关键载体。
但需要注意的是，当前智能体需求仍主要集中于数据基础相对较好、流程标准化程度较高且具备明确成本约束的行业。根据赛迪顾问的测算，2025 年中国智能体市场规模达 78.4 亿元，预计 2026 年达 135.3 亿元，增速超 70%。其中，制造、能源、金融、政务四大领域占比超 70%。
史蒂夫 · 霍夫曼进一步提出，未来企业可能部署 " 数百乃至数千个相互协作的智能体 "，分别承担寻找漏洞、修补漏洞、客户互动和智能体协调等工作。
需要注意的是，规模增加并不意味着风险下降。智能体数量越多，系统接口、权限分配、异常处理和人工接管机制就越复杂。业内人士向《科创板日报》记者表示，智能体时代企业真正要建设的不是更多聊天入口，而是任务授权、流程控制、结果验证和责任追溯体系。
这也意味着，衡量 AI 商业价值，已不再只看模型参数、用户调用量或功能数量。调用量只能说明系统被使用的程度，无法直接证明任务完成质量或业务回报。企业还需要关注任务完成率、人工接管率、错误率、单位任务成本和投资回报周期等指标。
只有当这些指标进入经营评价，并与成本节约、收入增长或效率改善建立对应关系，AI 的价值才可能从技术叙事进入商业验证阶段。
算力、电力与组织，构成 AI 商业化的三重约束
AI 进入生产系统之后，最先暴露出来的往往不是模型能力不足，而是成本边界。AI 产业链的价值分配不只发生在模型和应用层，也在向上游服务器、芯片、网络、云服务和电力基础设施迁移。
史蒂夫 · 霍夫曼在演讲中提到，SpaceX 较早意识到数据中心和算力需求，并提前布局超算资源。据其介绍，Anthropic、Google 等 AI 实验室正在使用 SpaceX 的算力，将算力提供给其他 AI 实验室，是 SpaceX 重要收入来源之一。
Gartner 预计，2026 年全球 AI 相关支出将达到 2.67 万亿美元，同比增长 49.5%；其中 AI 基础设施支出约 1.48 万亿美元，约占整体支出的 56%。这也意味着，最受关注的模型公司，未必是当期最大的受益者。判断 AI 产业价值，也不能只看模型热度，基础设施利用率、推理成本、客户续费和现金消耗等同样是重要要素。
在 AI 基础设施内部，需求结构也在变化。Gartner 今年 8 月发布的报告中预测，2026 年，全球推理支出（233 亿美元）将超过训练支出（190 亿美元）。预计 2026 年 AI 优化型 IaaS 支出中有 55% 用于支持推理，2027 年这一比例将升至 59%。这也说明，随着模型部署和生产调用增加，基础设施需求正在进一步向推理端延伸。
与此同时，基础设施扩张也正在将电力条件推到前台。国家能源局预计，" 十五五 " 时期，全国算力用电量年均新增 1000 亿千瓦时以上，到 2030 年将达到 8000 亿千瓦时左右，约占全社会用电量的 6%。
电力、电网稳定性、储能和液冷能力，也正在成为 AI 项目商业模型的一部分。对数据中心和企业而言，供电条件、电价、绿电比例以及峰谷调度能力，都会影响推理成本和交付稳定性。如果只核算模型调用费用，忽略电力、散热、网络和运维成本，便难以判断一个 AI 项目是否真正具有规模经济性。
中欧经济学教授兰小欢在论坛对话中也表示，AI 时代才刚刚开始，如果把它比作一场万米长跑，目前各方 " 刚跑了十步 "，现在讨论谁领先意义有限，" 也许跑到三十米的时候就被电力绊住了，也许跑到四十米就被数据绊了，大家现在把太多事情放在模型和算力本身了，这件事没有当下重要。"
其表示，黄仁勋提出的 " 五层蛋糕 " 有助于看清算力、模型、芯片、电力等层次，但更应把这些层次视为转速不同的齿轮：算力按年更新，芯片约一两年，电力基础设施则需要五年乃至十年。转速差异既会带来冲突，也会创造新的商业机会。
这也解释了为什么 AI 竞争正在由单点模型转向系统能力。降低推理成本，既需要优化模型，也需要改善芯片、存储、网络、调度和数据中心效率。任何单一环节的短板，都可能抬高整体成本。
需要注意的是，更大的变量来自组织。兰小欢提醒道，企业要 " 相信人 "。他表示，AI 会让判断日益趋同，因此敢于提出不同意见的人愈发珍贵。也就是说，AI 可能提高组织平均效率，却也可能使内部判断趋于同质化。当企业过度压缩具备独立判断能力的岗位，异常识别和风险控制能力反而可能下降。
这一风险在当前企业使用智能体的实际流程中，时常容易被低估。有业内人士也向《科创板日报》记者表示，标准化程度较高的任务可以通过智能体提高效率，但一旦出现模型没有见过的异常，企业也需要有人能够识别偏差、承担责任并调整流程。如果组织只追求自动化率，而削弱人工复核和例外处理能力，短期成本下降可能会换来长期风险上升。
在该业内人士看来，AI 落地更准确的路径不是 " 机器替代人 "，而是重新分配人与智能体的责任：智能体承担重复、规则清晰且能够验证的任务，人类负责定义目标、识别异常、处理例外并对高风险结果作出最终判断。
总的来说，AI 下一阶段的竞争，本质上是一场系统竞争。模型能力决定 AI 能做什么，基础设施决定能否以合理成本规模化运行，能源条件决定长期成本边界，组织和流程则决定技术能否进入真实业务。任何一个环节存在明显短板，都或影响 AI 商业化落地效果。
