AI Agent：从万众瞩目到现实困境

还记得那个曾让全网沸腾的AI Agent吗？

2025年3月，Manus横空出世，凭借一段“智能体自主完成任务”的演示视频，迅速成为科技圈的焦点。发布一周内，预约用户突破200万，内测码更是被炒到了10万元，仿佛AI的下一个ChatGPT时代已经到来。

然而，这场狂欢仅仅持续了130天。当第一批用户真正体验产品时，美好的幻想被实际使用感受击碎。人们发现，这个号称全能助手的产品，其底层技术完全依赖大模型API拼接，实测过程中只能执行少数标准化任务，面对复杂场景常常束手无策。

实际上，Manus的困境并非个例。另一家明星Agent企业澜码科技早在2025年初就因融资断裂，停发员工薪资数月，目前正寻求并购机会。

虽然通用智能体被广泛认为是实现AGI的必经之路，但现实却给了这个美好愿景沉重一击。行业报告预测，到2027年，约40%的AI Agent项目可能因成本失控或商业模式不清晰而被淘汰。

那么，通用Agent赛道的窘境，是否折射了整个Agent行业的困局？未来的Agent要怎么做，才能被市场接受？

01 通用智能体：从被追捧到被群嘲

在让Manus一夜爆红的那段视频里，智能体能自动筛选简历、分析股票、规划旅行，甚至能像人类一样“思考”复杂任务。此后，内测邀请码一码难求，资本蜂拥而至，硅谷顶级风投Benchmark领投7500万美元，公司估值飙升至5亿美元。媒体争相报道，称其为下一代人机协作的范式。

一时间，Manus成了AI创业的标杆，仿佛它真的能改变世界。

然而，狂热的追捧之下，质疑声悄然浮现。

随着时间推移，用户发现Manus的实际体验远不如宣传那般惊艳。热度迅速消退，访问量逐月下滑。

一方面，Manus的核心能力并非自研，而是依赖OpenAI的GPT-4和Anthropic的Claude等第三方大模型，自己只做封装。业内人士嘲讽它是“AI套壳智能体”——能拆解任务，但执行时依赖预设的RPA，一旦遇到意外情况，就会直接卡壳。比如，大规模用户涌入后，Manus的响应速度明显变慢，算力瓶颈凸显。有用户反馈Manus经常在复杂任务中卡壳，给出不合理的答案。

另一方面，高昂的价格让不少用户望而却步。19-199美元/月的定价甚至与ChatGPT等头部大语言模型持平，但其实测效果又远被甩在身后。失衡的性价比让不少付费用户感到自己被欺骗了。比如，Manus号称能完成电商比价等复杂任务，但在实际操作过程中漏掉拼多多、天猫数据，核心数据甚至出现事实错误；金融建模时，Manus仍使用2023年的β值，与实时市场严重脱节，偏差超过15%；视频能力上，输入指令“猫狗和谐相处的温馨画面”，Manus却给出了一个狗头猫身的“弗兰肯斯坦”式生物。

可以说，那些花高价订阅（19-199美元/月）的用户，等来的不是一个智能助手，而是一堆随时可能出错的模型能力的剪辑与拼接。

实际上，Manus风评直下并非偶然，它的困境折射出整个通用AI Agent赛道的集体困局——技术未成熟就急于商业化，资本催熟泡沫掩盖产品缺陷。

Gartner预测，到2027年，40%的智能体项目将因“成本过高、商业价值不明”被淘汰。

02 深陷困局的Agent公司，有什么通病

几个月前，Manus的爆火让人们以为通用智能体的时代已经来临。创业者们前赴后继地涌入这个赛道，仿佛只要给自己的产品贴上Agent标签，就能轻松获得资本青睐。然而现实是，大批通用AI Agent产品折戟沉沙，行业初期的浮躁与泡沫逐渐显露。

为什么通用Agent没有像大语言模型那样让市场持续振奋？

因为市面上槽点偏多的通用AI Agent产品本质上都只是大模型的一层皮。它们调用GPT-4或Claude等头部模型API，加上一个定制的前端界面，就称自己是Agent了。这种模式开发门槛低、上线速度快，但也意味着同质化严重、护城河稀薄。同类产品都空洞地执行着“接收输入→调用模型→解析输出→展示结果”的统一流程，没有竞争力。而一旦大模型接口价格上涨或政策变化，就可能难以为继。

进一步讲，通用Agent的大模型依赖症导致它却缺乏统一的底层架构设计。

通用Agent在民间还流传着一个不太雅观的称号——缝合怪。就是说，产品为了展示多功能性，强行整合RPA、爬虫、数据分析工具等导致系统臃肿无法真正适应复杂任务。麦当劳与IBM合作开发的AI Agent因在真实餐厅环境中频繁出错最终被放弃。由于技术效果与业务需求之间存在落差当企业发现投入巨资引入的Agent产品并没有带来预期的效率提升自然会放弃继续投入。

赢家：靠“技术+场景”筑起护城河

当前AI Agent领域正经历一场残酷的洗牌——高昂的研发成本、模糊的商业化路径让不少玩家黯然退场。然而在一片“哀鸿遍野”中仍有像GenSpark、Salesforce这样的企业逆势增长不仅活了下来还跑通了可持续的商业模式。

首先小而美优于大而全。

许多AI Agent的失败源于试图打造万能助手结果既无法超越通用大模型又难以在具体场景中真正落地。他们过分追求技术的通用性和智能度却忽略了企业客户真正关心的问题——我买这个东西到底能做什么？

其次解锁付费意愿很重要。

解决了做什么后另一个问题就是：这个AI到底能帮客户赚多少钱或者省多少钱？

...