三个数字，先拆开读
9 月中旬，多家媒体转述了一组 IDC 关于企业智能体的预测：2026 与 2027 会是中国企业场景中活跃智能体数量增速最快的两年，单年同比增长超过 200%；到 2031 年将达到 3.5 亿个活跃智能体，2026 至 2031 年的复合年增长率为 135.3%。
这组数字出现在一场大会的预热报道里。超聚变将于 9 月 21 日在郑州举办 2026 国际探索者大会，主题是「共建智能体时代」。
预测类数字容易被当成目标值使用，所以先做一次口径拆解。
把三个数字放在一起看，会发现它们是自洽的：如果前期单年增长超过 200%，而五年区间的复合增速是 135.3%，说明增长主要发生在前期，后期自然放缓。这是典型的低基数起步曲线。
但报道里没有给出两样东西：今年与明年的基数，以及「活跃」的判定标准。是按日活、按月活、按产生过工具调用的智能体数量，还是按部署实例数，结论会差出好几个量级。加上 3.5 亿这个量级本身带有基数小的含义，用它来反推某家公司明年的采购量，误差会很大。
所以这组数字的正确用法是定方向：企业侧的智能体数量会显著上升，且增长主要来自把试点铺开，而不是来自单个智能体变强。
厂商给出的解法：两大支柱与四阶段
把预测翻译成可执行路径的是一家算力与数据基础设施厂商。超聚变的公开表述是「智企」，也就是智能体时代内部实现全方位智能化的企业。
它的价值链写法是 WATT 到 FLOPS 到 TOKENS 到 AGENTS 到 VALUES。通俗说就是：从电力开始，转成算力，算力产出 token，token 驱动智能体，智能体最后要落到业务价值。链条本身不新鲜，有价值的是它对断点的判断——企业走向这一步需要两根支柱同时立住：一根是把算力稳定、经济地转成可用的智能供给，另一根是用 AI 重构生产经营与分析决策环节。
四阶段的说法更具体：当前大部分企业处在活动级，也就是单个活动、单个部门先试起来；厂商判断约 3 年后部分领先企业进入业务流级，智能体串起跨部门流程；约 5 年后走向企业级。需要标注的是，这两个年份是厂商判断，不是第三方共识。
这套阶段划分与其说是行业规律，不如说是采购路线图：它解释了为什么大量试点停在局部验证——如果供给成本不可控、业务规则也没被写下来，那么把智能体从一个活动推到一条业务流就会立刻卡住，因为跨部门流程需要稳定的供给与明确的规则，这两样恰好是试点阶段可以绕开的。
这家厂商此前发布过什么
为避免把 9 月 21 日的国际场与 5 月那场弄混，需要交代一下时间线。
5 月 20 日至 21 日，同一家公司已在郑州办过一场探索者大会，用的也是「共建智能体时代」这个主题。那场会上发布了面向企业内部 token 生产的平台产品、一体化的 AI 解决方案升级版、一套带自主知识产权的企业资源计划系统，以及围绕液冷、全光互连与算电协同的算力基础设施参考架构；同时推出生态伙伴计划，称过去一年 ISV 生态伙伴已突破 160 家。
公司负责人在会上披露，公司 2025 年营收 582 亿元，全球部署 8 个研发中心与 4 个供应中心，服务 100 多个国家和地区的 10000 多家客户。他还给出一句被广泛转述的判断：稳态负载是基础，是进入领先者门槛；不确定性负载是关键，是企业最大的差异化价值。
9 月 21 日这场是国际场，从预热内容看，重点会放在落地路径与产业现实课题上，而不是新品发布。会不会给出客户侧的可验证数据，是这场会上最值得看的一点。
同场的一个多智能体判断
5 月那场会上，一位知名投资人兼创业者的主题演讲提供了一个互补视角。他判断多智能体时代已经到来，并借用一个历史上的效应来描述：不同领域的技艺与思想一旦汇聚，会互相激发，突破单个参与者原本的上限。他的结论是，企业多智能体是未来十年最重要的机会之一，因为一旦企业内部的数据飞轮转起来，数据、流程与组织的协同会形成持续强化的闭环。
这与四阶段判断并不冲突，但侧重不同。前者说的是机会的量级，后者说的是当前卡在哪一步。把两者叠起来，得到的判断是：多智能体的收益不是自动的，它需要流程与数据先被整理到可被编排的程度——而这恰好是「活动级」阶段最容易被跳过的一步。
企业可以自测的三个数
面对这类宏观预测，比争论数字准不准更有用的事，是先量出自己体系里的三个数。
一个是单位智能供给的成本。也就是产出同样质量的 token，从算力到实际可用之间消耗了多少。这个数不降下来，把智能体从试点推到业务流时预算会立刻撑不住。
另一个是业务流覆盖率。也就是在核心经营流程里，有多少条已经能被智能体端到端串起来，而不是只有单个节点接了一个助手。这个比例通常远低于管理层的估计。
还有一个是可衡量成果的比例。在所有已经上线的智能体里，有多少个对应着可以写进报表的指标——节省的工时、缩短的周期、减少的差错。拿不出这个数的项目，很难在下一轮预算里活下来。
三个数一起量，就能判断自己处在哪个阶段，也能判断缺的是供给、规则，还是成果定义。这三件事的解法完全不同，混淆它们是最常见的资源错配。
试点为什么会停在局部
官方报道里有一段对现状的描述，比预测数字更接近企业实际。
它把企业面前的困难概括成三重：如何获得稳定且成本可控的智能供给；如何让 AI 读懂自身复杂的业务体系；如何把 AI 能力转化成可衡量的业务成果。三重之间不是并列关系，而是前后依赖——供给不稳，试点就没法扩容；业务没被读懂，智能体就只能做通用问答；成果无法衡量，下一轮预算就批不下来。
同一段描述还点出另一个断点：企业内部的数据、业务系统与组织流程的改造很难跟上模型与智能体的迭代速度。这句话解释了为什么大量应用停在局部测试验证阶段——技术侧半年换一代，而数据治理与流程梳理是以年为单位的工程。两头节奏不匹配，试点就成了一种稳定的常态：永远在试，永远不扩。
这也让行业竞争的焦点发生了位移。据这段描述，讨论已经从模型性能参数转向整套系统落地与兑现业务价值的综合能力。对买方来说这是好事——参数表再长，也不如一个能在自己流程里跑通的方案有说服力；对卖方来说则意味着交付能力变得比模型指标更重要。
需要标注的边界
其一，IDC 的三个数字经媒体转述，本文未核对原始报告，也未获得基数与「活跃」的判定口径。
其二，两大支柱与四阶段均属厂商公开表述，其中 3 年与 5 年的时间点是厂商判断。
其三，5 月大会披露的营收与客户规模为公司口径，未经第三方审计。
其四，9 月 21 日大会的议程与内容以官方最终发布为准，本文相关的落地细节尚未披露。
其五，宏观预测与单家企业采购计划之间隔着一层，不宜把行业增速直接当作自己可以承接的需求量。
目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。