最近几份 2026 年的企业调研，结论出奇地一致：智能体在企业里铺得很开，但真正跑进生产、稳定产出的却很少。Teradata 委托对 1000 位全球技术兼数据高管的调查显示，69% 的 C-level 说自己所在组织已经在跑 agentic AI，可只有 57% 的 VP 认同这个说法——高管层和自我评估之间已经出现落差。更硬的数字在后面：40% 的试点项目因为基础设施还没准备好支撑自主运行，在生产前就停了；78% 的受访者在给智能体建「连得上的数据底座」上感到吃力。
BearingPoint 的调研给出相近的体感：只有 13% 的企业觉得自己按原计划推进了 AI 落地，近四成把法规合规列为首要障碍，三分之一卡在旧 IT 系统整合。它还点出一个常被忽略的事实——AI 目前更容易带来降本（约 24% 的受访者报告省了至少一成成本），而不是增收（仅 4% 报告营收增长至少一成）。换句话说，企业更愿意用智能体把现有流程做便宜，而不是用它长出新业务。Pipefy 对美巴 148 家企业的问卷则从另一个角度补刀：67.1% 已经在部分流程里用 AI，但真正把工作流端到端编排起来的只有 6.6%；41.3% 已经在内部用 agent，另有 41.3% 计划上。
三份调研拼起来的画面是：卡住的并不是「模型够不够强」，而是三道更朴素的墙。其一，把 agent 接进核心业务系统——ERP、客户库、内部通讯、几十年攒下的专有软件，这些系统原本不是为自主智能体设计的。其二，给 agent 配够治理：谁拥有它、出错谁负责、怎么审计。其三，跨系统语义一致——同一份「账户」在账单系统、财务系统、营销系统里往往不是同一个意思，人能靠经验脑补，agent 跨系统跑就会踩坑。数据是人建的，不是为 agent 建的，这一步绕不开。
这给想上智能体的企业一个清醒提醒：别再只盯模型排行榜。一个在干净试点数据上表现优秀的 agent，挪到生产环境往往哑火，因为真实企业里数据散、格式乱、还锁在部门墙后。真正的投入应该花在数据底座打通、流程语义对齐和治理框架搭建上——这些活儿不性感，却是试点走向运营的必经通道。对服务商而言，这也意味着机会从「卖模型」转向「帮客户把 agent 接进现实」，整合与治理成了新的价值高地。
对服务商而言，这组数字其实划出了一块新市场。当企业卡在「接系统、配治理、对齐语义」三道墙上，单纯卖模型的人很难直接解决问题，但帮客户做集成、做治理、做旧系统桥接的人能。换句话说，智能体落地的价值高地，正从「谁的模型更强」转移到「谁能把 agent 稳稳接进客户的真实业务」。这对集成商、咨询方和做数据底座的团队都是机会。对企业自身，提醒也很直接：别把预算全押在模型采购上，那只过了门槛；真正决定能否走出试点期的，是那些不性感却躲不开的底层功课，早投入早受益。调研不会自己变成产出，落到流程和预算里，试点期才可能真正翻篇。对企业，先算清自己卡在哪一堵墙，比追逐新模型更划算；把预算花在打通数据上，比花在参数上更见效。调研里那些停在试验期的组织，多半不是缺模型，而是缺把数据、流程、权责拧成一股绳的耐心。这一步省不掉，demo 再漂亮也走不到生产；反过来，愿意在底层功课上下功夫的团队，反而更早摸到真产出。这也解释了为什么同一份调研里，走得远的企业往往把数据治理当长期工程，而不是一次性项目；耐心本身就是竞争力。