成熟度全景：52% 实验、35% 上线、18% 观望
Mobile World Live Industry Survey 2026（面向电信行业决策者的年度调研）给出的智能体部署成熟度分布如下（统计页转述口径，原始报告未公开全文，样本量与调研方法细节暂未披露）：
| 部署阶段 | 占比 | 说明 |
|---|---|---|
| 活跃实验期 | 52% | 28% 有限试点 + 24% 跨职能多点试点 |
| 已上线部署 | 35% | 进入生产环境的运营商 |
| 12 个月内计划部署智能体 | 19% | 针对执行工作流或生成内容的智能体 |
| 明确无部署计划 | 18% | 顾虑集中于安全、治理与 ROI 难以证明 |
两组数字的张力值得注意：52% 对 35% 的差距说明「试点多、上线少」的结构性鸿沟依然存在；而 18% 的明确观望比例，在 AI 落地调研中属于偏高水平——电信行业对把自主执行能力接入生产系统的态度，明显比一般企业保守。这与行业的业务性质直接相关：网络是关键基础设施，一次智能体的错误执行可能影响百万级用户。
同期多份跨行业调研显示企业 Agent 整体部署率约在 17%–30% 区间（各口径不一）。电信 35% 的上线率表面领先，但结合 GSMA Intelligence 的判断——多数所谓「部署」仍处于测试与规划阶段——真实的生产级渗透率要打折扣。自报口径的「已上线」与「生产级可用」之间，是这个行业最大的灰色地带。
KPI 共识：效率与成本压倒网络性能
运营商会用什么标尺衡量智能体成功？调研给出了明确的优先级：
| 2026 年智能体成功的首要 KPI | 占比 |
|---|---|
| 效率提升 / 成本削减 | 44% |
| 网络性能改善 / 故障减少 | 16% |
| 其他 KPI | 合计 40% |
效率与成本以近三倍差距压倒网络性能，这个排序传递了两层信息：其一，运营商对智能体的期望先落在「省钱」而非「赚新钱」——与全球企业 Agent 支出中成本优化场景占主导的规律一致；其二，网络性能仅列次席，说明运营商清楚 AI 在核心网这类高风险区域的引入必须渐进，先在经营侧证明价值，再谈基础设施侧的自主性。
扩展预期：客服领跑，网络与 IT 并列
智能体在组织内哪些职能扩展最快？调研的排序同样清晰：
| 扩展最快的职能 | 占比 | 解读 |
|---|---|---|
| 客户服务 | 29% | 高频、强结构化、可度量——智能体渗透的经典起点 |
| 网络运营 | 19% | 与 IT 运营并列；高风险高价值，渐进引入 |
| IT 运营 | 19% | 告警归并、工单处置等已验证场景的延伸 |
| 销售与营销 | 17% | 排名靠后，与运营商渠道结构相关 |
客服领先与效率 KPI 的选择互为印证：运营商把智能体价值锚定在可观测、可核算的职能上。而网络运营与 IT 运营并列次席，则暗示下一阶段的主战场——一旦治理与信任机制就位，网络侧的自动化收益空间（巡检、排障、割裂窗口自动化）远大于客服。
障碍诊断：缺的不是模型，是内部专长
GSMA Intelligence 分析团队负责人 Peter Jarich 对行业现状的判断相当直率：调研中声称采用 AI 的高比例，与商业级部署的真实图景之间存在明显落差——「大部分仍处于初始阶段，大量测试、大量规划，没有太多生产」。他转述一位科技公司高管的评价：如今的 AI 智能体像「有时有用但常常不可预测的醉酒实习生」——这与把 AI 交给关键基础设施之前的信任要求相去甚远。
按 GSMA Intelligence 的数据，电信行业落地智能体的最大障碍是内部专长缺乏，其次才是对技术成熟度的疑虑。再往下是更隐蔽的结构性问题：治理要求、数据质量，以及把真正的自主性交给 AI 系统之前必须建立的信任。这个诊断与调研中 18% 的观望比例互为因果——顾虑安全与治理的运营商，往往正是专长储备最薄弱的那批。
VMO2 反思：为什么大量试点没有业务价值
Virgin Media O2 保障平台技术负责人 Aeman Faruqui 的一线证词，是本报告最有价值的部分之一。VMO2 启动了大量 AI 试点，许多产生了有趣的发现，但几乎没有任何试点产出足以支撑更大投入的可衡量业务价值。她复盘出的结构性病因：
- 洞察不等于行动：传统 AI 部署产出洞察，但如果工程师仍要在五个不同系统之间拼凑这些洞察才能做决策，业务指针纹丝不动——AI 的价值从未抵达真正需要它的人；
- 进入决策闭环才是分水岭：VMO2 正在推动的转向，是让 AI 成为运营工作流中的主动参与者——检测问题、跨域关联证据，并在治理允许的范围内采取行动，而非再添一个信息源；
- 数据契约先行：VMO2 的做法是在管道中内嵌带清晰权属、SLA 定义与校验规则的数据契约（data contracts），而非把数据治理当中心化的事后补丁；架构上不是追求单一巨型数据湖，而是领域团队保有数据权属、上覆公共关联层的湖屋模式，供需要跨域推理的智能体调用。
VMO2 的「洞察-行动落差」与本站此前报告的多个案例结论同构：制造业 Agent 报告中的「看板≠治理」、成本治理报告中的「可观测≠可控制」，本质都是同一件事——只读型 AI 的价值天花板极低，企业的付费意愿集中在执行闭环。电信的特殊性只在于：执行闭环的打开需要更重的治理铺垫。
T-Mobile 案例：Agentic AI 进核心网
在行业普遍停留在试点时，T-Mobile US 给出了一个激进样本。2026 年 2 月的财报电话会上，管理层宣布把实时 Agentic AI 平台直接集成进核心网，首个应用是网络级实时通话翻译：无需专用 App，拨号 87 即可激活，支持 50 种以上语言的实时翻译，对端号码其一为 T-Mobile 用户即可使用，任何手机可用。管理层将其定义为「AI 直接建进核心网的规模级用例」，免费测试版数月内上线、年内商用。
两点工程信息值得注意：其一，T-Mobile 虽与 OpenAI 存在合作关系，但向媒体确认实时翻译采用多家供应商，按需接入当下最优模型——网络级应用的多模型路由策略；其二，选择翻译作为切入点而非网络自主运维，体现了「高价值、低风险、强感知」的切入逻辑：翻译错误的代价是体验问题而非事故，但用户感知极强。每年 60 亿次以上国际通话、40% 用户跨境的底盘，让这个场景的规模效应立得住。
给运营商的可迁移打法
把调研数据、一线证词与案例合起来，电信运营商推进智能体可以压缩为四步：
- 从可核算职能起步：客服与 IT 运营是调研与实践共同指向的起点——高频、结构化、KPI 现成，收益可验证后再向网络侧延伸；
- 数据契约先于智能体：按 VMO2 路径，先解决数据权属、SLA 与校验规则的内嵌，再谈跨域智能体——没有接地（grounding）的智能体只是在处理噪声（Infovista 产品负责人的判断：不理解电信领域上下文的通用模型，「产出的不是智能而是噪声处理」）；
- 治理分级、执行渐进：以调研中 44% 效率 KPI 为锚定目标，把智能体权限按「洞察→建议→受限执行→自主执行」分级开放，每一级配套审计与回滚；网络核心侧的自主性放在最后一级；
- 专长内化：GSMA 指出的最大障碍是内部专长缺乏——工具采购解决不了这个问题，运营商需要把领域知识编码进智能体系统（RF 协议栈、传输层、SLA 层级），并同步培养能驾驭它的人。
- 正视观望的合理性：18% 的观望不是落后，而是对关键基础设施负责的审慎；对这部分运营商，盯住已上线同行的生产级证据（而非发布会数字）再决策，是理性策略。
口径说明与局限
- 调研口径：本文数据来自 Mobile World Live Industry Survey 2026，经由第三方统计页转述并交叉核对；原始报告的样本量、覆盖国家与调研方法暂未公开，引用时以「运营商受访者口径」理解
- GSMA 与 VMO2 观点：来自 Mobile World Live 与 Infovista 联合发布的行业特稿，属于从业者访谈口径，非量化审计数据
- T-Mobile 细节：来自财报电话会与媒体报道，翻译功能的实际商用时间表、模型供应商组合与平台架构细节，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
- 市场份额缺位：本报告未纳入电信智能体平台的市场规模测算——不同机构对电信垂直 Agent 市场的估计口径差异大且可信度参差，宁缺毋滥