市场规模：两个机构、两套口径
「能源电力 Agentic AI 市场」这个品类，不同机构给出的盘子差距大到需要先校准再讨论。两家以标准化市场报告见长的机构口径如下：
| 机构 | 2025 | 2026 | 远期 | CAGR | 口径说明 |
|---|---|---|---|---|---|
| Fact.MR（能源与公用事业 Agentic AI） | 39 亿美元 | 48 亿美元 | 2036 年 362 亿美元 | 22.4%（2026–2036） | 含电网、资产管理、交易、网络安全四类功能，覆盖电力/可再生/油气/水务 |
| Precedence Research（能源行业 Agentic AI） | 6.57 亿美元 | 8.97 亿美元 | 2035 年 149.1 亿美元 | 36.65%（2026–2035） | 聚焦能源价值链的智能体应用，按用例/部署/买方切分 |
2026 年口径相差逾五倍（48 亿 vs 8.97 亿美元），主要源于边界定义：Fact.MR 把更宽泛的公用事业软件与智能化改造预算计入，Precedence 只统计狭义的智能体应用支出。本报告不强行调和两个数字，读者引用时应注明出处与口径——这也是本栏目处理市场规模分歧的一贯做法。结构数据上两家反而互相印证：Precedence 测得电网运行与自愈自动化是 2025 年占比领先的细分（24.6%），Fact.MR 测得电网运行占功能需求的 34%、自主电网智能体占智能体类型的 38%、电力公司占终端用户的 46%、云端部署占 58%、多智能体系统占核心技术的 37%——「电网运维是价值锚点」这一判断在两套口径下均成立。
需求侧：电网为什么是智能体的天然考场
需求侧的驱动力不是营销叙事，而是电网运行本身的结构性变化：
- 复杂度上去了：可变可再生能源与分布式资源大幅增加了调度团队必须研判的工况数量；电气化、极端天气与大功率新增负荷进一步加压；
- 注意力没跟上：运行团队的人数与带宽不可能随工况数量线性扩张，人工研判成为瓶颈；
- 可靠性事件有即时的经济与监管后果：这给「解释网络工况并准备有界响应动作」的智能体提供了清晰的商业理由；
- 多智能体架构天然适配：电网工作天然可拆分为预测、网络约束、资产风险、网络安全等专职角色——这正是 Fact.MR 口径下多智能体系统占 37% 份额的原因。
投入意愿侧，据行业媒体转述的 Gartner 数据：94% 的电力与公用事业 CIO 计划在近期增加 AI 投入，平均增幅超过 38%；Gartner 还预测到 2027 年 40% 的电力控制室将部署 AI 驱动的操作员。这两项为二手转述口径，原始报告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，引用时请注意口径折扣。
供给侧：供应商的产品化节奏
2026 年上半年，供给侧出现了一波明显的「智能体产品化」动作，方向高度一致——把智能体接进运行数据与数字孪生，而不是再造一个孤立仪表盘：
| 时间 | 厂商 | 动作 | 方向 |
|---|---|---|---|
| 2025-04 | Google Cloud | 发布 Agent2Agent 协议与 Vertex AI 新能力 | 多系统智能体的互联底座 |
| 2026-01 | Microsoft | 收购 Osmos，加速自主数据工程 | 降低公用事业智能体的数据准备成本 |
| 2026-02 | GE Vernova | 发布 GridOS for Distribution | 统一实时运行与分布式资源管理 |
| 2026-04 | Siemens | 发布 Eigen Engineering Agent（多步推理与自纠错） | 自动化工程任务，而非仅辅助分析 |
| 2026-04 | AWS | 扩展 Amazon Bedrock AgentCore | 托管智能体基础设施进入公用事业采购清单 |
这条产品线的共同特征值得注意：工业巨头（GE Vernova、西门子）走「领域纵深 + 运行系统集成」路线，云厂商（AWS、微软、Google）走「托管基础设施 + 混合部署」路线。Fact.MR 的分析师判断也印证了这一分工——把受监督的智能体连接到可信运行数据、数字孪生与混合云执行、并提供清晰审计轨迹与权限上限的供应商，将拿走公用事业支出中最大的份额。
价值测算：BCG 的三板块账本
BCG 2026 年发布的电力与公用事业 AI 转型研究（经中文报告平台转述）给出了行业里较细的一份价值测算，按发、输配、售三段拆分：
| 板块 | AI 杠杆 | 测算影响 |
|---|---|---|
| 发电 | 预测性停机管理、市场化运营、预测性资产管理、采购与供应链优化 | 到 2030 年每兆瓦时 EBIT 提升约 7 美元（相对基数 0–10 美元/兆瓦时，约 +50%） |
| 电网 | 数字孪生网络规划、预测性资产管理、现场团队优化、主动植被管理 | 每兆瓦时 EBIT 提升约 9 美元（约 +40%）；新建项目资本支出从 1000 亿降至 700 亿美元，释放约 1500 亿美元资本支出效率 |
| 客户运营 | 接入流程加速、实时 Copilot、个性化营销、智能体化联络中心 | 每兆瓦时 EBIT 提升约 5 美元（约 +35%），运维成本效率提升约 35% |
该研究中两个结论超出数字本身：其一，调研中 53% 的「未来构建型」公用事业正在构建增强客户服务的 Agentic AI，53% 正在全面重思数据与模型结构——数据底座与智能体投入同步发生；其二，报告提出的「AI-first 运营模式」（以智能体为核心驱动、人类监督补位、层级扁平化）与「数字化增强型运营模式」（以人为核心、AI 工具增量提效）的分野，将成为未来五年公用事业组织形态的争论主线。需要提示：上述 EBIT 与资本支出数字为 BCG 模型测算而非已实现业绩，且经中文平台转述，引用时应保留测算属性标注。
落地形态：人在回路的有界自治
综合供应商产品与行业实践，2026 年能源电力智能体的主流落地形态可以概括为「有界自治」四个字，典型工作流如下：
- 感知：智能体持续摄入网络工况、天气、市场计划与分布式资源数据；
- 研判：把复杂运行态势拆解为预测、约束、资产风险等专职子任务，多智能体协作输出协同建议；
- 有界动作：在策略限制内准备响应方案——切换建议、拥塞管理、故障定位、停电归类；
- 人工核准：所有高后果控制动作停在操作员审核环节，智能体不直接写控制回路；
- 留痕：审计轨迹覆盖每一步，满足监管对可解释性的要求。
在离控制回路更远的外围，落地跑得更快：预测性维护方向，据行业媒体转述，E.ON 的研究表明其可将电网停电减少最高 30%，Enel 的传感器加机器学习方案使受监测电缆停电减少 15%（均为转述口径，未见第三方审计）；客户侧的智能体化联络中心与现场团队的调度优化，是试点密度最高的两个场景。
整个行业的事实标准是：分析、建议、准备动作可以交给智能体；安全关键控制路径留在本地或边缘、留在人手里。这不是技术保守，而是监管与可靠性文化的硬约束——任何想在电网场景落地的供应商，产品架构里都必须给「人的否决权」留出结构位置。
风险清单与选型建议
- 遗留系统集成成本：电网运行系统（SCADA/EMS 等）老旧且封闭，智能体与运行数据流的对接往往比模型本身更难，集成成本常被低估；
- 验证难题：智能体行为难以在遗留运行系统与受监管决策边界内充分离线验证，「演示可信」与「生产可控」之间的缺口在这个行业格外宽；
- 市场口径风险：如上文口径对照所示，行业规模数字口径差逾五倍，任何基于单一报告的投资决策都应先做口径校准；
- 安全边界模糊：智能体出网调用模型 API 本身引入新的攻击面，出网策略与身份管控需要与运行系统同等对待；
- 人才缺口：既懂电力运行又懂智能体工程的复合团队稀缺，组织能力建设周期长于技术采购周期。
给不同角色的选型建议：公用事业技术决策者优先考察供应商的「运行系统集成深度 + 审计轨迹完整性 + 权限上限机制」三项，而非基准分数；智能体平台供应商进入该行业前，应把「人在回路的位置」设计成产品能力而不是项目定制；研究者与投资者引用市场数字时，务必同时标注机构与口径。目前官方及行业暂未披露更多细节（如各机构报告的完整方法论与中国市场的专项口径），后续将持续跟进迭代动态。