背景：从产品堆叠到单一入口
过去两年，Google 向 Workspace 里送进了彼此重叠的助手、副驾与模型变体，客户需要自己判断哪个界面负责哪件事。2026 年 10 月 8 日的 Gemini at Work 2026 大会上，Google Cloud CEO Thomas Kurian 把这些产品线收敘成一个东西：一个通用的 Gemini 智能体，接受目标而非指令，直接工作在 Gmail、Drive、Docs、Slides、Sheets、Chat 与 Calendar 内部，并通过一个任务收件箱让人类批准它准备好的结果。
这个收敘动作的产品意义不小于工程意义。当一家公司同时提供五六个智能体入口时，用户的心智成本会迅速超过智能体本身带来的收益；把它们合并成一个入口，本质上是把选择权从用户手里收回，交给路由层。对行业而言，这也标志着企业智能体的竞争焦点，正从「谁的模型更强」转向「谁的入口更省事、谁的审计更完整」。
规模化披露：三个数字与它们的口径
| 指标 | 披露数值 | 口径与注意事项 |
|---|---|---|
| 万亿 token 客户数 | 近 500 家 Google Cloud 客户各自在过去一年处理超 1 万亿 token | Kurian 主题演讲披露；衡量的是调用量，不是业务成效 |
| AI 产品渗透率 | 近 80% 的 Google Cloud 客户在用其 AI 产品 | 包含各类 AI 产品的宽口径，不等于智能体使用率 |
| 财富百强采用率 | 近 90% 的 Fortune 100 使用 Gemini Enterprise | 「使用」可能包含试用与有限席位部署，未披露席位数 |
| 消费端规模 | Gemini 月活突破 10 亿（Pichai 补充） | 消费端与enterprise端产品不同，不可直接合并解读 |
有独立观察方在报道中明确指出：这些数字是 Google 自行报告的，用于说明其企业 AI 覆盖面，不应与经过独立验证的生产力或财务节省衡量相混淆。这个提醒适用于本节的每一个数字。合理的读法是：它们证明了企业智能体已经跨过实验阶段的规模门槛，但不能证明任何一家企业因此赚到了钱或省下了钱。
客户结果抽样：十二组数字的形状
大会披露的客户结果覆盖面很广，我们按「省时间、省成本、涨转化」三类重新排列，便于看出数字的真实分布。
| 客户 | 场景 | 披露结果 | 类型 |
|---|---|---|---|
| 美国国防部 | 向 300 万人员部署，自建自定义智能体 | 已构建 10 万个以上自定义智能体 | 规模 |
| Commerzbank | 文档处理 | 年成本削减 3000 万美元 | 成本 |
| NTT | 数据访问与检索 | 省 30 万小时，耗时从 2 周变为即时 | 时间 |
| Grupo Marista | 医院理赔分析 | 72 小时压缩到 4 小时 | 时间 |
| Banco BV | 个性化客户沟通 | 所需时间下降 80% | 时间 |
| Snap | 诊断排障，Prism 智能体直连存储归档 | 从 30 分钟到 30 秒，提速 60 倍 | 时间 |
| Bunnings | 行政流程 | 节省 50 万个行政小时 | 时间 |
| Bloomberg Media | 在数据目录中部署数据智能体 | 查询准确率提升 63% | 质量 |
| Ulta Beauty | Ulta AI 导购，覆盖 3 万多个商品 | 网站转化率提升 3 倍 | 转化 |
| Kmart / Officeworks | 购物智能体 | 转化率高至 3 倍 | 转化 |
| Hitachi | 电力与公用事业一线，200 多个用例 | 一线员工生产力提升 400% | 生产力 |
| Deutsche Telekom | 3 万用户跨云数据分析 | 分析速度提升 4 倍 | 时间 |
这张表有两个值得注意的特征。其一是时间类收益占了绝大多数，成本与转化类结果数量明显更少——这与企业智能体落地的普遍规律一致：压缩周期最容易测量，而成本节省与收入增长往往需要跨越多个财季才能归因。其二是倍数最大的几项都来自「原本极度手工」的场景：Snap 的排障从 30 分钟到 30 秒、NTT 的取数从两周到即时。这些场景的共同点是基线本身效率极低，智能体的边际改善因此被放大。
另外几组部署规模数据也值得记录：PayPal 每周路由 1000 万次多模型请求；BNP Paribas 的内部助手已覆盖超过 65,000 名员工；SOMPO 的 34,000 名员工建了 10,000 个以上自定义智能体；Orange Spain 部署了 1,000 多个。它们共同指向一个趋势——自定义智能体的构建权正在从 IT 部门下放到业务员工，这也正是治理压力上升的直接原因。
垂直行业版：战略真正变得可读的地方
通用智能体解决的是入口问题，垂直版本才暴露真正的行业策略。这次披露的三个方向处于不同阶段：
| 版本 | 状态 | 已知客户与伙伴 | 技能与数据源 |
|---|---|---|---|
| 金融服务版 | 预览中 | CME Group、德意志银行等全球金融机构 | 50 个以上基础技能；数据来自 FactSet、LSEG、S&P Global 与 SEC 备案文件 |
| 法务版 | 预览中 | 未披露具体客户名单 | 未披露技能数量 |
| 零售版 | 路线图中 | Shopify、Wesfarmers、Bunnings、Kmart、Officeworks 已测试 | 未披露技能数量；已披露 Bunnings 节省 50 万行政小时 |
把这张表和前面的通用版连起来看，逻辑就清楚了：通用版负责占领入口与日常工作界面，垂直版负责把行业专属的技能、连接器与合规数据打包成可售卖的增量。金融服务版明确列出 FactSet、LSEG、S&P Global 与 SEC 备案文件作为数据源，说明垂直化的壁垒不在模型，而在数据授权与行业知识的封装。这也解释了为什么零售版只敢放在路线图上——零售的数据授权结构比金融更分散。
架构要点：四类记忆、子智能体与同事智能体
抛开营销措辞，这次披露里真正有工程信息量的是几项架构选择。
- 四类记忆：会话记忆、语义记忆、程序性记忆（包含它为自己写的技能）与情景记忆。这直指当前助手的通病——用完即弃、下次要重新 briefing。
- 持久化执行：运行在云端，无论从哪个设备或渠道接入，都维护同一套记忆、上下文与个性化图谱；需要数小时或数天的任务在合上笔记本后继续跑。
- 动态子智能体：可以为多步骤任务动态生成一组临时、任务专属的子智能体，各自带独立身份，支持并行与串行编排。
- 同事智能体：更接近团队成员，拥有持久且明确的角色，带
@agents.company.com格式的专属邮箱、独立持久存储，且只能访问你或团队成员提供给它的上下文。
Google 明确表示智能体会「为每个任务选择最合适的模型」，而可用模型列表中包含 Anthropic 的 Claude 系列。这意味着在这套产品的自我定位里，前沿模型已经是可替换的部件——Google 要占据的是编排层。对智能体行业来说，这是一个清晰的信号：模型层的差异化正在被编排层与分发渠道所吸收。
连接面上，它支持 Model Context Protocol，并可接入 BigQuery、Postgres、Jira、Confluence、Git、ServiceNow、Salesforce、Atlassian、Databricks、Snowflake、Slack 与 Microsoft 365。覆盖 Microsoft 365 与 Slack 这一点尤其说明：入口之争的路径是嵌入既有工作界面，而不是把用户拉进新应用。
治理配套：从支出上限到身份策略
一个会自己派生子智能体、带着公司邮箱、在无人监督下跨系统运行数小时的智能体，正是监管机构与安全研究者今年以来反复提醒的架构形态。Google 给出的答案是成套治理工具：
- 身份与策略管理：智能体与子智能体都有独立身份，权限按身份授予
- 授权与权限控制：同事智能体只能访问显式提供的上下文
- 安全沙箱与网络网关：执行环境隔离与出站管控
- 成本控制：多模型编排、Smart Routing 按质量降级选便宜模型、实时支出上限
- 任务收件箱：同事智能体准备好的成果需人类批准才发出
这套组合的方向是对的，但需要指出两个未解的问题：一是「为自己写技能」的程序性记忆与提示注入之间的距离——一个能改写自身技能的智能体，一旦被注入内容影响，被改写的就是行为准则本身；二是审计粒度——企业软件过去二十年记录了员工做了什么，现在需要记录员工的智能体做了什么，而现有披露尚未说明审计日志的保留期限、粒度与导出能力。可用性方面，产品目前处于私有预览，Workspace Business 与 Enterprise 客户后续获得更广泛访问。
行业收敛：大家都在做同一个形状
把时间轴拉开看，2026 年 9 至 10 月间主要厂商的动作高度趋同。OpenAI 在 DevDay 推出常驻的 dots 智能体；Anthropic 有 Managed Agents；Meta 在 9 月发布个人智能体 Muse；Google 现在有了接入半数办公室软件的工作智能体。各方已经接受同一个前提：产品不是一个你主动去访问的聊天机器人，而是一个住在你的工具里、记得你、并代表你行动的持久化软件工作者。
差异被压缩到两个维度：智能体住在哪里，以及谁审计它。前者由分发渠道决定——Google 与 Microsoft 在这个维度上天然占优；后者则由治理工具的成熟度决定，而这一维度目前没有任何一家建立了公认标准。对采购方来说，收敛是好事：它意味着集成成本从六个月的定制项目下降为一个部署开关。代价也随之而来：交出目标就意味着交出了对「工作怎么做」的判断权，审计追踪因此从加分项变成了硬要求。
辩证：这批数字不能说明什么
- 全部为厂商自报：规模数字与十二组客户结果均来自 Google 的发布会，独立观察方已明确提醒不应将其等同于经过验证的生产力或节省衡量
- 「使用」定义未披露：近 90% 财富百强使用 Gemini Enterprise，但试用、试点与全量部署在口径上没有区分，席位数与活跃度均未见披露
- 结果的选择性呈现：十二组客户结果显然是成功样本，未披露失败或撤回的部署数量，无法据此估算成功率
- 倍数缺少基线说明：Snap 的 60 倍、Hitachi 的 400% 均未给出测量方法与对照期，不同客户之间的数字不可横向比较
- 垂直版成熟度参差：金融服务与法务版处于预览，零售版仅在路线图，且法务与零售均未披露技能数量与客户细节
- 治理细节缺位：审计日志的粒度、保留期与导出方式未见说明；智能体自写技能与提示注入之间的防护边界亦未披露
- 行业集中度风险：当通用工作智能体的默认形态由少数几家掌握分发渠道的厂商定义时，企业在入口与审计标准上的议价空间会被压缩
综合判断，Gemini at Work 2026 更重要的意义不在某一个数字，而在于它把企业智能体的默认形态公开定型了：单一入口、持久记忆、自派生子智能体、垂直技能包、以及一套必须配套出售的治理工具。这套形态对买方是效率红利，对行业是结构收窄。建议采购方在评估时把「审计日志能否导出」与「智能体身份能否被集中吊销」作为硬性验收项，而不是把厂商披露的规模数字当作决策依据。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。