扎克伯格承认AIAgent落地不及预期：真正卡住企业的，从来不是模型

今年7月，Meta总部一场内部全员大会上，传出了一声"战略叹息"。扎克伯格承认：过去四个月，公司AIAgent的进展没有达到管理层预期——即便账上备着1450亿美元的资本开支计划，手里握着顶尖研究团队和完整的软件生态。

这条消息放在AI狂潮里，像一盆及时的冷水：原来让Agent变成规模化生产力，从来不是"砸钱、抢人、堆算力"就能一蹴而就的。

有意思的是，把视线从硅谷挪到制造一线，又是另一番景象。

美国百年家电品牌GEAppliances已经让800多个AIAgent在业务里干活。其中一个"供应商协作智能体"，每天默默处理600多家供应商的沟通与订单查询，直接把缺货订单拉低了25%；零售巨头沃尔玛围绕顾客、员工、伙伴与开发者搭起四个超级Agent，服装新品从概念到上市最多压缩18周，门店排班从90分钟缩到30分钟。

同一个时间窗口，为什么有人踩刹车、有人踩油门？

产业里流传的一句大实话是：模型和算力决定上限，真正决定Agent能不能跑进生产系统的，是数据接入、权限控制、工具调用、业务规则、异常恢复这些"拧螺丝"的环节。

模型再聪明，如果和企业里的ERP、MES各说各话，如果不知道该调哪套数据、哪些操作要留审批痕迹，它就只能停留在"聊天很厉害"的阶段，进不了业务的主干道。

一个正在发生的"稀缺资源换位"

过去两年，行业把最多的聚光灯了模型与算力：国内头部模型高频迭代，智能算力规模一年增长177%，厂商之间比拼的几乎只有"谁更强"。

但进入2026年，风向明显变了。头部模型的能力差距在收窄，高性价比的国产模型持续拉低使用门槛，企业的选型逻辑从"追最强"转向"算综合账"；与此同时，Agent开始进入真实业务流程，评价标准也变得务实——能不能降本、增效、带来可验证的回报。

麦肯锡今年的一份研究给出一个扎心的数字：全球近三分之二的企业试过AIAgent，真正跑出规模化价值的不到10%。

钱花了、模型上了，为什么产出不成正比？答案指向一场换位：当算力和模型不再是唯一稀缺品，产业里长期沉淀的Know-how——那些"只可意会"的经验与规则——开始成为新的壁垒。

制造业的排产Agent，要实时读懂设备检修、物料供应、订单优先级，再调度MES、ERP去执行；银行的授信Agent，要理解企业流水、风控阈值与监管要求，判断何时预警、何时转人工。这些判断逻辑很少完整出现在公开语料里，也很难靠加大参数规模自然"长"出来——它长在企业的流程里、师傅的脑子里、过去十年的工单里。

大厂的解法：把"行业经验"变成可复用的资产

看清这一点后，这一轮AI竞争的重心开始从"单点技术"转向"体系协同"。今年828企业节前后启动的"百场景落地"行动，把云厂商、行业伙伴与真实客户拉到同一张桌子上：一方出底座，一方带行业经验与交付能力，一方提供真实业务场景做验证。

这中间最值得企业注意的动作，是把分散在不同人手里的项目经验，结构化沉淀成"行业资产"——已经有服务商把制造、零售、交通、医疗等行业的知识，整理成2000多项可被Agent直接调用的标准能力；医疗领域，病理医生的经验也通过端云协同开始"下沉"，一张数字切片的调阅时间从10—20分钟压缩到30秒以内，让三甲医院的诊断能力触达县域。

这些案例背后是同一个逻辑：经验不被结构化和沉淀，就只是个人的本事；一旦被结构化、被AI调用，就变成组织的资产。

中小企业该读懂的一层：先让AI"看得懂"你

大厂和头部服务商有能力把行业经验做成平台级资产，但对大多数中小企业来说，一个更基础的问题还没解决——你的企业知识，现在是以什么形态存在的？

多数企业的真实情况是：核心信息散落在官网、报价单、销售话术、售后记录里，口径不一、彼此矛盾。AI既读不全，也读不准。当客户的AI助手开始替你回答"这家公司做什么、靠不靠谱、有没有案例"时，它拼出来的企业画像，往往和你希望它说的不是一回事。

道理和大厂沉淀行业资产完全一样，只是尺度不同：企业同样需要把自己的知识，从"散装"变成"结构化"，从"给人看"变成"给AI看"。

上个月一位开工厂的老友偶然接触到GEO官网搭建，把自家企业知识库填进去跑了一个月，现在每天都有新客资进来，方法我放在公众号「智扣AI」了。

写在后面

回过头看Meta的"战略叹息"和GE们的加速，指向的其实是同一件事：AI产业化的决胜点，已经从"谁的模型更强"，转移到"谁能把算力、数据、规则、经验一丝不苟地拧在一起"。

大厂在拧平台的螺丝，行业伙伴在拧场景的螺丝，而每一家企业，至少可以先拧紧自己那颗——把散落的知识，变成AI读得懂、信得过的长期资产。这件事不需要等模型更聪明，现在就能开始。