智能体的兴起正在改写AI产业的主导逻辑，从内容生成迈向任务执行，成为大模型能力的新出口。在这场变革中，模型厂商面临战略抉择：是退居底层提供通用能力，还是向上构建平台直达应用？The Forecasting Collaborative团队的实验揭示了社会预测的困境，而智能体的发展同样让模型厂商站在转型的十字路口。  

一、智能体的本质与制造格局

智能体被描述为能感知环境、做出判断并采取行动以实现目标的智能系统，代表着AI从“生成内容”到“完成任务”的进化。其制造门槛正逐渐降低，普通用户和初级开发者可借助简单工具制作浅层场景的智能体，而大模型公司和互联网大厂则将其应用于深度业务场景。  

这一变化对大模型厂商既是挑战也是机遇。一方面，模型厂商面临基础设施化的压力，玩家可能减少；另一方面，这也促使他们向上层延伸，提供MaaS平台和智能体平台等一整套能力包，推动技术迭代和竞争升级。  

二、模型厂商的分野与竞争格局

在基础模型层，竞争呈现头部化趋势。类比云计算发展历程，底层基础设施因同质化、高投入和拼成本的特点，最终只有少数具备深厚技术和资源能力的公司能够留存。全球算力和GPU市场被英伟达占据主导，基础大模型层长期来看也将如此。  

然而，在大模型之上的层级，如模型微调层和智能体构建层，存在大量创业和差异化竞争的空间。垂直场景的技术型公司可在模型微调层发力，而围绕不同行业和流程场景构建智能体的领域则有望百花齐放。中国市场因生态未完全接轨国际，也为特定企业提供了机会。  

三、巨头冲击下的转型困境

互联网巨头凭借入口优势和通用化模型，在B端和C端都对模型厂商构成压力。B端项目中，客户要求提高，互联网大厂通过API调用推动云智一体，以亏损换生态；C端则利用垄断优势占据更多客户，限制竞争对手投流。  

对于纯智能体厂家，如Manus这类没有基础模型且难以服务B端的厂商，压力更大，其收入多依赖海外市场。但智能体创业公司并非没有机会，随着模型能力与应用场景解耦，MaaS层和智能体平台的发展让客户可选择不同模型能力，行业内仍可能诞生优秀的智能体公司。  

四、商业化变现难题与转型思考

智能体的出现虽加快了大模型tokens的调用量，但目前大部分国内大模型厂商仍未获得足够利润。全球范围内，大模型公司的基础模型收入大部分被GPU和算力厂商获取，尚未找到稳定的盈利模式。  

部分“几条虎”已放弃基座模型，转型医疗、教育等领域，但转型面临人才画像和基础能力要求不同的挑战，未必比深耕特定赛道的SaaS或软件公司更有优势。模型厂商需思考如何在智能体时代找到新的商业化路径，如帮其他国家训练主权大模型等。  

五、智能体重构企业系统与入口

智能体被视为企业系统互通的新解法，但目前企业应用系统建设存在割裂问题。SaaS时代企业使用多种软件，形成复杂生态；而国内企业倾向于大厂全包或自行开发，导致数字化割裂和大厂垄断。  

智能体的入口形态多样，包括原生大模型入口、互联网大厂的super APP嵌入式入口以及操作系统和智能终端结合的入口。智能体作为“车”，需在企业核心信息系统（“路”）上运行，但目前企业级系统对可预测性和可追溯性要求高，大模型基于连接主义的特点使其在底层记录系统层面难以引发范式变革。  

六、企业对AI的需求与ROI误区

企业对AI的需求正快速收敛到价值导向时代，聚焦商业价值的产生和ROI计算。客户分为追求降本增效、打造新产品和进行POC试验三类。企业在AI应用中存在误区，如对智能体在合规法律风险场景的应用担忧，以及对项目成功的判断标准不明确等。  

企业选择智能体应用场景需综合考虑自身组织能力、数据资产和应用场景等因素，没有通用的法则。从IT团队发起的项目多从智能客服或知识库开始，而企业主则更关注业务本身，需根据自身需求明确应用场景。  

七、智能体对行业的颠覆潜力

智能体将改变软件行业，尤其是前端工程化公司，提高代码编写效率；随着推理模型成熟，咨询行业也可能受到影响，大模型可快速生成分析报告。然而，人工智能在替代数据信息收集和分析工作的同时，也面临社会逻辑矛盾，如咨询行业中人与人之间面对面沟通提供的情绪价值难以被替代。  

智能体的发展如同AlphaGo战胜李世石，当机器智商超越人类时，难以用人类规则引擎训练模型，引发了硅基能否战胜碳基的思考。模型厂商需在技术变革中不断探索，寻找适应智能体时代的转型之路，在激烈的竞争中谋求生存与发展。