90.9% 的企业都在用 AI，只有 9.1% 真正用上了——剩下那 80% 卡在一个没人当回事的东西上

90.9% 的企业都在用 AI，只有 9.1% 真正用上了——剩下那 80% 卡在一个没人当回事的东西上

先看两组数字，它们放在一起的时候，比任何一句”AI 泡沫”的论断都更有说服力。

艾瑞咨询的数据：2026 年第一季度，国内大中型企业整体 AI 采纳率 90.9%，新一代大模型 AI 采纳率 81.3%。

同一年，另一组数字：67.3% 的企业仍停留在 L1 探索试验级，真正进入 L3 体系优化级的只有 9.1%。

在过去一年落地的企业 Agent 项目里，83.7% 挤在通用辅助的”浅水区”，真正扎进专业业务纵深的仅 16.3%。

艾瑞的预测更狠：未来 18 个月内，约 30%-40% 的企业级智能体项目会因为算不过来 ROI 这笔账而陷入停滞或关闭。

什么意思？

几乎所有企业都”接入了 AI”，但绝大多数只是让人用用 ChatGPT 或者搭个知识库问答，没有一个真正让 AI 接管核心业务流程。

这不是技术不够强的问题。过去两年，模型能力从”能聊天”飙到”能做科研”，推理、规划、多智能体协作，技术报告一篇比一篇夸张。

那问题出在哪？

一个 31 人的财务部门演化史

文章开头那个案例，比任何理论都直白。

某头部电信运营商的子公司，过去 31 个省的财务人员每月要花两天时间，核对打款、订单、开票三张表。

引入 Agent 后，他们把匹配规则沉淀成 Skill，一名员工只需两小时就能完成数万张发票的数据整理。

31 个人两天 → 1 个人两小时。

按这个算，效率提升了几十倍。但这位副总经理的评价是：

> “这还算不上真正意义上的业务全流程智能化。我们现在只是完成了中间一段。”

他要的是端到端：从接收需求、开票、到发送电子发票，全流程自动流转。

这才是真实的温差。 你能看到很漂亮的单点效率数字，但那只是流程中间的一段。前端的需求接收、后端的发票发送、中间的异常处理，还在人手里。

为什么后面那段接不上？

因为接得上，AI 得知道：这张发票对应的是哪个订单？那个订单之前有没有出过问题？客户上次投诉是因为什么？这笔款项该走哪条审批链？

这些信息，散在 ERP、CRM、财务系统、邮件、会议纪要里。Agent 拿不到。

一段 3 年的 B2B 销售，能教会你所有事

制造业 B2B 销售，一笔订单从线索到成交，往往需要数周甚至数月。

在这期间，Agent 如果只会”生成销售方案”，那是没用的。它得知道：

– 客户上次拒签的原因是什么 – 销售总监承诺过什么折扣 – 当前订单有没有触及信用额度红线

一旦 Agent 无法继承此前的谈判记录，它就可能向客户重复提出已经被拒绝的付款方案。

在真实的商业谈判里，这么一次失误就足以搞砸一单生意。

这才是企业 Agent 落地的真问题——不是模型不够聪明，而是它每次都是从零开始面对你的业务。

Anthropic 在 2025 年 11 月的研究里也说了：复杂软件开发任务往往横跨多个上下文窗口，每次新会话都需要重新恢复工作进度。软件开发还是纯数字世界、逻辑清晰、状态干净的领域。企业业务比这复杂得多。

采购订单的 100 个参数，和它们背后的 10 个人

有个案例我觉得特别扎心。

某大型传统消费品企业的采购业务：3500 个物料、40 家供应商、7 座工厂。仅一张采购订单，就要综合考虑供应商产能、交货周期、运输成本、区域生产瓶颈等100 多个参数。

过去这些判断靠采购人员的经验。

企业总裁的原话：

> “当参与这项工作的同事超过 10 个人时，你根本无法保证每个人的经验都是对的。”

这句话点到了一个所有人都知道、但很少被说清楚的东西——企业的核心竞争力，很大程度上是存在老员工脑子里的隐性经验。这些经验从来没被写下来过。

你不可能通过”把模型换得更大”来获得这些经验。模型有海量公开知识，但它不知道你们公司采购部的老王有一种”看到这个供应商的报价单就知道他有问题”的直觉。

而要救这个局面，你得先让 AI 看到这张报价单、看到过往四年的合作记录、看到老王当时为什么否掉了这一单。

所以答案指向了一个词：上下文

2025 年 9 月，Anthropic 发了篇《Effective Context Engineering for AI Agents》，把”上下文工程”推到台前。

2026 年 3 月，LangChain 的 Harrison Chase 说得更直白：Agent 犯错，很多时候是因为缺少正确的上下文。

这个词过去的含义很窄——就是你塞进 prompt 里的那段材料。

现在的含义是：Agent 在正确的时间，拿到正确的信息，并且知道这些信息该怎么用。

注意三个要点：正确的时间（不是一次性全塞进去）、正确的信息（不是越多越好）、知道怎么用（这一点最容易被忽略）。

产品上已经能看到这个转向：

飞书：3 月上线一键部署，4 月加了多智能体协作和云端记忆。用户提一个选题，系统自己调度多个 Agent 做资料收集、大纲生成、内容撰写和审核，官方演示约 10 分钟出结果。

关键不在 10 分钟——在于用户不再需要每次重新交代项目背景。项目文档、会议纪要、任务进度本来就存在关联，Agent 按需调用就行。

Harvey II（法律 AI）：把项目文件、参与人员、历史任务、权限信息关联起来，还保留律师的写作偏好和工作习惯。一份持续数月的并购交易，律师不必每次启动 AI 都重新上传材料解释进度。

方向很清楚了：过去是人给 AI 补上下文，现在 Agent 开始围绕任务主动获取上下文。

但”上下文工程”这四个字，现在还只是 PPT

Redis 2026 年的报告：97% 的受访者认同上下文的重要性，真正具备持续积累、复用上下文能力的成熟企业只占 4%。

97% 对 4%。这个数字差距，比模型能力的差距大得多。

为什么落不了地？三个拦路虎：

第一，准确率、延迟、成本，三角无法同时满足。

LangChain 2026 年的调查（1300+ 从业者）：32% 把输出质量视为生产部署的首要障碍，20% 受困于响应延迟。

频繁调外部工具，信息准确但延迟高；压缩上下文，省 Token 但丢细节。麦肯锡的调研说，约 20% 的企业因 Token 成本过高被迫限制 AI 使用规模。

第二，业务和 IT 之间的鸿沟，比技术鸿沟更深。

某头部消费品企业副总裁的话：

> “因为 IT 是没有办法业务化的，他理解不了全场景的实际业务，他没有亲自参与，只能做到表层了解。”

大量业务规则和决策经验掌握在一线员工手里。要把这些经验梳理、验证、转成 Agent 能调用的上下文，需要企业投入大量时间和人力。这不是一个技术项目，是一次组织改造。

第三，安全这道关，没人敢迈。

让 Agent 读取业务信息，和让 Agent 直接操作核心生产系统，完全是两回事。

前面那家电信运营商，目前还是用前一天的数据备份让 Agent 分析，不要碰实时生产流程。那家消费品企业，也没有让 Agent 直连核心数据库，而是建了一个经过权限控制和风险评估的独立数仓。

这种谨慎是对的。但它天然限制了 Agent 的能力上限——你只给它昨天的数据，它就只能做昨天的事。

我的判断：CaaS 这个词，可能比”上下文工程”更值钱

文章里提到了一个概念：CaaS（Context as a Service，上下文即服务）。

把这个能力从单个 Agent 里拆出来，做成企业统一可调用的基础服务。把分散在 CRM、ERP、财务系统里的数据、规则、实时业务状态，整合成 Agent 能持续调用、更新、复用的上下文。

我认为这个方向是对商业逻辑的一次正确识别。

原因很简单：模型能力正在被拉平，工作流和 Skill 也容易复制，但一家企业积累多年的客户关系、业务规则、历史决策，谁也无法在短期内复刻。

这意味着竞争逻辑会变：

– 模型厂商：拼长上下文、缓存复用、增量更新、高效推理——因为 Agent 承担长周期任务后，历史记录会不断累积，成本压力会更大 – 传统 SaaS 厂商：机会最大。它们熟悉业务流程、掌握系统接口、在授权下能连大量数据。原来的”软件壁垒”可以延伸成”上下文壁垒”——从”帮你管理流程”变成”帮 Agent 理解和执行流程” – Agent 创业公司：只靠对话入口和标准化 Skill，日子会越来越难过

这条路的残酷之处在于：上下文是挤不出来的，只能一点点攒。 它不像模型权重，花钱就能买到更强的。企业十年的客户关系、五年的采购经验、三年的投诉记录——这些东西的时间成本，砸钱也追不回来。

最后说三句话

第一，90.9% 的采纳率是个假信号。

它只说明”大家都在试”。真正的指标是 9.1%——能进入体系优化级的比例。剩下 80% 卡在哪，这篇报道给了一个答案：不是模型不够强，是业务没被吃透。

第二，”上下文工程”这个词下一步会被大量滥用。

就像 2023 年的”提示词工程”、2024 年的”RAG”、2025 年的”Agent”——每个热词出来的第一年，都有一堆人拿它包装自己的旧产品。

判断标准很简单：它能不能回答”这个 Agent 知道三天前那个客户为什么拒签吗”这种问题。答不出来的，都是换了个名字的 RAG。

第三，那 30%-40% 会停摆的项目，卡的不是 ROI，是耐心。

上下文建设是个慢活。你得先梳理业务流程、把老员工脑子里的经验挖出来、打通系统、建权限体系——做完这些，才能开始谈 Agent 效果。

大多数企业会在”梳理经验”这一步就放弃，然后得出结论：”AI 在我们这个行业用不起来。”

其实不是用不起来。是没等它长出来。

—

*数据来源：艾瑞咨询 2026Q1、Redis《The State of Context Engineering》2026、LangChain 2026 从业者调查（1300+）、麦肯锡 2026 调研* *关键研究：Anthropic《Effective Context Engineering for AI Agents》（2025-09）* *产品案例：飞书 OpenClaw（2026-03 上线）、Harvey II（2026-08）* *概念：CaaS（Context as a Service，上下文即服务）*