在展开正式讨论之前，让我们先花一点时间了解一下★●“AI智能体”这一概念。AI智能体是英文AI Agent或Agentic AI的汉译=■•。由于Agent在英文中有•“代理人”的意思=，因此在某些语境下，它也被翻译为“AI代理人”或“代理式AI=”。此外，在一些较早的文献中▪=▼，也曾出现过■“艾真体”的音译版本。
然而，比起效率和收益的直接增长，更值得关注的是AI对整个商业生态的重塑。许多专家认为，随着AI智能体崛起，现有以平台为核心的商业格局可能被打破△=，新的商业形态、组织结构和商业模式将随之涌现◆▼…。另有研究指出★，AI智能体的普及将冲击当前“数据为王”的逻辑■，未来的竞争核心或将转向◆•◆“智能与连接•”。
翻阅近期媒体报道不难发现，无论是微软、谷歌、亚马逊、OpenAI等海外巨头■▼•，还是阿里、腾讯、字节•、百度等国内企业，都把AI智能体视为重点业务方向大力推进。诸多专业咨询机构和科技媒体也对AI智能体的发展前景十分看好■•：市场研究机构Forrester将其列为2025年关键新兴技术之一，而知名科技咨询公司Gartner更将其评为2025年十大技术趋势之首•★。业内大佬同样寄予厚望。微软创始人比尔·盖茨在一档播客中预测，不久的将来，AI智能体将“人手一个”，并对人们的日常生活产生深远影响；OpenAI首席执行官山姆·奥特曼则表示：“构建超大模型的时代已告一段落，AI智能体才是下一阶段真正的挑战。”
无论是虚拟还是具身的AI智能体，它们通常由三大部分构成▪-：传感器（Sensors）、控制中心（Control Centre）和执行器（Actuators）。传感器用于从外部环境中收集信息；控制中心负责分析数据并制定行动计划；执行器则根据计划采取行动并对环境施加影响。区别在于，虚拟智能体的这些组成部分都是数字化实现的▼-=，而具身智能体的传感器则需要从真实世界读取数据▪▼★。
第三种是由梯斯（David Teece）提出的动态能力理论。该理论认为，决定市场竞争胜负的关键在于企业感知外部环境、获取关键资源★、进行转型再造的能力。这种动态能力★▼-，是企业持续竞争与永续经营的核心■•…。
除了MCP协议之外，还有两个关键通信协议对AI智能体的发展至关重要。其一是“智能体网络协议▼●★”（Agent Network Protocol，简称ANP），它支持AI智能体在互联网上自发发现、连接并交互，从而建立协作网络；其二是谷歌开发的Agent2Agent（A2A）协议，专门用于促进多智能体间的通信和任务管理，充当协作中枢。
随着AI智能体的兴起，•△“人”作为商业生态中唯一决策主体的局面将被打破■，智能体将以新的参与者和决策者身份加入其中▪▼。过去分析商业生态时，我们通常把参与主体分为个人◆•▼、家庭、企业、政府等元素。但无论家庭★•=、企业还是政府，本质上都只是一种“拟制的人●◆•”——它们并不具备自主思考和决策能力，其一切决定终究还是由其中的个人完成。因此，在AI智能体出现之前•★，人类实际上是商业生态中唯一能够独立决策的主体•△•；即便大模型问世后，这一点仍未改变△…=，因为大模型只提供参考，并不直接作出决策。智能体的崛起，将改写这一格局。
有了MCP•■、ANP★■•、A2A这三大协议，AI智能体不仅掌握了使用外部工具的能力，还能实现与其他AI智能体之间的交互与协作。由此，AI智能体从专用型助手…-=，正式迈向通用型独立主体，从人类助手进化为可以自主承担复杂任务的智能代理●△▼。
那么，这个被媒体推崇备至的AI智能体究竟是什么？它为何具备如此巨大的潜力？当AI智能体逐渐普及，现有商业生态和商业逻辑将如何演变？我们又应当如何观察并分析这种全新的商业形态=•？关于这些问题，且听下文一一道来★△-。
然而，AI智能体崛起后，上述逻辑将岌岌可危▼。相较人类，智能体能以极低成本、极快速度检索市场信息并自动撮合交易；若双方均使用智能体，交易更可通过智能合约无缝完成-，无需担忧后续纠纷。在此情形下，平台作为中介的价值骤减，其苦心经营的网络效应亦将失去意义。
AI智能体既可以是虚拟的-，也可以是=★“具身”（embodied）的。所谓虚拟AI智能体-，是指那些仅存在于计算机模拟环境中、没有物理形态的智能体。例如，在GPT爆火后，斯坦福的研究人员曾基于GPT能力，构建了一个由数十个虚拟AI人组成的小镇=，这些●“虚拟小人”便是典型的虚拟AI智能体。与之对应，具身AI智能体则拥有实际物理形态，比如现有的无人驾驶汽车…•、人形机器人等。
与我们熟悉的其他AI系统不同-▼，AI智能体具备自主规划和执行任务的能力。举例来说，当我们使用ChatGPT或DeepSeek完成一项任务时，通常需要不断通过提示词与它交互，反复调整，才能获得期望的输出结果。而使用AI智能体时，我们只需一次性将任务交给它◆●•，它便会自行拆解任务、寻找解决方案，独立完成各个环节-◆…。作为指令的下达者，我们无需在执行过程中进行干预•，只需静候结果。
不少业界人士对AI智能体的快速普及及其经济效益持乐观态度。根据Gartner测算，2024年仅约1%的企业软件内置AI智能体功能▪，但到2028年，这一比例有望飙升至33%•▼…，届时约15%的日常业务决策将可由AI自动完成★◆。高盛预测-▼▪，到2030年▪=，AI智能体将创造约7万亿美元的经济效益=△●，其中相当一部分来源于效率提升。
自生成式AI革命以来◆▼，AI领域热点层出不穷，相关新名词也是接踵而至▪。若说当下最炙手可热的概念▼，恐怕非“AI智能体”（AI Agent）莫属▼•。
合作方式的转变势必重塑企业形态与边界。当下以固定人员、固定资产★▼△、层级管理为特征的企业，本质上是一种降低协作成本的组织形式。随着AI智能体的普及★•●，个人的合作半径被空前扩展…-，不再必须隶属于某家企业…。企业边界逐渐模糊，“人人与人人直接协作”的景象不再遥远。
不过△，Manus并未像DeepSeek那样经受住专业人士的考验。在发布后不久…△，便有技术人员迅速分析并成功复刻了其实现原理•-▪。
推荐算法是另一个典型案例。如今，众多内容分发App借助算法不断向用户推送“可能感兴趣”的信息，以持续占据用户注意力，将其锁在自家生态内，再通过广告、电商等方式变现△■△。
在传统商业环境中●■•，我们已经积累了许多观察商业竞争的理论，其中以下几种较为具有代表性▼。
与人相比=▪，AI智能体的决策方式截然不同■=-。作为人类的造物，智能体天然以“最优解”为目标。例如★，若让智能体网购最便宜的牛排，它会瞬间遍历所有购物平台的商品信息，从中选出价格最低的一款。而人类决策时并不如此较真…•▼，大多数情况下只追求“满意解••★”。同样的任务交给人，他大概只是打开某个平台-，搜索“牛排”••，再从前几页结果里挑一款看起来性价比不错的商品下单；至于像智能体那样遍历全网，他既无能力◆•-，也缺乏兴趣。正因如此，一些行为经济学家在比较人类与AI的决策模式后，将人类戏称为“不理性的AI…▪”。
然而，当AI智能体取代人成为决策主体后，数据的传统价值将被削弱-△。届时，企业的“客户”或许是极度理性的AI智能体，它们难以被传统商业策略左右■◆，企业也无需再耗费心力收集和分析此类“用户”的行为数据。
在当今线上竞争中■…，“注意力”是一种各家公司争相抢夺的稀缺资源。许多商业模式的设计，本质上都围绕“注意力”展开。
与此同时△●，随着AI智能体在商业竞争中智能水平的重要性不断提升，相较于人的动态能力，其自身的学习与适应性将占据主导地位，动态能力理论的适用性也将受到挑战。此外，在AI智能体时代…■•，企业的边界与职能可能进一步模糊，企业不再容易归属于某一特定的生态位。再加上▪•，合作与交易更可能以去中心化的方式实现•，因此“基石企业”的地位和作用也将被大幅削弱。在这种情况下•★，商业生态系统理论的解释力也会受到显著影响。
尽管相关研究起步很早，但AI智能体真正实现性能飞跃并走向生产生活领域▼◆，却是最近几年的事▪★。这一转变背后有多方面的因素：一方面，AI技术，尤其是自然语言处理、视觉识别等领域的快速进步，使AI在感知△-、理解▪…、决策等方面的能力大幅提升，赋予智能体更聪明的“脑子▼◆■”和更敏锐的“眼睛”；另一方面●▪-，算力资源的极大丰富，使大规模智能体的训练与部署成为可能，研发成本因规模效应迅速下降，性能却不断提升。
竞价排名广告便是一例。对不少电商平台而言，首页及搜索结果中的黄金广告位拍卖，是重要收入来源△…。第三方商家为了让自家产品获得更醒目的展示位置，不得不高价竞拍。显著位置之所以如此关键■★，根本原因在于人的注意力有限=◆：购物者通常不会耗费太多精力浏览全部商品◆●-。若商品被排在不起眼的位置，成交概率便微乎其微。从这个角度看，竞价排名就是“花钱买注意力”。
平台模式的兴起被视为对上述缺陷的一次改进。平台既充当=“市场•▼”，为海量潜在合作者提供机会，又充当“秩序”维护者-△◆，规范各方行为，提升协作深度。然而这一模式成本高昂★▪：平台作为中介抽取大量费用，显著压缩合作收益●，进而打击合作意愿。
在微观层面，则需分析AI智能体作为独立决策者所引发的商业行为和商业策略变化。举例来说，在传统平台经济分析中，我们高度重视间接网络效应，即一侧用户规模对另一侧用户吸引力的影响△-★。而随着AI智能体的普及●▼◆，这种间接网络效应的重要性将下降◆，取而代之的是与技术、基础设施完善度紧密相关的直接网络效应△，可能成为决定竞争成败的关键。此外，在分析互联网竞争时，传统上我们重视注意力争夺，但在AI智能体时代，竞争的焦点可能转向智能体间的合作协议和协作机制◆▼。
那么•，Manus实现“通用•◆■”的秘诀究竟是什么？答案在于一个叫做MCP的通信协议。MCP（Model Context Protocol•，模型上下文协议）是由Anthropic于2024年11月推出的开放协议△，旨在统一大型语言模型与外部数据源和工具的通信接口，使大模型能够灵活调用外部工具。Manus的开发者正是通过使用MCP协议，使大模型能够轻松拆解任务、分配步骤，并根据需要逐一调用工具完成各环节△。因此，“打假者”们也能利用相同的协议，在短短一天内复刻出类似成果。由此可见，在有了MCP协议之后■，基于大模型构建通用AI智能体变得异常简单。
在当下的互联网竞争中，数据是各家企业争夺的核心资源。为了在数据获取与分析上取得优势▪△，企业不仅投入了巨额资金●=…，还与竞争对手爆发了无数纷争。之所以如此看重数据，是因为企业能够借助数据洞察用户信息，进而制定精准策略并获取更高利润。
在宏观层面，应当修正波特等学者创立的以产业结构为基础的分析思路，转而以AI智能体的网络性质为出发点，构建新的分析框架。例如•◆，传统上我们观察企业市场力量时▪，通常以市场份额作为重要指标。但在AI智能体主导的商业环境中，这一指标的重要性可能下降。取而代之的■，可以考虑引入网络分析中的中心性、连通度等指标，用以衡量智能体在网络中的位置和影响力。基于这些新的指标，再来探讨以AI智能体为中心的产业重构、价值链重组，以及企业间的竞争关系•。
有了MCP、ANP、A2A这三大协议，AI智能体不仅掌握了使用外部工具的能力▪，还能实现与其他AI智能体之间的交互与协作。由此=-，AI智能体从专用型助手，正式迈向通用型独立主体•，从人类助手进化为可以自主承担复杂任务的智能代理。
总而言之，随着AI智能体的兴起，整个商业环境正迎来一场深刻的变革。对应地，我们也必须及时转变观察视角，将关注的重心转移到AI智能体及其网络关系之上。唯有如此，才能在这场巨变中看得更清楚，把握未来的主动权。
细究其本质■，平台模式是围绕人类“不理性★”设计的。个人若自行寻找交易对象，不仅要承担高昂的搜寻成本，还需处理交易中及交易后的诸多事务-。为节省这些成本•，人们乐于支付一定佣金，让平台代为撮合。平台的网络效应之所以重要，也正是因为用户相信▼：在用户更多的平台上更容易找到理想交易对象，而规模更大的平台往往能提供更完善的服务。平台成功的底层逻辑，归根结底是利用并放大用户的弱点，使其难以离开★…。
众所周知，在过去二十年里发展最蓬勃的企业形态是平台型企业-=…。与传统“管道型•-■”企业不同，平台的主要盈利方式并非低买高卖赚取差价，而是撮合不同主体的交易以收取服务费。要在竞争中取胜，平台通常要做到：运用策略圈定商家与客户、提升黏性•；通过价格补贴等手段迅速做大至少一侧用户规模，放大神经网络效应并启动△“滚雪球”；设计合理的收费体系◆…•，将用户有效转化为付费群体并最大化利润。
第一种是迈克尔·波特（Michael Porter）提出的“五力模型”。这一理论强调从宏观产业结构的角度审视商业竞争，认为企业所处的产业结构对其竞争地位至关重要。根据该模型●，产业内现有竞争者的竞争强度、潜在进入者的威胁、替代品的威胁、买方议价能力，以及供应商议价能力这五种力量，将共同决定企业的竞争优势，从而影响其战略行为和利润水平◆•。
早在人工智能诞生之初，许多研究者就已尝试制造智能体★=。但在早期实践中-◆▼，人们构建的主要是•★●“确定式”（deterministic）智能体：其对外部环境的反应方式均由程序预设，一旦遇到未曾预料的新情况，智能体便无法应对。随着AI技术的发展，这种确定式智能体逐渐被•▼■“非确定式”（non-deterministic）智能体取代。后者不预设具体行动规则，而是设定了可以根据任务完成情况动态调整的效用函数•■-，从而使智能体能在不断变化的环境中，通过学习不断优化自身行为▼▼，实现自我进化。
在中观层面，应聚焦AI智能体引发的对现有商业模式（包括平台模式）的冲击与变革。应重点关注AI智能体采用点对点合作模式所带来的价值创造与分配过程，并密切关注平台企业在面对AI智能体挑战时的应对策略及其引发的连锁变化△。
随着AI智能体的普及，这一模式同样面临挑战。智能体可作为个人助手：用户只需提出需求，它便能跨App、跨平台快速检索并整合所需内容■◆•。由此，信息获取逻辑将从•“你推给我看”转向“AI找给我看”。用户不再被局限在单一App的■▼“信息茧房”，而依赖推荐算法攫取注意力并进行商业化“收割●★•”的模式，也可能走向终结。
针对上述情况•◆，如果我们要理解AI智能体时代的商业竞争▼=■，就需要在认知上进行一次“哥白尼式的革命★”，将观察商业环境的切入点从人、企业和产业，转移到AI智能体上=▼。具体来说：
需要强调的是，这并不意味着数据在AI智能体时代会变得无关紧要…，而是其作用方式和需求结构将发生深刻变化。为了确保AI智能体的大脑——基础模型——保持高水平智能，仍然离不开大量高质量数据的训练。但此时，对数据有强烈需求的不再是所有企业，而是少数专注于模型开发的公司★；最具价值的也不再是个人行为数据，而是蕴含丰富知识与信息、能够显著提升模型性能的专业数据。由此，市场竞争格局很可能迎来新的重塑。
第二种是由彭罗斯（Edith Penrose）◆▼•、巴尼（Jay Barney）等人提出的资源基础理论（Resource-Based View，简称RBV）。这一理论主张从企业可利用资源的角度理解商业竞争，认为企业竞争优势的主要来源是其内部资源的稀缺性、不可模仿性和不可替代性●。
总体来看★•◆，上述理论从不同角度对商业环境及竞争过程进行了深入观察，得出了许多有价值的结论=•。因此，无论在学术研究还是商业实践中，这些理论都被广泛引用并发挥着重要作用。然而◆◆，随着AI智能体的兴起，并逐渐成为与人类并列的市场参与主体，这些理论的局限性也将日益显现。
具体而言，AI智能体的崛起正在重塑合作方式，原本清晰、自上而下的价值链正在演变成一张复杂的价值网络。在这种网络结构中，“上游”“下游=”“供应商”“分销商▪…▪”等概念的界限将变得模糊■，甚至连“产业”和“企业•△-”的定义也会变得越来越不清晰。我们将难以判断=●•，人们通过AI智能体与他人进行的一次商业合作，究竟是发生在企业内部，还是跨越了企业边界。在这样的背景下■★，无论是基于产业结构分析的“五力模型”，还是基于企业内部资源分析的资源基础理论，原有的解释力都将大大削弱△◆…。
然而，一旦用户把购物任务交给AI智能体，这一模式便可能瓦解。AI的检索与筛选能力远超人类——商品位于搜索结果第一页还是最后一页=■▼，对它来说差异不大。届时，商家再也无需为醒目位置支付溢价，拍卖式广告位的价值将大幅缩水。
AI智能体的出现有望缓解深度与广度的矛盾-。与人类不同■●，智能体可以几乎零成本地在全网迅速匹配潜在伙伴；借助MCP◆…、ANP、A2A等协议，它们无需人为干预即可彼此协作，独立完成复杂任务-△…。由此■=，合作范围和深度都有望大幅提升=▼=。
第四种是当前非常流行的商业生态系统理论-。该理论认为，相互依存的市场参与者会围绕特定的价值主张，形成一个互补、协同的网络状生态系统。在这一系统中，所有参与者通过协调与配合共同创造并分享价值。正如自然生态系统中每个生物都有其独特生态位一样，商业生态系统中的参与者也各司其职。其中，“基石企业”（keystone）作为生态系统中的关键角色，需要制定规则、协调参与者，以确保生态系统的健康运作。
传统上，合作大致有两条路径：一是通过市场●，二是在组织内。市场型合作中，各方地位平等★•-，按照市场规则互通有无；组织型合作则存在分工与等级★，处于领导位置的少数人向其他成员下达指令、分派工作。二者各有短板：组织合作能够集中调度人力物力，却难以扩大规模；市场合作覆盖面广，却因缺乏硬性约束，协作深度有限=。
这种主体多样化看似寻常●，影响却可能深远。过去的C2C、B2C、B2B、B2G等商业形式，本质上都是人与人之间的交易；所有商业策略和规则皆围绕人类特性设计●▪。随着AI智能体这一全新主体的加入，现有模式、规则乃至整个商业生态都可能随之改变。
如果大家对AI领域的新闻有所关注•，可能还记得今年3月初-★，一款名为Manus的AI智能体一度引发广泛关注。根据当时的报道，这款由国内初创公司开发的智能体被称为全球首款通用AI智能体=■●，它可以根据用户指令，在无需人工干预的情况下，独立调用外部工具…•，完成求职简历筛选•◆、房产研究、股票分析等复杂任务，并在权威的GAIA基准测试中取得了SOTA（State-of-the-Art，即当前最佳）的评级•●，表现超越了包括OpenAI在内的多家知名企业的同类产品。不少人甚至称赞Manus是继DeepSeek之后-•●，中国AI领域又一个里程碑式的成果。
更为关键的是，大量开放标准智能体通信协议的出现，这不仅使得AI智能体能够灵活调用各种外部工具•，还使它们之间的协调与协作成为可能。
通过以上讨论■-，我们已经可以看到，随着AI智能体的兴起，整个商业系统将发生巨大的变化▼=-。无论是商业生态的参与者、商业竞争的形式、竞争中的关键资源，还是商业合作的组织方式△★，都将与现有模式产生很大不同。在这样的背景下▪■▼，我们观察商业环境和商业竞争行为的视角，也必须随之进行相应的调整。