2025 AI Agent剑指何方？两份前沿报告描绘全景地图

如果说LLMs是"人类智慧"，那么AI Agent就是"使用火燧"，引领人类文明进入下一个时代。

2024年，AI Agent称得上最火热的概念。一方面，大模型赛道降温，并呈现出赢家通吃的局面；另一方面，AI Agent则是大模型应用落地的最佳形式，其能够解决LLMs在具体应用场景中的局限性。

那么，当前AI Agent采用现状如何？哪些领域会率先冲出来？

我们结合两份重量级报告——发布的State of AI ，以及发布的2024 State of AI 进行梳理，试着寻找AI Agent在开发、采用过程中的关键问题。

调查了1300多位专业人士，职业包括工程师、产品经理、业务领导和高管；行业分布：科技（60%）、金融服务（11%）、医疗保健（6%）、教育（5%）、消费品（4%）。报告链接

调查了3400多位专业人士（100多个国家），职业包括C级高管（46%）、工程师（26%）、客户支持（17%）、MKT（8%）。报告链接

具体内容如下：

1、谁在采用AI Agent？

调查显示：约有51%的受访者已经在生产环境中采用了AI Agent；78%的受访者计划在近期将AI Agent引入生产应用。

按规模看，员工人数为1002000的中型企业最为积极，采用率达到63%；按行业看，90%的非科技公司已经部署或计划部署AI Agent，这与科技公司（89%）旗鼓相当。

调查显示：目前，AI（非AI Agent）的实验用途比例远远大于生产用途，虽者在稳步增加中。

2、AI Agent基座大模型哪家强？

调查显示：（76%）占据主导地位；谷歌（59%）正迅速崛起，成为其强劲的竞争对手；（47%）紧随其后。Meta的Llama、和影响力不高，但增长势头不容忽视。

各家大模型的采用情况如下：

在技术和营销应用处于领先地位，也是翻译能手；

在健康和翻译领域表现相当出色，展示其在语言和医学领域的强大实力；

是处理技术任务的高手，但在营销和翻译方面的使用率较低；

在技术和科学领域表现不错，不过是个偏科生；

Meta被广泛应用于技术和科学领域；

在多个领域的齐头并进。

3、选择AI Agent基座大模型受哪些因素影响？

调查显示，准确性（45%）是最重要的因素，是安全性（24%）和可定制性（21%），成本（10%）影响相对较小。（注：与"企业采用AI Agent有何顾虑"基本一致）

4、企业在哪些场景采用AI Agent？

调查显示：研究与总结（58%）、个人生产力工具（53.5%）、客户服务（45.8%）。

该结果显示——人们希望将耗时任务交给AI Agent。

知识过滤器：AI Agent能够快速提炼关键信息。在文献综述或研究分析中，人们无需自己手动筛选海量数据；

生产力加速器：AI Agent可以协助安排日程、管理任务，提升个人效率，让人们专注于更重要的工作；

客服神助攻：AI Agent帮助企业更快地处理客户咨询、解决问题，大幅提升团队的响应速度。

调查显示：自动化、简化是企业采用AI的首要目标，其在效率和流程简化方面受益；定制化解决方案、提升协作能力则反映了大模型日益增长的灵活性，以及消费者对系统共享访问的兴趣。

在具体场景上，调查显示：

AI大模型在软件开发（87%）应用最广泛；

是文本摘要（59%）、市场营销（50%）、IT运营（48%）、客服（43%）；

最后是人力资源（26%）、法律合规（15%）等领域。

值得注意的是，该结果与上述的调查有些出入。主要原因是——的提问方式是AI大模型，而非AI Agent。

5、在生产中采用AI Agent存在哪些顾虑？

调查显示，性能质量（41%）是首要关注点，其重要性远超成本（18.4%）和安全（18.4%）等因素。

AI Agent依赖LLM"黑盒"控制工作流程，这会带来不可预测性，增加出错风险。团队难以确保其Agent 能否始终提供准确、符合上下文的响应。

对于小企业而言，性能质量尤其重要——45.8%的小企业将性能质量列为主要关注点，而成本因素仅为 22.4%。

对于必须遵守法规，要敏感地处理客户端数据的中大型企业来说，安全问题也很普遍，超过了成本因素。

除了上述因素，在书面回复中发现，团队还面临知识、时间难题。

知识不足：许多团队缺乏构建和部署 AI Agent的专业技能，特别是在特定应用场景下的实现。员工们还要苦练专业技能，以高效利用AI Agent。

时间有限：构建可靠的AI Agent需要投入大量时间成本，包括调试、评估和模型微调等环节。

调查显示：复杂的扩展和部署过程是阻碍采用的首要问题；是数据隐私和安全合规性；缺乏监控工具、高昂的基础设施成本也阻碍了技术的落地应用。

6、AI Agent开发相关问题有哪些？

调查显示：在生产环境中部署LLM和AI Agent面临关键挑战，包括定制化难度高、缺乏用于质量保证的评估方法，可重复使用的基础设施不足。碎片化工具、集成问题以及可扩展性限制进一步加剧困难，突显出构建简化流程和强大支持工具的必要性。

开发者将AI Agent的版本控制视为开发平台最重要的功能。强大的SDK、库生态系统、本地开发环境也受到关注。

大多数受访者需要多代理RAG能力以提高上下文信息处理；评估工具对于确保AI系统按预期工作同样很重要；多代理流水线也是在生产中实现复杂任务的关键技术。

7、对AI Agent有哪些展望？

调查显示：企业在采用AI Agent，既有新的期待，也会面临持续的挑战。

新的期待：

处理多步骤任务：AI Agent具备更深入的推理和上下文理解能力，能够应对复杂任务。

自动化重复性任务：AI Agent被视为自动化日常任务的关键工具，释放人力投入更具创造性的工作。

任务分配与协作：优化任务分配，确保合适的Agent在正确的时间处理特定问题，尤其在多Agent系统中。

类人推理能力：不同于LLMs，AI Agent能追溯并优化自己的决策，根据新信息调整策略，类似人类的思考过程。

主要挑战：

Agent的黑盒机制：工程师发现，他们很难向团队和利益相关者解释 AI Agent 的功能和行为。尽管可视化步骤有助于理解到底发生了什么，但 LLM 的内部机制仍然是个黑盒，增加了解释的难度。