AI Agent如何真正落地？高盛研报：可控性比能力更重要，算力需求或增24倍

据《华尔街日报》李佳报道，AI正从“能回答”迈向“能执行”的新阶段。

据Wind交易台，高盛最新报告显示，AI商业化正从“按席位订阅”转向按使用量、交易量和结果收费；Agent从辅助工具转向工作流执行者，行业价值从模型本身转向专有数据、业务场景和领域专业知识。

这意味着AI行业竞争正从“谁的模型更强”转向“谁能真正掌控工作流”。模型能力依然重要，但进入企业生产环境、理解业务场景并可靠完成任务的能力，将成为更关键的竞争壁垒。

这一判断来自高盛近期对硅谷AI产业链的实地调研。8月18日至19日，高盛连续第三年走访了AI初创公司、领先风投机构，以及斯坦福大学、加州大学伯克利分校和旧金山大学的研究人员。高盛认为，随着Agent加速落地，前沿模型、开源模型、世界模型、企业软件和专有数据之间的价值分配将发生变化。

Agent落地：企业真正缺的不是能力，而是“可控性”

如果说过去AI解决的是“帮人完成任务”，那么Agent试图解决的是“独立完成任务”。但在企业大规模部署中，最大障碍可能不再是模型能力，而是责任如何划分、整个执行过程是否可控。

报告援引斯坦福大学研究人员指出，大多数企业仍处于人工监督模式。尤其在法律、风控、保险、审计等领域，如果模型出错，谁来担责、过程如何追溯、能否及时修正，其重要性可能不亚于模型能力本身。

因此，最可能率先实现自动化的工作流通常具备三个特征：决策边界清晰、结果可验证、错误可逆。发票处理是典型案例。AI负责提取字段和核对，低置信度案例由人工复核，再通过可逆的ERP流程完成。

这也意味着，拥有可信内容、经过验证的领域模型和成熟监管关系的信息服务商，更有希望率先进入企业生产环境。

模型竞争：前沿模型与开源模型的分工

关于“开源还是闭源”的争论，高盛此次调研释放的信号表明，这并非二选一，而是不同模型可能对应不同层级的工作流。

前沿模型阵营认为，企业基准测试往往低估了模型能力。在实际生产环境中，模型精度下降带来的业务损失，可能远超节省的推理成本。因此，尽管许多AI原生公司声称采用多模型策略，但在核心生产环境中仍严重依赖前沿模型。

另一种观点认为，绝大多数企业工作流并不需要前沿智能。随着开源模型性能持续提升，客户越来越愿意以有限的性能损失换取更低的推理成本。一家风投机构预测，未来12至18个月，约90%的推理token将流向开源模型。

这意味着，未来AI模型市场可能形成更明确的分工：前沿模型负责高价值、高可靠性的复杂任务，开源模型则处理更大规模的标准化任务和大部分token消耗。

世界模型：AI算力或迎第二增长曲线

过去18个月，研究人员正越来越多地将注意力从大语言模型（LLM）转向“世界模型”。

与主要依赖互联网数据训练的LLM不同，世界模型需要理解真实世界中的环境、因果关系、物理定律和动态交互，数据更多来自物理系统、特定行业和实际运营场景。这意味着专有数据的重要性可能进一步上升。

高盛认为，物理、工业、科学和机器人等领域对应的问题空间远大于纯文本生成，这些工作流往往需要更高的算力投入。随着AI从数字世界进一步进入物理世界，模型训练、模拟和推理的算力需求也可能迎来新的增长曲线。

高盛预计，未来五年算力需求可能增长约24倍，供需紧张态势有望持续更长时间，这将直接利好微软、Oracle、CoreWeave等云计算和算力基础设施公司。

事件要点

高盛连续第三年实地调研硅谷AI产业链，走访初创公司、风投及斯坦福、伯克利等高校研究者。本次报告核心判断包括：AI商业化从订阅制转向按量/结果付费；Agent落地需满足决策边界清晰、结果可验证、错误可逆三大条件；模型市场趋向分层，开源模型在未来12至18个月或承接约90%的推理token；世界模型带动AI进入物理世界，算力需求或迎新增长曲线。

关键数据怎么看

报告中“未来12至18个月约90%推理token流向开源模型”与“未来五年算力需求增长约24倍”两个数字分别指向不同逻辑：前者反映开源模型在标准化推理场景中的成本优势正在扩大，后者意味着世界模型在工业、机器人等物理场景的训练与模拟将带来增量算力需求，而非单纯替代现有LLM算力。

后续观察指标

一是Agent在发票处理等闭环场景的实际渗透率与人工复核比例变化；二是企业核心生产环境中开源模型的真实采用率，验证“90% token”预测是否兑现；三是世界模型在物理、工业、科学领域的训练数据来源与模拟精度进展，这关系到算力需求增长能否按预期释放。