先把兩組數字擺在一起，你就懂 2026 年的 AI agent 是個多精神分裂的市場。
樂觀的那組：全球 AI agent 市場 2026 年衝上 109 億美元，年複合成長率 44 到 46%；Gartner 說年底會有 40% 的企業應用內嵌 agent（2025 年還不到 5%）；號稱已有 51% 的企業在 production 跑 agent 。
悲觀的那組：MIT 2025 年的「GenAI Divide」報告 說 95% 的企業 GenAI 試點沒有產生 ROI；產業分析指出約 88% 的 agent pilot 從沒上過 production ；Gartner 自己也預測 超過 40% 的 agentic AI 專案會在 2027 年前被砍掉。
同一個東西，一邊是金礦、一邊是墳場。這篇就帶你把這個矛盾拆開：範式轉移是真的、錢是真的、coding agent 的進步也是真的——但落地的骨感，同樣是真的。看完你會比較知道，作為工程師，該在哪裡興奮、又該在哪裡踩煞車。
一、範式轉移：從會聊天，到會自己幹活
先講清楚到底「變」了什麼，不然後面數字都是空的。
過去三年其實是一條三級跳的路：chatbot（你問它答）→ copilot（在旁邊幫你補完）→ autonomous agent（自己拆解目標、用工具、跨步驟執行）。2026 年的 agent 被重新定義成「有持久狀態、能呼叫工具、能自主多步規劃」的系統——跟 chatbot 的差別在於「agency」（它真的去做動作），跟 RAG 的差別在於「sequential reasoning + tool use」（一連串推理加反覆用工具）。
要量化這個轉變，有個我覺得最值得記住的單一指標：AI 能獨立完成的任務時長，大約每 7 個月就翻一倍。 研究機構的數據 顯示，agent 能扛的工作正從「分鐘級」邁向「小時、天、甚至週級」。2026 被視為從「短互動 chatbot」轉向「long-horizon 系統」的拐點，就是這個意思。
但更深一層、也更影響你怎麼押注的轉變是這個：能力下沉，框架變薄。 以前 agent 的本事要靠外部框架堆——複雜的 prompt 鏈、人工編排一堆步驟。現在 reasoning model 把「規劃 + 用工具 + 反思」這些能力內化進模型本身了，框架的角色從「補模型的不足」退化成「給模型一個乾淨的執行環境」。產業界把這件事濃縮成一句口號：Own your harness, not just your model——你能掌握的資料、eval、流程才是護城河，模型本身遲早被商品化。
附帶一個會改變成本結構的趨勢：異質模型分工正成為工程常識。前沿模型負責複雜推理與編排、中階模型處理標準任務、小模型扛高頻執行。有預測認為 到 2027 年底，小型或開放權重模型會承接 60 到 80% 的 agent 推論量（現在約 20%）。對成本敏感的場景，這是好消息。
二、coding agent 三分天下：別問誰最強，問誰統治哪一塊
對開發者來說，agent 最有感的戰場就是 coding。到 2026 上半，這塊市場已經收斂成「五家主導 production 開發者的對話、其餘退守利基」。但最重要的洞見是：別問哪個最強，要問各自統治哪一類。 市場分成三類，三巨頭剛好各據一類。
| 類別 | 代表 | 形態與強項 | SWE-bench Verified |
|---|---|---|---|
| Terminal agent | Claude Code | 跑在終端機、直接存取檔案系統/shell/git，1M token context 可吞整個 codebase、推理跨檔依賴 | 約 80.9%（coding agent 中領先） |
| Async 背景工人 | OpenAI Codex | 派任務 → 開沙箱 VM、clone repo、自主跑完 → 交回一個 PR；主打多代理平行與長時程編排 | 約 80%；Terminal-Bench 2.0 領先 77.3% |
| IDE copilot | Cursor 3（2026-04 發布） | 專屬 Agents Window，從「一檔一代理」變「跨 repo 同時跑多個平行代理」 | — |
數字來自 2026 年的多份 coding agent 評測 。你會注意到一件事：純看 SWE-bench 分數，前兩名差距已經很小了。這呼應了一個更大的趨勢——當大家模型分數都在伯仲之間，差異就不在「誰聰明」，而在「形態跟你的工作流合不合」。
而最值得玩味的生態變化是：它們正在變成可組合的堆疊（composable stack），而不是互斥的競爭者。 The New Stack 觀察到 ，2026 年 4 月第一週，Cursor 重建了平行代理介面、OpenAI 發布了能跑在 Claude Code 裡面的官方 plugin、早期採用者開始三個一起用。多數 production 團隊的真實用法是：Cursor 跑日常 IDE 流、Codex 丟去跑背景自主任務、Claude Code 處理需要深度 codebase 脈絡的複雜重構。 工具不再是「選一個」，而是「組一套拳」。
三、錢與熱度：市場數字確實很猛
先把熱度這一面講完，等等再潑冷水。
錢的部分是真的多。全球 AI agent 市場 2026 年約 109 億美元（2025 是 76 億），往 2030 年看上看 503 億美元 ；樂觀情境下，agentic AI 到 2035 年可佔企業應用軟體營收近 30%、超過 4,500 億美元。拉到整體 AI 投資，IDC 預估 2025 到 2029 年 AI 支出年增 31.9%，2029 年達 1.3 兆美元，主要驅動力就是「管理 agent 群隊（fleets）」的應用。
採用率也確實在爬，而且產業之間差很多：領先的科技與金融服務採用率衝到 78 到 88%，遠高於傳統製造或公部門；區域上北美 2025 年就吃掉 39.6% 的市場。主要玩家從 Google、Microsoft、AWS、Apple、Meta、NVIDIA、Salesforce 到中國的 Alibaba、Baidu 全員到齊，模型層則是 Anthropic、OpenAI、Google DeepMind 三強領跑。
數字攤開來看，你很容易得到「agent 已經贏了、全面落地了」的結論。
先別急。這些漂亮數字裡藏了一個定義陷阱——「採用」「部署」「在 production 跑」這幾個詞，在不同報告裡指的根本不是同一件事。下一段就把這個陷阱挖開給你看。
四、但是……88% 上不了線的殘酷現實
來了，潑冷水時間。
MIT 2025 年的「GenAI Divide」報告 （MIT NANDA initiative，2025 年 8 月）直接給了一個讓人冒汗的數字：95% 的企業 GenAI 試點沒有產生可衡量的 ROI。 聚焦到 agent：88% 的 pilot 從沒上過 production；真的部署的那些，也只有 41% 在 12 個月內轉正、19% 永遠回不了本。
但這裡有個關鍵，請務必聽進去：失敗的根因幾乎都不是模型能力。 可靠性分析引述的根因拆解 ——約 41% 來自成功標準不清、約 33% 來自工具或資料存取不足、約 26% 來自 eval 覆蓋漂移。全是 scoping、治理、ownership 的問題。模型早就夠強了，是我們的工程紀律沒跟上。
為什麼 demo 都很神、一上 production 就拉胯？因為這道鴻溝是結構性的，不是調一調就能補。研究指出 實驗室 benchmark 跟真實部署之間有約 37% 的效能落差，相近準確度下成本可差 50 倍。道理很簡單：每個 demo 都建在乾淨輸入、合作的使用者、定義好的場景、受控環境上，而真實世界一樣都沒有。
我得補一句平衡的話：也有來源（如 ibl.ai ）宣稱 80% 的企業 AI 部署已顯示可衡量 ROI。差這麼多，多半來自「部署」定義寬鬆跟樣本偏差。所以你看這類報告時，第一個要問的就是：它說的是 pilot 還是 production？ROI 怎麼算的？整體共識仍然是那句老實話——PoC 很多、production 很少、ROI 很難。
Gartner 那句「40% 的 agentic 專案會在 2027 年前被砍」，砍的不會是技術做不到的專案，而是「當初根本沒想清楚要解什麼問題、沒有 eval、沒有人 own」的專案。這跟第一線工程師的體感完全吻合：能跑 demo 騙到預算的很多，能撐過六個月真實流量的很少。
五、地基正在灌漿：MCP、A2A 與協定標準戰
撇開炒作，2025 到 2026 年真正在默默改變遊戲規則的，是基礎設施——協定標準化。這件事不性感，但它是「agent 經濟」能不能成立的地基。三個層級各有贏家，而且都被收進 Linux Foundation 治理：
| 協定 | 解決的層級 | 現況 |
|---|---|---|
| MCP（Model Context Protocol） | agent ↔ 工具/資源（DB、API） | 已贏得工具層：累計上千萬次下載、上萬個社群 server，Anthropic/OpenAI/Google/Microsoft 全採用；由 Linux Foundation 的 AAIF 治理 |
| A2A（Agent-to-Agent） | agent ↔ agent 協作 | Google 2025-06 捐給 Linux Foundation，50+ 夥伴（AWS、Microsoft、Salesforce、SAP）；agent 間協作的領先標準 |
| ACP（Agent Communication Protocol） | agent 間通訊（極簡派） | AGNTCY 聯盟（Cisco、LangChain、LlamaIndex、Dell、Oracle、Red Hat）；哲學是「標準 REST HTTP + 最小必要協調」 |
MCP 的勝出尤其關鍵。如果你這一年有在用 Claude Code、Cursor 或任何接了外部工具的 agent，你其實已經天天在用 MCP 了。相關協定調查 指出，這套東西的下載量跟生態規模已經到了「事實標準」等級——它就是 agent 世界的 USB-C。
更值得注意的收斂訊號：Google、Anthropic、Microsoft、Salesforce 已經承諾共同推進協定演進，第一份聯合互通規範預計 2026 Q3 出爐 。對開發者的實際意義是——平台切換成本下降、被單一廠商鎖死的風險降低。這也正是前面「own your harness」能成立的前提：當工具層、協定層都標準化了，你才有底氣把護城河押在自己的流程跟資料上，而不是綁死在某一家。
六、2027 會走到哪？三個我敢下注的方向
預測本質上都是在賭，但有三個方向我覺得勝率夠高，敢拿出來說：
一、任務時長繼續翻倍，harness 成為核心競爭力。 分鐘 → 小時 → 天，long-horizon agent 會從研究走向落地。當 agent 要連續工作好幾天，「怎麼讓它跨 session 不失憶」（記憶、進度、環境設計）的價值會超過「模型本身多聰明」。誰的 harness 設計得好，誰就贏。
二、客製 agent 打敗通用座位。 產業預測 認為，在非平凡的規模上，「為特定業務打造、當成 IP 擁有、織進工作流」的客製 agent，經濟學會贏過「租一堆通用 agent 座位」。配合小模型接手 60 到 80% 推論量、on-device 與 VPC 內推論興起，自建的成本只會越來越低。
三、會用的人跟不會用的人，差距 2028 年拉開。 同一份預測也警告，2026 到 2027 年建立起多代理編排能力的組織會築起可持續優勢；拖到「等能力成熟再採用」的，2028 年會嚐到明顯的競爭劣勢。但別忘了 Gartner 的冷水——40% 專案 2027 前會被砍。能活下來的，永遠是那些「成功標準清楚、有持續 eval、安全內建、有人 own」的專案。
把三個方向收成一句話：未來 18 個月的決勝點，不在「等更強的模型」，而在「現在就把工程紀律建起來」。
收尾：在炒作與現實之間，工程師該怎麼站
回到開頭那個精神分裂的市場。金礦跟墳場，其實是同一座山的兩面——差別只在你帶不帶工程紀律上山。
作為工程師，我給自己的站位是這樣：對能力樂觀，對落地保守。 模型的進步、coding agent 的成熟、協定的標準化，這些是真實的紅利，該興奮就興奮、該用就用、該組合拳就組合拳。但每次看到「51% 企業已導入」這種數字，先問一句「導入的定義是什麼」；每次有人要你押注「等下一代模型就解決了」，先想想那 88% 上不了線的，缺的從來不是模型。
別當追著 demo 跑、被漂亮數字牽著走的人，也別當酸所有 agent 都是泡沫的犬儒。站在中間那條線上——用得夠多、看得夠清、做得夠扎實。 這座山值得爬，只是別空手上去。
想知道「工程紀律」具體是哪幾件事、怎麼動手做？我把 context engineering、single vs multi-agent、eval、lethal trifecta 安全這些實戰原則寫在姊妹篇〈AI agent 老是半路崩掉？問題不在模型，在你少做了這六件事〉，接著看剛好。
參考資料
- Accelirate — Agentic AI Statistics 2026: Global Enterprise Adoption and Market Insights
- Grand View Research — AI Agents Market Size And Share, Industry Report 2033
- Fortune — MIT report: 95% of generative AI pilots at companies are failing （MIT NANDA「GenAI Divide」報告，2025-08）
- Inovabeing — Why AI Agents Fail in Production: The Reliability Gap in 2026
- Kili Technology — AI Benchmarks 2026: Top Evaluations and Their Limits
- Requesty — Agentic Coding Tools Compared 2026
- The New Stack — Cursor, Claude Code, and Codex are merging into one AI coding stack
- Zylos Research — Long-Running AI Agents and Task Decomposition 2026
- Zylos Research — Agent Interoperability Protocols 2026: MCP, A2A, ACP
- arXiv 2505.02279 — A Survey of Agent Interoperability Protocols
- Bananalabs — The Future of AI Agents: 10 Predictions for 2027 and Beyond
沒有留言:
張貼留言