2026世界人工智能大会(WAIC 2026)，西门子将首发Eigen工程智能体，主打读懂产线、设备协议和工艺知识。同一个月，广东和京东产发签约，机器人产业园在广州开工;湖北、海通证券这类政务和金融机构，还在为权限、审计、留痕这些事较劲。
大家都在做Agent，做的却是完全不一样的生意。
这也是很多企业选型时的困惑，场景看起来差不多，都是理解任务、调用工具、给出结果，为什么换一个行业，排在前面的公司就换了一批?开发者圈子聊Codex、Claude Code、MCP协议，银行聊私有化部署和人工复核，制造业聊设备协议和MES对接。
智能体表面比的是模型，真正决定谁能站住脚的，是模型之外那一大截东西。
代码世界有编译器，业务世界没有
代码智能体最先让人觉得Agent真的能干活。代码有语法规则，有版本库，有编译器，有测试用例。智能体写完一段代码，不用等业务专家凭感觉打分，直接跑一遍测试就知道对不对。Codex能读取代码库、改文件、跑测试、准备代码审查;Claude Code在终端里读文件、执行命令，通过MCP接外部工具。两者的共同点，是已经嵌进开发者每天在用的工具链，而不是聊天聊得好。
犯错的代价也可控，一次糟糕的重构，通常先停在分支代码或者待审核的PR里，还有回退的机会。
财务凭证没有编译器，授信审批没有单元测试。软件世界的报错可以重跑，金融和政务系统里的一次误操作，可能直接牵扯资金和合规责任。反馈链条越短、试错成本越低的领域，智能体越容易先跑起来。这也是为什么代码场景总是走在前面，而企业核心业务场景始终慢半拍。
同一个动作，背后担的责任决定产品形态
拿材料审核举例，在HR部门，审的是简历和学历，在银行，审的是身份和授信材料，在政务窗口，审的可能关系到社保待遇和补贴资格。
演示画面里，三种场景做的事情看着差不多：读取材料，提取字段，对照规则，标记异常，给结论。
真正落地，差别就出来了。银行要清楚智能体调用了哪些数据、依据哪一版制度、谁批准它接触客户信息;政务系统要留经办轨迹，处理跨部门授权;企业内审更关心成本和能不能接现有OA、财务系统。
选智能体，不能只看它会不会审核，还要接着看：审的是什么材料，依据什么规则，能碰哪些数据，结果谁签字，出错怎么撤回。这几个问题一加，看起来相同的场景，已经变成几种完全不同的产品。
MCP打通了连接，打通不了治理
MCP走红，让不少人觉得智能体接企业系统的门槛一下子低了。这确实是事实，统一协议省掉了大量重复的接口开发。
但企业系统真正麻烦的地方，很少是有没有接口。一家银行把客户系统、合同系统都接进智能体，不等于所有智能体都能随便调。谁能查客户资料，谁能发起审批，谁能执行转账，仍然要受岗位、部门、数据范围的约束。
MCP让门更容易被找到，钥匙怎么分，还得企业自己定。接完之后至少还有四件事要处理：权限怎么继承，敏感操作要不要二次确认，调用怎么留痕，任务失败怎么回滚。
这也是为什么模型能力一路狂飙，行业智能体市场却没有被几家模型公司迅速通吃。模型厂商懂推理，云平台懂算力，业务软件厂商懂数据结构，自动化厂商懂跨系统执行。谁能在一个行业站住，看的是这个行业最难补的那块能力，恰好落在谁手里。
制造业的难题在物理世界，金融和政务的难题在权限边界
制造业的麻烦在于数字世界和物理世界拧在一起。智能体要读设备状态、查生产计划、连MES和ERP，一条建议有没有价值，取决于它懂不懂工艺约束和生产节拍。
西门子这次带来的工业AI编排软件Intelligence Center X，官方给出的数字是帮客户把重复性手工作业负荷降低95%，生产问题处置效率提升85%。这类软件走的是整合数据、模型、工作流的路子，靠的是几十年积累的设备连接和工程知识。今年6月揭晓的2026中国AI智能体领航者榜单里，双汇的安全运营智能体每月处理亿级安全告警，告警消减率99.94%;牧原的猪群健康智能体靠声纹识别提前7天预警呼吸道疾病。这些案例的共同点是智能体扎进了具体的工艺和现场数据里，而不是停留在对话框里。
金融机构和政务系统的难点不太一样，但殊途同归——都是权限边界的问题，只是要锁住的东西不一样。真正卡住金融机构智能体上线的，常常是数据能不能出域、操作合不合规、关键节点能不能被人接管。一家券商可以让智能体整理研报，但来源不明的数据不能直接进结论;一家银行可以让智能体给出经营建议，但访问客户信息的范围必须锁死。
政务场景要守的是公共资源分配和经办责任。一项社保待遇能不能发放，一笔补贴该不该通过，智能体给出的判断背后必须有清晰的授权链条和可追溯的责任人，跨部门协同时更是如此，这也是为什么政务智能体往往不是在优化一个任务，而是在重新梳理一整套经办规则。
监管也在收紧口子，《人工智能生成合成内容标识办法》已于2025年9月1日起施行，对内容标识责任作出明确规定，这个信号很明显，AI进业务，产出内容和执行动作都要能被追溯，责任要落到人。
同一个智能体，在工厂要解决的是能不能靠近现场，在金融机构先要回答会不会越界，那么龙头自然不是同一批。
入口、执行力和行业纵深，三条路线各有主场
财务、人力、采购这些场景，工作本来就发生在ERP、CRM、OA里。用友、金蝶、钉钉这类厂商天然占着入口，也更懂系统内部的数据结构。
但企业的真实流程很少只待在一套系统里，一笔报销可能从邮件和发票开始，经过OCR识别、差旅系统核验、财务入账、OA审批，最后进银行系统，只在单一软件里表现好，不够用。
这就体现出流程自动化厂商的优势了，它们不重建企业已有的系统，而是在系统之间补执行链路。金智维的Ki-AgentS做的是企业级任务理解和多智能体编排，K-APA把高频流程沉淀成可复用的资产，再用RPA、API、MCP去接网页、桌面端和缺接口的存量系统。这条路线的关键，是把过去攒下的执行能力，接到了模型后面。模型能决定下一步做什么，真正登录系统、下载材料、回填字段、留凭证，还得靠一双足够稳的手和脚。
国资委79号文要求金融、政务、能源这些关键行业在2027年底前完成信创国产化替代，这类要求会进一步把选型标准往能不能在自主可控环境里稳定跑上推，不只是能不能对话，还要在长期无人值守的情况下不出岔子。
这类"稳定跑"的能力，很少是短期内堆出来的。海通证券的自动化平台已经覆盖了运营、零售、财务、清算、估值、报送、监盘等多个环节，服务总部20余个部门，上线一千多个流程。这个案例发生在智能体走红之前，恰好说明一件事情：企业智能化不是模型出现那天才开始的，能真正跑在生产环境里的智能体，往往站在既有流程和系统连接的基础上。湖北社保的实践从另一个方向验证了同一个道理，覆盖自动经办、对外交互、内部风控、统一管理和智能话务，一个金融、一个政务，恰好对应我前面说的两种权限边界，也对应79号文点名的关键行业。
模型在升级，地基不会清零
模型每升级一次，市场好像就要重新洗牌一次，这其实是大家的一种错觉。
工业厂商花了很多年连设备和产线，企业软件厂商花了很多年理解财务和供应链，自动化厂商花了很多年处理跨系统流程，大模型来了，这些积累不会突然清零，反而成了智能体能不能落地的地基。
判断一个行业的智能体龙头，比模型跑分更值得看的是这几件事：它懂不懂这个行业的业务对象，能不能进企业已有的系统，调用工具时权限边界清不清楚，出异常能不能让人接管，一次成功的试点能不能变成可复制、可审计的组织能力。
从业务链路出发，厂商范围会自己缩小
现在最强的智能体是哪个?这个问题大概率问不出有用的答案。代码开发、财务审核、生产运维、客户服务、政务经办，对"最强"的定义完全不一样。
先画出自己的业务链路会更实际一点，看看哪些步骤要模型理解，哪些交给规则，哪些系统有API，哪些只能点页面，哪些数据能调，哪些动作必须审批，哪里能让智能体自己跑，哪里必须留人工闸门……
把这些问题理清楚，厂商范围通常会很快缩小。代码智能体、工业智能体、业务软件智能体、流程智能体不会很快变成同一种产品，它们可能共享相似的模型和协议，却长在完全不同的业务土壤里。
同一个场景跑出不同的行业龙头，不是市场混乱，是智能体终于走出了演示环境。
