五分之一企业无法实时叫停失控AI智能体的支出

企业AI团队已停止押注单一编排平台。目前中位数企业同时运行三个平台——这并非偶然，而是因为它们均不完全信任任何单一供应商来主导整个流程， 根据VB Pulse数据。

这不仅是为了避免供应商锁定并保持灵活性（尽管这是其中很大一部分原因）。企业在供应商的安全性和权限管理能力方面仍存在大量不确定性，甚至不信任。企业希望拥有施加自身权限管控的能力。

微软当前在主要使用率方面居首，而Anthropic则在企业下一步考虑采用的平台中以显著优势领先。但企业仍在诸多挑战上举步维艰，尤其是关于Token用量及对智能体支出的可见性。

这些发现源自一项 持续进行的分析 ，该分析聚焦于企业实际部署和使用AI的方式：其首选平台、决策依据、优先事项、AI预期、成本控制方法，以及其AI是否真正具备智能体（agentic）能力，抑或仅是贴着“智能体”标签的聊天机器人。

VB Intelligence正从一线建设者那里获取反馈：软件与机器学习（ML）工程师、产品与项目管理者，以及数据/AI/分析领域的副总裁和总监。

关于维持可见性与控制权的担忧

在107家企业中，智能体编排已明显呈现多元化态势。调查显示，大多数企业并未承诺采用任一单一模型：85%的企业正在使用两种或更多编排工具；64%的企业正在使用三种。仅有15%的企业仅运行单一编排平台。

微软AI Foundry/Copilot Studio出现在70%的技术栈中，OpenAI的Agents SDK出现在68%，Anthropic的Claude Platform出现在47%。受访建设者也在一定程度上使用谷歌的企业智能体平台（Enterprise Agent Platform）、LangChain/LangGraph、Salesforce Agentforce、Amazon Bedrock以及LlamaIndex。作为对供应商工具的补充，22%的建设者运行自研内部编排系统。

这种混合能力（hybridability）趋势预计将持续下去。超过半数受访者（53%）表示，到2026年底，其主要控制平面将为混合式。14%的受访者预计采用由供应商托管的服务，13%计划构建自研内部控制平面，11%则押注于与模型供应商解耦的外部平台。

与此相呼应的是，超过三分之二的受访者计划在未来一年内更换平台：15%将在未来三个月内（或更早）更换，24%将在三至六个月内更换，28%将在六至十二个月内更换。Claude Agent SDK是当前最受关注的工具之一；43%的建设者正在探索Anthropic构建的该模型。约三分之一的建设者正在考察谷歌的企业智能体平台，另有31%专注于自研内部编排，25%正在调研OpenAI的选项。

或许从早期云时代供应商锁定的教训中汲取了经验，企业并未选择一个“赢家”。它们正有意识地构建一种未来架构：多个编排平台、多个模型及多个智能体可在混合控制平面下彼此协同工作。

总体而言，受访者对其正在运行的平台普遍满意，整体满意度评分为5分制中的4.17分。但他们在实施难易度（评分为5分制中的3.91分）和性价比（3.63分）方面的满意度较低。随着编排平台与AI路线图日趋成熟，请持续关注这些评分变化。

企业资金投入方向

当前企业采购逻辑基于多种因素的综合考量。除灵活性（29%的受访者提及）外，首要考量因素还包括安全性与权限管理（17%）、生产环境可靠性（15%）以及对智能体执行过程的控制权（15%）。仅有十分之一的受访者认为“模型引力”（即与最先进基础模型的原生对齐能力）在采购决策中重要；8%提及开发便捷性，4%提及总拥有成本（TCO），仅2%提及延迟与内存性能。

支出结构也反映出企业对可见性、安全性与控制权的优先重视。建设者在智能体监控与调试（31%）及安全与权限强制执行（30%）两方面投入最多。工作流工具占另外19%。这一格局较此前一个月 VentureBeat上一轮调查发生了转变，在上一轮调查中，工作流工具曾直接领跑编排支出。

企业主要优化目标集中在任务完成可靠性（30%）、多步骤工作流管理（27%）、开发者生产力（23%）及运营稳定性（13%）。仅有7%的受访者将终端用户体验列为当前首要优先事项，表明许多企业现阶段仍聚焦于编排本身，而非用户体验（UX）。

本质上，企业正发出信号：当工作流能完整承载多个步骤直至完成时，才算成功。待平台真正落地后，简化开发与终端用户体验可能成为更受关注的问题。

可见性难题

建设者在选择平台时最核心的关切集中于控制权与监督权。他们不希望供应商限制其查看智能体在特定平台上具体行为的能力。最受关注的因素包括安全性与权限管理限制（37%）、供应商锁定（23%）、可见性与可观测性不足（22%），以及模型与工具选择的灵活性受限（16%）。

与此同时，在AI智能体发展的早期阶段，企业仍难以管控智能体的Token用量；五分之一的企业至今仍无法实时终止失控智能体的支出。

建设者正采用多种策略试图控制智能体支出：30%依赖平台原生控制机制（如内置预算上限或限流功能），25%已构建自定义网关管道（即代理中间件，用于拦截失控智能体）。

四分之一的受访者采用动态路由策略，将繁重任务卸载至低成本模型；21%仍仅依赖事后日志等反应式监控手段；这些企业尚无实时终止开关。

一项有趣发现是：与上一轮调查不同，组织规模对财务管控成熟度影响甚微——员工人数超万人的企业中，仅18%仅采用反应式管控，而较小规模企业中该比例为23%。

显然，尽管企业已认识到支出问题，但许多企业尚未在其技术栈中部署相应工具以有效约束支出。

大多数企业仍未运行真正的多步骤智能体

受访建设者被要求如实评估其技术栈；共识似乎是：“智能体”正缓慢但坚定地超越那些仅披着更炫酷标签的聊天机器人。

具体数据如下：极少数受访者（2%）报告其76%至100%的系统已属先进且高度自主；14%表示其51%至75%的系统为复杂多智能体流水线；47%报告其26%至50%的系统属于真正的编排。

在另一端，35%的受访者表示其仅1%至25%的系统属于真正的编排；多数部署仍为基础助手，另有3%的企业仍在仅部署聊天机器人。

这与 VentureBeat 6 月 Pulse 调查结果一致：71% 的受访者表示，其已部署的“智能体”中，仅有四分之一或更少能够自主完成多步骤工作；仅十分之一的受访者表示已大规模部署智能体。

毫无疑问，企业正在构建智能体的控制平面和基础设施；但对其中许多企业而言，真正的智能体浪潮仍遥遥在望。