2026年政府工作报告首次写入"智能体"，但65%的企业还卡在"安全"和"稳定性"上
2026年3月，全国两会。
《政府工作报告》出现了两个字，让整个科技圈炸了锅——"智能体"。
这是中国历史上第一次，将"智能体"写进政府工作报告。原文表述是："深化拓展'人工智能+'，促进新一代智能终端和智能体加快推广。"
与此同时，国务院《关于深入实施"人工智能+"行动的意见》定下量化目标：到2027年智能体应用普及率超70%，2030年超90%。工信部八部门专项行动进一步提出，到2027年推出1000个高水平工业智能体、打造100个工业高质量数据集、推广500个典型应用场景。
政策层面，这是一场全面总动员。
但把视线转向产业一线，故事完全是另一个版本。
35万颗星标背后的"数字养虾"狂热
就在政策定调前几个月，一个名叫OpenClaw的开源项目，在全球掀起了一场"数字养虾"运动。
2025年底，奥地利退休程序员Peter Steinberger写了一个能让AI直接操作电脑桌面的脚本。原理不复杂：AI像人一样看屏幕、点鼠标、敲键盘，7×24小时无人值守执行任务。
但就是这样一个脚本，截至2026年4月初，GitHub星标数突破35万，超越Linux内核等经典项目，创下GitHub历史最快星标增长纪录。
腾讯一天连推QClaw、WorkBuddy等五款产品；阿里发布CoPaw与JVS Claw；百度推出移动版红手指Operator和零部署DuClaw服务；字节、小米、智谱等十余家科技巨头密集入局。
资本市场也在追着跑。
从政策制定者到科技巨头，再到开源社区，所有人都在喊一句话：AI智能体的时代来了。
但企业的顾虑清单长达16项
然而，在中国通信工业协会数据中心委员会×科智咨询对127家企业的调研中，画风陡转。
科智咨询列出16项阻碍AI智能体规模化应用的原因。排在前列的，不是行业通常担心的"成本太高"或"ROI难以验证"——而是安全和技术稳定性。
执行复杂任务不稳定，多步骤流程易中断——这是企业最头大的问题。大模型固有的幻觉率问题没有完全解决，意味着智能体在金融交易、实时风控等关键场景中，你敢让它全自动跑吗？
智能体权限过大，存在安全风险——白皮书指出，开源框架OpenClaw已暴露出大量恶意插件注入风险。中国互联网金融协会、国家互联网应急中心接连发布风险提示，强调它可能成为窃取敏感数据、非法操控交易的突破口。
系统兼容性差，与现有软件集成困难——不同软件平台的API接口标准不一，企业想用智能体，先得做大量定制开发。
数据孤岛问题突出，跨组织数据协作困难——A2A、MCP等协作协议的普及度仍不足，多智能体协同难以跨平台实现。
白皮书的结论很直接：阻碍AI智能体大规模应用的核心瓶颈，不是模型不够强，而是技术稳定性、安全合规、成本控制和生态协同四大坎还没迈过去。
政策给了油门，路还没修好
这种"冰火两重天"的状态，本质上不是矛盾。
政策端做的事，是给出方向、定下基调、释放信号——告诉产业"这条路值得跑"。但产业端面临的问题，是路上还有坑。
白皮书列出了四类坑：
技术坑：跨系统集成困难，多步骤任务执行成功率不稳定，响应延迟偏高。大模型的幻觉问题放到企业决策场景里，每一个错误都可能带来真金白银的损失。
安全坑：智能体被赋予的系统权限越高，被恶意利用的风险越大。绝大多数智能体缺乏完整的操作日志与审计机制，"出事了谁负责"这个问题还没有答案。
成本坑：智能体每执行一个任务都要多次调用大模型，API调用与算力成本随任务复杂度指数级增长。多数企业还在试点阶段，投资回报周期普遍在6个月以上，规模化部署的经济账算不清楚。
协同坑：不同厂商的智能体之间无法互通。一个企业可能用A厂商的客服智能体、B厂商的数据分析智能体，但两者之间没有统一的协作协议。
产业服务的核心命题
"政策首提"是个信号，但不是答案。
对产业服务来说，接下来的核心命题不是"要不要用AI智能体"，而是怎么用对、用好、用安全。
白皮书给了一个很实在的框架：可靠的技术底座、场景适配与数据治理、可验证的商业模式、可信赖的安全治理，四者缺一个都跑不远。
具体到执行层面，白皮书建议优先选择高频、高价值、ROI可量化的场景做试点——比如客服、数据分析、软件开发。这些场景的共同特点：涉及大量重复性工作，效果可衡量，不会一步踩进安全雷区。
政策给了加速的油门，但路还得一公里一公里地修。
对于正在考虑部署AI智能体的企业，比"什么时候上"更重要的，是先回答三个问题：
你的数据基础够不够支撑智能体做出可靠决策？ 你的安全边界划清楚了吗——智能体可以操作什么、不能碰什么？ 你选的第一批场景，能不能在3个月内看到可量化的回报？
这三个问题答不上来，政策再热，也只是看别人家的热闹。
数据来源：中国通信工业协会数据中心委员会×科智咨询《AI智能体赋能行业决策：趋势与实践白皮书（2026）》，调研样本N=127
