Agent 上生产线：一半公司已跨过，卡在哪

关于企业 Agent 落地，2026 年最不缺的就是数字，最缺的是「这个数字量的是什么」。我先把能查到原始定义和样本的几个列出来，再谈卡点——顺序反了容易被带偏。

有据可查的几个数

57% 的公司已经有 Agent 在生产线跑。 LangChain 的《State of Agent Engineering》，2026-06-12 发布，调查窗口是 2025 年 11 到 12 月，样本 1340 名从业者。同一份里还有：质量与可靠性是被提到最多的障碍；89% 的团队在用可观测性工具，只有 52% 在跑评测。

这组数字里最值得记的是最后一条的落差：看链路的人比做评测的人多得多。看得到 Agent 干了什么，不等于能判断它干得对不对。

「95% 的企业 AI 试点失败」——不建议引用。 这个说法出自 MIT NANDA 2025 年 7 月的一份报告，被引得很广。原始材料是 300 多个项目的梳理加 52 次访谈，并没有一个稳定的分母，它不是一份「统计了 285 个失败案例」的清单。当作定性参考可以，当作失败率不行。

「40% 以上的 Agentic AI 项目会在 2027 年底前被取消」——注意这是预测。 Gartner 2025 年 6 月的新闻稿，是前瞻性判断，不是已经观测到的取消率。另外 Gartner 2025 年 2 月那份 60% 的弃用预测，适用范围限定在「缺乏 AI-ready 数据」的项目上，脱离这个前提引用会失真。

42% 的组织在上线前停掉了大多数 AI 概念验证。 S&P Global 2025 年 5 月，有效样本 878（总量 1006）。这是这堆数字里少数直接问「你们停没停」的。

约 6% 是「高绩效者」。 McKinsey 2025 年 11 月，n=1993，定义严格：要能把收益算到 5% 以上的 EBIT 上才算。所以「80% 说提效、只有 6% 赚到钱」这类标题，两个数用的是完全不同的尺子。

从这些数里能得出的判断

把上面几条并排看，2026 年的实际情况是：上线不是稀缺事件，稳定运行才是。 一半以上公司有 Agent 在跑，但只有半数左右做了评测。也就是说，大量在生产线的 Agent，其质量结论来自人工抽查和告警，不来自可重复的判断。

三类真实卡点

一、可靠性：不是模型不稳定，是链条太长

一次 Agent 调用可能包含：规划、若干次工具调用、若干次重试、最终汇总。这里不引外部数字，只按一个假设算：单步 95% 的成功率，串十步只剩 0.95¹⁰ ≈ 60%，串二十步剩 36%——链条长度本身就是可靠性指标。工程上能做的不是「挑更准的模型」，而是把链条缩短：能用一次函数调用解决的，不要让模型规划五步。

我在实践里的取舍是，把流程切成两段——模型只做需要判断的那一步，其余用确定代码写死。多数所谓 Agent 需求，真正需要模型参与的只有一两个节点。

二、验证：看得到链路，判不了对错

89% 用可观测、52% 做评测，这个落差就是卡点本身。补起来不需要多重的工具，最少三件东西：

1. 一组固定的评测样本，来源是线上真实输入，几百条起步。
2. 一个能自动执行的判定标准——格式校验、字段抽取比对、或者规则断言都行，别一开始就追求「让另一个模型来评」。
3. 上线门槛：换模型或改提示词必须跑完这一组，跑不过就不放流量。

第 3 条是真正的分水岭。前两条多数团队做得到，第三条做不到是因为没人愿意让评测挡住发布节奏。

三、权限：Agent 拿到的是谁的凭据

这是我认为最被低估的一条。Agent 要调工具，工具要访问系统，那它用哪个身份？常见的三种答案都不对：

做法	问题
复用运维账号的凭据	权限远大于任务所需，且审计里分不清人和 Agent
用调用用户的凭据	用户不在线时任务跑不完，长任务无法续期
全局服务账号	所有 Agent 共享一个身份，出了事故无法定位到具体调用方

能落地的做法是给 Agent 单独发身份，权限按工具维度授予、按任务作用域收窄，并且默认只读——写操作要么走人工确认，要么限制在明确圈定的资源范围内。这一套在 API 网关时代就有成熟做法，只是过去没用在非人主体上。

一件现在就能做的事

如果只做一件事，我会选：给当前跑在线上的 Agent 加一个最小评测集。

不需要平台，一个能重复执行的脚本加一份样本文件就够。价值在于它把「最近感觉有点不对」变成「上周通过率 91%，这周 78%」。有了这个尺子，前面说的可靠性优化和权限收紧才知道有没有效果——否则所有改进都只是换了个说法。