过去几年，大模型的能力曲线一直向上，但经济增长并没有同步出现一条同样陡峭的曲线。Stanford 2026 AI Index 指出，AI 已经在一些具体任务中带来可测量的生产率提升，但这些局部的效率增长，还没有体现为整个经济层面的生产率增长。
模型能力与经济增长之间，本来就隔着很长的传导链。
MIT 经济学家 Daron Acemoglu 在《The Simple Macroeconomics of AI》中提出，如果 AI 的经济价值来自任务层面的降本增效，那么它最终能够带来多大的 GDP 和生产率增长，取决于两个关键变量：有多少经济任务真正受到 AI 影响，以及 AI 在这些任务上带来了多大的成本下降和生产率提升。
模型变强只是起点，它需要进入现实世界，完成足够多真正产生经济价值的任务。Agent 的出现，让这件事有了可能。模型配合 Harness，让 Agent 可以调用工具、执行动作，把模型能力转化为实际任务的完成。
正是观察到这些趋势，百度集团执行副总裁、百度智能云事业群总裁沈抖认为，“智能体有可能把大模型从一项技术变成真正的经济力量”，而其中“最关键的就是产业智能体”。
为什么是产业智能体？真正能够作用于企业经营的 Agent，仅有 Model + 通用的 Harness 框架还不够。
它还需要理解两类知识。一类来自企业自身，包括长期积累的数据、业务经验和内部规则；另一类来自产业，包括一个行业长期形成的专业知识、业务规律和共性要求。
百度将产业智能体定义为“智能体 + 产业系统”：将企业的知识、数据、流程、工具和业务要求组织起来，让智能体能够在真实场景中交付结果，并在运行中持续进化。
那么，产业智能体具体如何进入企业、实现价值？
9 月 16 日，在人民日报文化科技有限公司与百度公司联合举办的 2026 智能经济论坛上，百度智能云给出了一套自己的方法和工具：发布行业首个产业智能体操作系统，并推出以百度搭子为基础的百度搭子开发平台，为企业开发、部署产业智能体提供产品和平台支撑。
智能体向企业业务深入，让百度全栈 AI 布局的价值也得到体现。智能体要在真实业务中持续交付结果，背后离不开模型、云和算力的共同支撑。当更多模型能力通过智能体进入企业生产经营，企业对 AI 基础设施的需求也会随之增长。对于百度而言，帮助客户兑现 AI 价值的过程，也在为其云和基础设施业务打开新的增长空间。
百度发布行业首个产业智能体操作系统，让智能体接入企业核心业务
要让智能体服务企业，首先得理解企业的工作。
福特流水线对制造业的改变，建立在对生产过程的理解和重新组织之上。工人负责什么，零部件如何流转，工序之间怎样衔接，都影响着工厂的产出。流水线的效率，来自对这些具体工作的逐一安排。
智能体进入企业，也要求智能体的提供者先做功课。企业每天在做什么，效率卡在哪里，哪些经验可以复用，哪些规则不能改变，都需要进入现场才能弄清楚，不能期待一套大而全的方案自动适应所有企业、所有业务。
基于多年服务企业的经验，百度观察到，企业约 20% 的任务属于日常运营，30% 属于专业领域，另外 50% 涉及真正决定企业经营的核心工作。
对此，百度分别由通用智能体、专业智能体和定制智能体承接这三类任务。
通用智能体处理的是企业内部广泛存在的基础工作。
收集和对齐信息、协调资源、经营分析等工作，本身不一定直接创造业务价值，却支撑着专业任务和核心业务向前推进。百度搭子承担这一角色的同时，也作为底座，组织其他智能体和企业工具共同完成任务。
这里有一个容易混淆的概念：通用智能体会处理大量办公任务，但不等同于办公智能体。
沈抖认为，过去企业在办公软件上投入了大量精力，员工也因此需要不断在不同工具之间切换、整理和同步信息。通用智能体带来的变化，是把这些办公能力逐渐变成随时可以调用的基础能力。需要梳理信息时，它可以整理上下文；需要分析问题时，它可以协助拆解。办公仍然存在，但更多能力会退到后台，员工可以把注意力留给专业场景和核心任务。
专业智能体承接的是具有共性的专业工作。
编程、组合优化、计算机视觉等领域，有相对明确的方法、工具和评价标准，专业能力可以在不同企业之间复用。
目前，百度已经形成专业智能体矩阵，包括 自我演化智能体百度伐谋、本体构建智能体百度胜算、应用开发智能体秒哒、企业级代码智能体文心快码、视觉智能体百度一见、营销智能体百度智能云 Hogee，以及全场景数字人智能体百度一镜。企业可以直接调用这些专业能力，减少重复开发。
定制智能体则需要理解企业自己的工作方式。
每家企业都有自己的流程、规则和经验。这些差异来自长期经营，本身也是企业竞争力的一部分。智能体要进入这样的核心业务，就必须接入企业专属的知识、数据和规则，按照企业自己的要求完成任务。
三类智能体解决了不同层次的问题，但如果彼此缺少连接，企业软件领域长期存在的“烟囱”问题，也可能在智能体时代重现。过去几十年，企业不断引入 ERP、CRM、供应链、财务等系统，每套软件解决一部分业务问题，也形成了相对独立的数据、权限和流程。如果今天引入的智能体同样各自为战，拥有独立的上下文、工具和入口，企业很可能在软件烟囱之外，再造出一批“智能体烟囱”。
产业智能体操作系统，可以从 OS 层级，破解“烟囱”问题。
产业智能体操作系统，向上会承接任务，组织合适的智能体参与；中间连接企业的数据、知识、权限和工具；向下则调度云上的算力、存储与安全资源。不同智能体由此能够在统一的业务规则和授权范围内，共同完成工作。
百度智能云可以将这套系统做成完整的解决方案，直接交付给企业。企业也可以基于百度的方案，结合自身数据、流程和经验，定制自己的产业智能体操作系统。
在产业智能体操作系统中，协作方式是这样的：专业智能体和定制智能体都可以作为 Skills，被通用智能体调用。比如百度搭子，就可以围绕任务组织这些能力，编排多步骤、多流程的任务，减少员工在工具之间传递信息、协调操作的工作。
芯片设计，是产业智能体操作系统如何让不同智能体形成合力的一个典型场景。
芯片设计中，布局规划和布局是两个前后相接的环节。前者确定主要模块在芯片上的大致位置，后者进一步安排具体电路单元。前一步的结果会直接成为后一步的输入，两个环节还需要共同遵守一系列设计约束。
过去，工程师既要判断设计方案，也要负责工具之间的交接。一个环节计算结束后，需要导出结果、导入下一个环节，重新核对约束、调整参数，再启动后续工作。
现在，搭子可以通过调用伐谋，将两个环节串联起来。伐谋负责专业求解和优化，搭子负责组织调用与任务衔接，让上一环节的结果直接进入下一环节。工程师由此减少了数据搬运和重复核对，可以把更多精力放在方案是否合理、关键指标是否达标上。
而要让这样的协作进入更多业务，仅仅连接不同智能体还不够，还需要接入企业已经运行多年的业务系统。
这也是产业智能体操作系统的意义，企业不需要为了部署智能体，推倒过去几十年建设的数字系统。通过 Skill、MCP 和连接器，ERP、CRM 等既有系统可以继续被调用，自建和第三方智能体也可以接入其中。企业过去积累的数据、工具和系统得以保留，同时避免不同智能体各自为战，形成新的“烟囱”。
百度搭子开发平台，把经过验证的工程能力交给企业
服务众多企业之后，百度智能云发现，企业定制智能体真正困难的往往是“最后一公里”：既要打通企业内部的权限、数据、系统和流程，还要让智能体理解业务上下文，在接入之后持续完成真实任务。
这意味着，企业定制需要的不只是一个能够推理的模型或智能体，还需要一套成熟的 Harness，处理上下文、工具调用、任务状态、运行环境和异常恢复，让智能体能够稳定执行，并形成开发、运行和改进的闭环。
此次发布的百度搭子开发平台，就是将这套工程能力进一步开放给企业。平台通过 DuMate Agent API 提供托管 Agent Harness 和生产级运行环境，覆盖智能体的构建、部署和运行。企业可以在此基础上接入自己的知识、工具和业务流程，并与百度搭子共享同一套 Harness 框架。
对于复杂的企业任务，Harness 的作用尤其明显。
这类任务经常跨越多个步骤和系统，执行时间也可能从几分钟延伸到数小时甚至更久。模型需要不断调用工具、读取新的信息，并把前序执行结果带入后续步骤。一旦任务超出单次上下文能够稳定处理的范围，如何保存进度、维护状态和验证中间结果，就会直接影响最终可靠性。
企业需要的可靠性，很大程度上就建立在这些工程细节上。一项业务运行数小时后丢失进度，或者未经验证的错误结果继续流入下一个环节，都可能带来返工甚至业务风险。模型负责推理和判断，Harness 则需要让任务状态可以延续、执行过程可以追踪，出现问题之后能够定位和恢复。
问题随之而来：这些基础工程，企业是否都需要自己做一遍？
企业最熟悉自己的业务，但未必有必要独立维护一套智能体执行框架。如果每开发一个应用，都要重新处理上下文管理、工具调用、任务状态、运行环境和异常恢复，大量开发资源就会消耗在重复建设上。
这也是百度搭子开发平台与搭子共用 Harness 的价值。搭子直接承接用户任务，也能调用专业智能体、定制智能体和企业工具完成执行；开发平台则把支撑这一过程的工程能力开放出来，让企业基于同一套框架构建自己的智能体。一个面向最终使用，一个面向企业开发，底层的工程能力可以复用。
复用的价值还会延伸到后续维护。Harness 并不是开发完成后便固定不变。模型升级以后，原有的上下文管理、任务拆解和工具调用策略未必仍然适用。
搭子升级之后，企业基于同一框架构建的定制智能体也能够共享相应的升级成果。对于企业而言，这降低了长期独立维护底层框架的压力。
具体能力上，百度搭子开发平台提供坚实的技术底座、企业级运行保障和安全可控三方面能力。平台采用与百度搭子同源的三层 Harness 和三层记忆架构，支持高并发运行和全链路可观测，并提供公有云、VPC、私有化等灵活部署方式。
平台之外，企业之间大量存在的业务差异，也为行业开发者留下了空间。公共的开发和运行能力由平台提供，熟悉具体行业的开发者和合作伙伴，则可以把专业知识和业务方法沉淀为 Skills、套件和应用。百度同时提出不向生态伙伴抽佣，让伙伴在生态里获得长期回报。
这意味着，企业不必独自承担全部定制工作，开发者也可以把投入更多放在实际业务中。
规模化运行，考验 Agent Infra 与算力供给
产业智能体操作系统解决了不同智能体如何进入企业、共同完成任务的问题，随着智能体数量增加，并逐渐进入更多、更深入的业务流程，对运行环境、模型推理和算力的需求也会同步增长，压力随之向底层基础设施传导。
当智能体从少量应用走向企业规模化运行，基础设施的负载也越来越重。大量 Agent 持续调用模型、工具和数据，在独立环境中执行任务，同时还要保证性能、安全和可追溯。百度在 Agent Infra 和算力基础设施上的长期投入，为产业智能体规模化运行提供了支撑。
这正好对应百度过去多年形成的全栈 AI 布局。从智能体运行到算力供给，这套体系覆盖了产业智能体规模化运行所需的关键基础设施。
最上层是通用、专业和定制三类智能体；中间是由 MaaS（Model as a Service，模型即服务）、智能体推理和 Agent Cloud 构成的 Agent Infra；底层则由百舸 AI 计算平台承接，并进一步延伸至超大规模集群和吉瓦级 AIDC（AI Data Center，人工智能数据中心）。
Agent Infra 首先需要具备足够丰富的模型供给和资源容量，支持 Agent 根据不同任务按需选择、切换和调用模型。企业的 Agent 不会始终使用同一个模型。复杂推理、代码生成、视觉理解和简单的信息处理，对模型能力、成本和时延的要求并不相同；模型本身也在快速迭代。如果 Agent 与某个模型高度绑定，模型升级就可能牵动上层业务。
因此，百度智能云将模型资源化。目前，平台提供超过 150 个顶尖模型，供智能体按需切换和调用。上层的业务流程、工具和知识体系可以保持相对稳定，底层则根据具体任务选择模型，并持续使用新的模型能力。
丰富的模型供给之外，Agent Infra 的另一个关键能力是推理效率。相比单次模型调用，Agent 执行复杂任务往往包含更长的推理链路；并且，链路越长，推理延迟和资源消耗越容易在整个任务中累积，最终影响 Agent 的执行效率和成本。因此，推理引擎的性能直接影响 Agent 完成复杂任务的整体表现。过去 6 个月，百度持续优化推理引擎，将智能体长链路推理性能提升 3 倍以上。
另外，为了提供企业放心敢用的运行环境，百度智能云还推出了 Agent Cloud。沈抖认为，Agent Cloud 要做到三个“极致”：极致弹性、极致安全、极致透明。
首先是弹性。Agent 任务随时产生和结束，执行环境也需要快速创建和释放。百度 Agent Cloud 支持万级沙盒百毫秒级热启动，让大量 Agent 可以随用随起。
其次是安全。由于工具调用、权限和数据访问贯穿任务执行全过程，安全防护需要覆盖 Agent 的完整运行链路。百度对智能体身份与权限进行统一管理，让安全覆盖从开发到运行的全过程，并提供工具级最小权限管理，限制不同 Agent 可以调用的工具和资源范围。
第三是透明。Agent 的执行链路更加动态，一项任务可能经过多个模型、Skill、MCP 工具和外部系统。一旦结果出现异常，企业需要知道任务经过了哪些环节、问题发生在哪里。
为此，Agent Cloud 提供全链路观测和追溯，并实时监控核心指标。企业可以沿执行记录定位异常和性能瓶颈。
支持产业智能体规模化运行，不止需要强大的 Agent Infra，也需要更高效能、更强性能的 AI Infra。随着模型推理需求和 Agent 任务持续增加，算力面临的问题已经不只是单颗芯片的性能，还包括如何把更多芯片组织起来，并以更快的速度建设和交付大规模算力。
国产算力正在承担越来越多这样的需求。
过去，国产 AI 芯片更多应用于推理，大规模训练还受到集群扩展、稳定性和软件生态等限制。现在，这个边界正在向前推进：国产算力不仅承载推理，也开始进入大模型训练、微调等场景。目前，百度的国产算力集群已经进入互联网、金融、制造、汽车、运营商等行业。
这种变化背后，并不只是单颗国产芯片性能的提升。随着万卡集群、超节点和配套软件栈逐渐成熟，国产算力已经能够把大量芯片组织成稳定运行的计算集群，并通过通信、算子、并行策略和推理引擎优化，提高集群的有效算力。
这也是百度继续投入超节点的原因。目前，天池超节点已经在全国多个智算中心进行千柜级部署，支持万亿参数模型训练，并服务智算中心、金融、互联网等客户。
目前，天池超节点已经实现全栈国产化，并开放架构、供电、散热、节点、互联、管理等核心模块的技术规范，让芯片、部件和整机厂商能够在同一套架构下协同，加快更多国产芯片的适配和部署。
AIDC 层面，沈抖判断，算力进入 GW 时代后，数据中心不再只是承载算力的配套设施，而是算力的重要组成部分。
为此，百度将供电、制冷、IT 和监控等能力做成标准化预制模块，在工厂完成建设后运往现场组装，将 AIDC 整体建设周期缩短 30% 以上，以适应未来几年算力规模快速增长带来的交付需求。
从单点算力，到超节点，再到支撑超大规模集群的 AIDC，算力供给正在变成一个系统工程。产业智能体运行规模越大，对模型推理和执行环境的需求越高，最终都会继续传导到底层算力。对于企业而言，Agent 能否规模化运行，也越来越取决于这些算力能否稳定、快速地被组织和交付。
这也让全栈 AI 能力的价值更加明显。能够同时覆盖智能体、Agent Infra、计算集群和 AIDC 的云厂商，可以从上层任务到底层算力统一优化，让不同层级的能力随着业务需求共同扩展。
企业兑现 AI 价值，云厂商才有增长
更强的模型、更高效的 Agent Infra 和更大规模的算力，解决的是产业智能体能不能跑起来、能不能规模化的问题。但这些基础设施最终能形成多大的需求，仍然取决于智能体能否真正进入企业业务。
产业智能体最终要回到企业的经营结果。
对于云厂商来说，只有 Agent 真正进入研发、生产和经营，为企业带来效率、成本、风险控制或业务增长上的改善，企业才会持续扩大使用，进一步产生模型调用、Agent 运行和算力需求。
这也意味着，智能体时代，云厂商与企业之间正在形成更深的关系。云厂商提供智能体、模型、Agent Infra 和算力，将 AI 能力送进企业的业务流程；企业在真实场景中使用这些能力，又不断产生新的任务和需求，推动模型、智能体和基础设施继续迭代。
这种相互带动已经体现在行业增长中。IDC 数据显示，2025 年中国企业级 MaaS Token 调用量从 114 万亿增长至 1944 万亿，约增长 16 倍。模型使用量的快速增长，企业对智算云基础设施的需求也急速扩张。
百度智能云过去几年积累的企业客户和行业经验，也成为其承接这一轮需求增长的基础。
目前，80% 的央企选择百度智能云、百度智能云在 2025 年中国央国企大模型及应用市场、大模型应用市场均份额第一；100% 系统重要性银行及 800 多家金融机构选择百度智能云；100% 中国主流车企选择百度智能云，中国自动驾驶解决方案市场份额第一；中国具身智能 AI 云市场份额第一，支持超过 50 家重点具身企业；中国 AI 游戏云市场份额第一，AI 游戏市场份额超过第 2 至第 5 名总和。
企业对 AI 使用的深入，也开始反映在百度智能云的业务数据上。
百度 2026 年第二季度财报显示，AI 云基础设施收入同比增长 50%，其中 GPU Cloud 同比增长 283%。基础设施收入的快速增长，反映出企业对训练和推理资源的需求持续增加。
产业智能体进一步进入企业业务，也会带来新的基础设施需求。一个真正进入生产经营的 Agent，往往需要持续访问企业数据，多次调用模型和工具，并在云端完成完整任务。随着企业部署更多 Agent，并将更多业务交给 Agent，对模型推理、Agent Infra 和底层算力的需求也会随之增加。
这也是全栈 AI 基础设施商业价值的一种体现。企业从智能体中获得价值，会把更多任务交给 AI，进一步产生模型调用和算力需求；模型能力、推理需求和算力规模继续提升，又能支撑智能体进入更多业务。原本分布在芯片、云、模型和智能体四层的需求，由此被企业的真实使用串联起来，形成相互带动的增长循环。
结语
产业智能体真正深入企业后，改变的不只是企业使用 AI 的方式，也包括 AI 产业自身的增长方式。
如果说互联网积累的数据，驱动了 AI 技术的数据飞轮；那么产业智能体和产业智能体操作系统，则同时驱动了 AI 的技术飞轮和商业飞轮——企业在真实业务中通过 AI 创造价值，进而将更多核心业务托付给 AI，AI 也同时获取到更多场景数据，由此向上倒逼算力、云基础设施与底层模型持续进化。
正如沈抖所说，底层的国产算力和云，首先“把电力变成可用、可管、可持续的 Token”；Agent Infra，再把 Token 变成能够真正做事的智能体。
最终，通用智能体、专业智能体和定制智能体，这三类智能体进入企业，承担具体任务。
技术决定了 AI 能走多快，但商业的检验决定了 AI 能走多远。模型能力决定了 AI 能做什么，但它最终能够创造多大的产业价值，依然取决于能够进入多少真实业务，又能在这些业务中创造多少真实价值。