出品 | 陈博观察 (ID: Drchenobservation)

编辑 | Will Chan

人工智能正在从单点技术突破走向全链路系统性进化，模型能力在使用中持续迭代，交互环境在技术渗透中被重塑，商业价值在落地场景中加速验证，组织形态在人机协作中摸索新范式 —— 技术、产业、组织三条线索彼此咬合，构成了 2026 年人工智能协同进化的全景。本文基于腾讯研究院最近发布的《2026人工智能十大趋势报告》，同时结合产业一线实践与最新行业数据，从技术进化、工程落地、社会重组三大维度，拆解人工智能发展的十大核心趋势，呈现行业演进的完整脉络。

PART 01

进化：学习、感知与发现

过去三年，基础模型的进步默认遵循 “Scaling” 逻辑：更多数据、更大参数、更多算力。2026 年大模型能力仍在持续提升，天花板尚未明确，但行业共识已经形成：仅靠规模扩张无法支撑智能的持续跃迁，模型必须学会与真实场景交互、在使用中成长、与科研闭环互促。三条并行的学习曲线正在重塑模型进化的底层逻辑：强化学习从代码领域向更广域的可验证场景扩散，上下文学习让模型越用越贴合具体场景，AI 自身也在加速科研迭代，共同推动模型从 “训练一次定型” 走向 “在线持续进化”。

趋势一：在线进化 —— 进化不止于训练，模型部署后的再学习

▌强化学习跨域扩散，从代码数学向科学前沿延伸

过去两年，模型反馈范式完成了从 RLHF 到 RLVR 的核心跃迁，由程序直接验证答案对错的强化学习模式，率先在代码与数学领域实现了推理能力的涌现。截至 2026 年中，前沿代码模型在 SWE-bench Verified 基准上的准确率已突破 95%，头部模型在标准代码修复任务上的表现已接近资深工程师水平。RLVR 的扩散正在加速向生物学、材料科学、超导体发现、临床医学等领域推进，确定性检索工具层的普及大幅降低了模型触达专业数据的门槛，在病毒学等数据基建成熟的细分领域，加挂工具层的模型准确率已超过 99%。

来源：腾讯，人工智能十大趋势报告2026

但开放式情境依然是 RLVR 的边界。在规则明确、答案可验证的封闭任务中，模型能力正在快速逼近甚至超越人类；但面对需求模糊、规则不定的开放式问题，模型表现仍会出现断崖式下跌。ARC-AGI-3 等交互式基准测试中，所有前沿模型的准确率仍不足 1%，这标记了当前纯强化学习路径的软墙，也指向下一代架构创新的核心方向：让模型具备定义问题、验证未知的能力。

▌场景适配能力升级，模型从 “通用强大” 走向 “越用越懂你”

前沿模型的参数竞赛正在降温，场景适配能力成为新的竞争焦点。实验数据显示，即使是性能最强的通用大模型，在处理全新上下文规则的任务时，解决率也仅在 20% 上下，模型倾向于依赖预训练知识而非眼前的新规则完成任务。这一痛点推动了两条技术路径的快速成熟：一条是推理时变身技术，通过参数生成器按场景实时生成个性化权重，让模型在推理阶段即可适配特定场景；另一条是记忆巩固技术，通过分层记忆架构实现跨会话的知识留存，让模型学到的场景经验可以长期沉淀，部分领先模型的长时记忆信息密度已达到同类产品的 3-4 倍。

产业侧的落地验证了这一趋势的价值。采用 MoE 架构的实用性大模型，通过针对性优化上下文学习能力，在企业级工作流场景中实现了推理效率 40% 的提升，Agent 工作流的稳定运行步数突破千步，已可支撑完整的端到端办公任务。对普通用户与企业客户而言，AI 的价值评判标准正在从 “模型参数有多大” 转向 “模型有多懂我的场景”，参数规模的优先级让位于持续进化的场景适配能力。

来源：腾讯，人工智能十大趋势报告2026

▌AI 加速自身研发，递归自我改进窗口临近

AI 参与自身研发的深度正在快速加深，代码层面的自主迭代已初具规模。头部机构生产环境中，超过 80% 的合并代码由 AI 编写，训练代码优化能力一年内实现了数十倍的提升，端到端研究任务中，AI 可在数百小时内恢复 97% 的性能差距，而同等任务人类研究员需要一周以上的时间。

行业普遍预测，AI 达到 “实习生级研究员” 水平的时间窗口正在临近，核心瓶颈已从智力水平转向持续自主性：模型已能解决高难度的单点问题，但难以连续数周自主推进完整研究项目。目前 AI 可靠完成任务的时长每 4 个月翻倍，2026 年已达到 16 小时级别，距离数周级别的自主研究仍有差距，但演进速度远超预期。在算法优化、代码重构等可验证的执行层面，AI 已系统性超越人类工程师；而在研究方向选择、结果可信度判断、研究节奏把控等需要研究品味的层面，人类仍占据主导。递归自我改进尚未到来，但它的出现可能比多数机构准备的时间更早，行业已开始从技术、伦理、治理多层面做前置准备。

趋势二：多模态认知 —— 从渲染器到创作者，多模态 AI 开始理解世界

2026 年，多模态 AI 的竞争焦点已从 “生成画质有多逼真” 转向 “对世界的理解有多深”。生成系统不再是被动执行提示词的渲染工具，开始具备意图理解、步骤规划、自主迭代的认知能力，生成行为从一次性输出变成了多步决策的过程。四条相互交织的技术路径共同推动多模态 AI 完成从 “感知” 到 “认知” 的跃迁。

来源：腾讯，人工智能十大趋势报告2026

▌认知能力升维：从被动渲染到主动创作

可控性是多模态 AI 走向生产级的第一道门槛。2025 年 AI 视频的可用率仅约 20%，本质是抽卡式的生成体验无法支撑工业化生产。到 2026 年上半年，头部视频生成模型已将 15 秒视频的可用率拉升至 90% 左右，简单场景下的生成结果已可直接进入生产流程，跨过了工业化应用的临界点。

在可控性的基础上，多模态系统的 Agent 化能力快速提升。理解用户意图、拆解创作步骤、自主迭代优化正在成为新一代生成系统的标配，创作者与 AI 的关系从 “一键出图” 的单次交易，转向 “生成 - 反馈 - 修改” 的循环协作。局部编辑、语义重构等能力的成熟，让模型可以精准修改画面的指定元素，同时保持整体风格与时空连续性。但当前的 Agent 化仍存在分层缺陷：理解与规划主要由语言模型承担，视觉模型更多仍是执行角色，隐喻迁移、深层逻辑理解等能力仍依赖系统级协作，视觉模型自身的叙事逻辑理解能力，将是下一代范式突破的核心标志。

▌原生多模态架构：缝合模态裂缝，催生视觉推理涌现

2026 年成为原生多模态架构的普及之年。图像生成领域，主流产品已全面放弃 “扩散模型外挂语言模型” 的拼接模式，转向统一架构下的多模态融合；视频领域，智能分镜已成为头部模型的原生功能，用户交互从描述画面转向编排叙事。图像、视频、音频、文本正在成为统一模型内部的 “母语”，在共享的潜空间中完成跨模态注意力交互。

原生架构直接带来了视觉推理能力的涌现。新一代多模态模型已能根据图表推断背后的社会趋势，从建筑照片中读出文化隐喻，在没有文本提示的情况下补全视频缺失的逻辑环节。这些能力是拼接架构无法实现的，它标志着多模态 AI 开始真正 “理解” 视觉内容，而非仅仅匹配像素分布。隐喻迁移等深层语义任务的表现提升，验证了统一架构对认知能力的增益效果。

▌世界模型落地：从仿真物理到行动预演

世界模型的发展正在分化出两条技术路线：一条是生成式路线，追求视觉上的逼真效果，擅长渲染与模拟分布内的物理运动；另一条是非生成式路线，在抽象表示空间做预测，不重建像素，运行速度可达生成式路线的 15 倍以上，在机器人控制等实时场景中优势显著。

来源：腾讯，人工智能十大趋势报告2026

李飞飞团队提出的世界模型三层分类框架（渲染器、模拟器、规划器）已成为行业共识，头部产品正在向更高层级快速演进。混元 HY-World 等产品已走通模拟器方向，可实现复杂物理场景的仿真；NVIDIA Cosmos、DeepMind Genie 等产品正在逼近规划器层级，尝试直接输出动作序列。对机器人、自动驾驶等领域而言，世界模型的核心价值在于充当 “想象引擎”：接收动作指令后，先在内部快速模拟未来状态序列、评估风险，再选择最优动作执行。这要求模型不仅掌握重力、碰撞等刚性物理规则，也要理解拧瓶盖时的摩擦力变化、端咖啡时的液面晃动幅度等软物理常识，而这些都需要真实世界的多模态经验沉淀。

▌多模态记忆：构建专属视觉经验，隐私与价值同步升级

每一次生成都是孤立的，这是当前多模态产品的深层痛点。用户调整过的色调偏好、设计过的产品方案、上传过的个人影像，下一次交互时模型全然忘记，每次都要从头调教。多模态记忆正在成为下一代产品的分水岭。

多层次的视觉记忆体系正在形成：情境性记忆记住特定空间与对象的视觉特征，保持生成的时空一致性；偏好性记忆从用户的反复编辑中学习审美与风格偏好；情感性记忆将共同创作的内容沉淀为可引用的 “共同历史”。技术上，这需要检索增强生成、参数高效微调、端侧存储的协同配合，部分产品已开始在设备端构建个人视觉知识图谱，让隐私敏感的视觉数据不出本地。但视觉记忆的隐私风险远高于文本，当模型开始记住用户的家庭环境、面容特征、日常习惯，视觉层面的 “遗忘权” 与价值对齐机制必须同步构建，安全与伦理防线需要与能力升级同频推进。

来源：腾讯，人工智能十大趋势报告2026

趋势三：科学智能 —— 三位一体，AI for Science 进入攻坚期

2026 年，AI for Science 从单点工具探索进入体系化落地的攻坚阶段，“基础大模型 + 科研智能体 + 自主实验室” 三位一体的科研范式基本成形。技术层面，通用与专用科学大模型形成纵深矩阵；产业层面，自主实验室向规模化商用逼近；应用层面，生物医药、材料科学、气象、数学四大赛道同步产出阶段性成果。与此同时，人才缺口与可信科研体系建设，成为行业需要共同面对的核心议题。

▌科研操作系统成形：基础模型 + 专用模型 + 智能体的三级体系

科研基础大模型正在成为科学研究的操作系统，支撑起全流程的科研工作流。头部科技公司均已推出面向科研的大模型体系：谷歌的 Gemini for Science 工具集与 Co-Scientist 科研智能体，覆盖文献洞察、假设生成、计算发现全流程；Anthropic 的 Mythos 5 系列模型在药物设计、分子生物学、基因组学领域具备统筹能力，通过收购 AI 生物公司延伸至实验执行环节；国内上海人工智能实验室的万亿参数科学多模态大模型、中科院磐石科学基础大模型，已覆盖多学科科研场景。

专用科学大模型在各细分领域形成纵深能力。生命科学领域，Alpha 系列模型覆盖从序列到功能、生成、调控的蛋白质研究全环节，GPT Rosalind 系列面向生命科学深度优化，Bio Discovery 等垂直模型聚焦抗体药物研发；材料科学领域，新一代原子模型可高效模拟复杂材料体系，材料大模型已能模拟多属性的材料现象；物理与地球科学领域，科学大模型在卫星遥感数据分析、气象预测等任务上的表现已追平传统数值模型。

科研智能体正在重构人机协作边界。谷歌 Co-Scientist 的 “思想竞赛” 机制，让 AI 在多假设间自我辩论收敛，角色从执行工具转向构思策划；AlphaEvolve 以大模型为变异引擎，在算法源代码空间自主搜索更优解，已帮助谷歌全球数据中心恢复大量计算资源。行业正在形成新的人机分工共识：人类定义问题与评估结果，AI 生成假说、编排流程、分析数据。

▌自主实验室逼近规模化，从技术验证走向产业落地

自驱动实验室（SDL）是 AI for Science 落地的物理载体，它将实验设计的决策权部分交给 AI，基于 “设计 - 执行 - 表征 - 学习 - 再设计” 的闭环，自适应推进科研迭代，区别于传统高通量自动化实验室按预设脚本执行的模式。一个完整的自主实验室体系包含五层架构：数据知识层沉淀元数据与知识图谱，在线表征层实时采集实验数据，机器人执行层完成实验操作，编排调度层抹平设备异构差异，实验规划层通过主动学习与贝叶斯优化决定下一步实验方向。

来源：腾讯，人工智能十大趋势报告2026

政策与资本的双重推动正在加速自主实验室的全球建设。美国 NSF、DOE 等部门已启动专项建设计划，英国将自主实验室写入国家 AI for Science 战略，欧盟通过 Horizon Europe 专项支持相关研究，我国也在国家级政策中明确提出加快探索 AI 驱动的新型科研范式，通过重点实验室升级、重大设施智能化改造推进落地。

商业化层面，自主实验室已初见规模。晶泰科技等头部企业已可编排数百个工作站与自动化实验站，支持 7×24 小时不间断研发，每月可产生数万条反应产率数据与数十万条过程数据，并已与国际领先药企达成商业化合作，率先实现年度盈利。学科覆盖上，无机材料合成、化学合成、电子能源材料等领域都已出现成熟的自主实验室方案，部分实验室可实现最少人工干预、按天推进新材料发现的节奏。

▌多赛道并行攻坚，价值验证加速推进

生物医药是 AI for Science 潜在价值最大的赛道，已进入临床验证的关键阶段。截至 2026 年上半年，全球已有 170 余条 AI 参与发现、设计或优化的药物管线进入临床开发阶段，多个项目进入 Ⅲ 期临床。英矽智能已有 13 款候选药物获批 IND，10 个项目处于临床试验阶段，核心管线 Rentosertib 已启动特发性肺纤维化适应症的 Ⅲ 期临床，成为全球 AI 制药领域的标志性事件。AI 药物研发的价值正在从 “提升效率” 向 “产出首创性分子” 升级。

材料科学是下一个商业化前沿。美国伯克利实验室的自主实验室已实现每天超 2 种新材料的发现速度，国内鼎犀智创等多家初创公司正在构建材料创新平台，覆盖新能源、半导体、先进制造等多个高价值领域。材料科学实验反馈周期短、数据标准化程度高，有望继生物医药之后，成为 AI for Science 第二个规模化落地的赛道。

气象是 AI 渗透最深的科学领域。AI 气象模型已广泛参与中期天气预报，相比传统数值模型，算力节省超过 90%，在台风路径、强降水等极端天气预测上表现突出。但由于气象预测的公共安全属性，全球气象系统仍在谨慎对比验证，以混合模式逐步引入 AI 能力。

数学领域出现从解题到发现的拐点。前沿大模型已被用于探索数论领域的经典难题，奥林匹克数学竞赛成绩持续刷新，但在独立定义新问题、开辟新研究方向上，AI 仍有较大差距。

▌可信科研体系建设迫在眉睫

AI 在加速科研产出的同时，也带来了学术诚信的新挑战。虚假参考文献的爆炸式增长已成为行业共识的痛点。《柳叶刀》针对 250 万篇生物医学论文的筛查显示，每万篇论文中伪造参考文献的数量，已从 2023 年的约 4.0 条升至 2026 年初的 56.9 条，增幅超过 12 倍；《自然》的抽样分析估计，全球已有超过 11 万份学术出版物至少包含一条无效引用，其中多数疑似 AI 生成的幻觉引用。

业内应对正在从自律呼吁转向强制审查，人工核验机制、AI 鉴别系统、出版规范更新正在加速推进。虚假文献污染只是 AI 时代科研治理的第一个挑战，随着 AI 深度参与科研全流程，实验可复现性、成果归属权、科研伦理等问题都会陆续浮现，构建可信的 AI 科研体系，是行业持续健康发展的底线基础。

PART 02

落地：从可用到好用的基础设施

当模型能力跨过可用门槛，行业竞争的前沿正在从模型内部转向模型外部。如何驾驭强大的模型能力、如何让更多人构建 AI 应用、如何保障自主执行的安全可信，成为 2026 年 AI 工程落地的三大核心命题。驾驭工程、全民构建、可信执行三条主线，共同搭建起 AI 规模化落地的基础设施体系，推动 AI 从技术能力变成真实生产力。

趋势四：驾驭工程 —— 给野马套上挽具，竞争前沿移到模型外部

模型能力越强，越需要一套完善的运行框架来释放价值。就像野马需要挽具才能转化为牵引力，强大的模型也需要一套系统来定义规则、调度工具、管理记忆、处理异常、评估结果，这套正在被命名为 “驾驭工程（Harness Engineering）” 的方法论，正在成为 2026 年 AI 工程领域的核心焦点。

▌范式演进：从提示词工程到驾驭工程

AI 应用工程化的重心一直在向外迁移。最早是提示词工程，靠优化指令措辞提升单次回答质量；然后是上下文工程，精心设计填入上下文窗口的内容，引导模型输出；到 2026 年，重心已外移到整个运行框架层面，也就是驾驭工程，同时处理模型输入、工具调用、错误恢复、多智能体协同、状态管理等全链路问题。

来源：腾讯，人工智能十大趋势报告2026

这一转变的底层原因是预训练的边际收益递减。单纯堆大模型参数的回报越来越低，而推理时计算成为新的发力点：在模型参数固定的情况下，通过多次采样、树搜索、自我验证等推理阶段的手段，就能显著提升复杂任务的表现。编排这些推理步骤的，正是 Harness 框架。同一个基础模型，搭配不同水平的 Harness，任务完成效果会出现量级差异。差距正在从 “谁的模型更强”，转向 “谁能把模型能力用得更充分”。

Harness 的终局是被模型逐步内化。今天需要外部搭建的记忆管理、错误恢复、工具选择、多步规划能力，下一代模型会逐步内置。推理时计算本身就是内化的第一步，模型开始用自己的推理链替代外部脚本调度。但在完全内化之前，Harness 会长期作为独立的工程领域存在，ADPS 等行业组织已整理出数十种设计模式，配套出版选型手册，推动驾驭工程从零散实践走向系统化学科。

▌工作重心转变：从指挥 AI 做事到设计 AI 工作方式

驾驭工程的普及，正在改变开发者与 AI 的协作方式。过去程序员追求过程确定性，每一步都要可控可复现；现在面向 Agent 协作，重心转向结果确定性：定义清楚验收标准，用带状态管理的 Harness 接管流程，让 AI 自己发现问题、修正问题，直到达到验收标准。人的精力从逐步监控，释放出来转向定义目标与设计环境。

来源：腾讯，人工智能十大趋势报告2026

输入格式、工具接口标准、平台入口是当前行业争论的焦点。纯文本优先派认为 HTML 等富格式会消耗 token、分散模型注意力，Markdown 与纯文本结构更清晰、成本更低；结构化派认为语义化格式能提供更多线索，帮助模型理解复杂任务。MCP 等协议正在抢滩工具接口标准，谁能成为模型连接工具的事实标准，谁就能掌握生态的主动权。垂直行业与通用平台也在各自定义运行规范，金融、医疗、法律等强监管领域，正在形成专属的 Harness 合规框架。

私域上下文正在成为新的锁定要素。随着个人与企业把越来越多的判断规则、历史记忆、工作流模板存进 Harness 系统，迁移成本会快速升高，数据与上下文的所有权，会从技术问题变成真实的使用者权益问题。

▌评估前置：从脚手架到自学习系统

评估是 Harness 的控制层，它定义任务的验收标准，记录 Agent 的执行轨迹，判断每一步是否偏航，把错误转成可追溯的证据，再反馈给下一轮运行。缺少评估的 Harness 只是接了更多工具的脚手架；接入评估体系后，它才开始成为能自证质量、能积累经验的工程系统。

来源：腾讯，人工智能十大趋势报告2026

评估的价值不止于质量管控，更是模型持续学习的入口。今天评估数据用来做自检、回放、回滚和人工审计，下一步就可以用来改写提示词、调整工具路由、攒下训练样本，甚至接入强化学习与在线更新流程，这也是模型内化 Harness 能力的具体路径。运行越久的 Harness 系统，积累的评估数据越多，对场景的适配就越好，形成自己的复利曲线。

错误恢复能力越强，人对 AI 的警觉性就越低，系统性偏移的风险也会在安静中积累。评估系统的另一个核心价值，就是把隐性的偏移变成可见的信号，避免系统在无人察觉的情况下逐步偏离目标。开发者与企业需要建立认知：驾驭工程不是一次性搭建的项目，而是需要持续运营的系统，它的成熟度直接决定了 AI 能力转化为业务价值的效率。

趋势五：全民构建 —— 编程先验战场跑通，AI 原生工作迈向千行百业

AI 编程是 Agent 浪潮的第一个成熟战场，它的跑通验证了一个核心逻辑：只要任务可被自然语言定义、产物可被即时验证、流程可被标准化，AI 就能实现端到端的自主交付。2026 年，这一范式正在快速跨过代码边界，向知识工作的全领域扩散，构建权第一次不再以 “会写代码” 为前提，非开发者也能成为独立的应用构建者，千行百业的 AI 原生重构正在开启。

▌专业开发跃迁：从补全代码到自主交付

AI 编程能力在 2026 年实现了质的跃迁，从代码补全工具升级为自主交付主体。衡量真实代码修复能力的 SWE-bench Verified 基准上，前沿模型的准确率从 2024 年的不足 50%，一路攀升至 2026 年中的 95% 以上，22 个月内实现了翻倍增长。更关键的变化发生在自主性层面：模型独立连续作业的时长持续增加，从补全单行代码发展为自主拆解任务、跨文件跨仓库修改、自主调试修复 bug，部分头部产品已支持跨多个代码仓库并行作业。

验证能力内化是另一个标志性变化。顶尖模型在编写系统级代码前，会先做形式化验证再动手，代码生成从 “先写后查” 转向 “边写边证”，软件工程的瓶颈从 “如何实现” 转向 “如何确认正确”。产品形态也随之丰富，从实时结对补全，扩展出异步委派、云端后台作业等新模式。

生产端的数据验证了这一变革的深度。Claude Code 团队 95% 以上的代码由 AI 编写；国内超过 90% 的工程师使用 AI 编程辅助工具，平均编码时间缩短四成以上，AI 生成代码占比过半；YC 2025 冬季批次的创业公司中，四分之一的代码库 95% 以上由 AI 生成。AI 编程已从提效工具变成了默认生产方式。

商业层面，AI 编程工具成长速度创下软件行业纪录。截至 2026 年中，Claude Code 年化收入已突破 80 亿美元，占据 AI 编码市场 54% 的份额，Cursor 估值攀升至数百亿美元级别，Codex 周活用户数月内实现翻倍。企业客户成为付费主力，财富 500 强中近三分之一已成为头部 AI 编程公司的付费客户。工程师的角色正在发生本质变化：从写代码的执行者，转向定义意图、编排 Agent、审核结果的架构者。

▌普惠构建普及：原型墙成为新门槛

自然语言编程的跑通，让软件构建的门槛大幅下降。普通人不用学习编程语言，只要能用自然语言描述清楚需求，就能生成网页、小程序、内部工具。主打自然语言建站建应用的平台，用户中有六到七成是设计师、学生、健身教练、销售、教师等非程序员群体；大型企业内部，大量非工程师员工开始自己搭建对接业务系统的效率工具。

但 “从零到原型” 的门槛消失后，“从原型到可运营” 的鸿沟横亘在眼前，这就是行业所说的 “原型墙”。AI 生成的代码看似能跑，但 70% 的后续工作需要处理可维护性、安全性、扩展性、性能优化等问题，而这些恰恰是非专业用户难以解决的。行业数据显示，AI 大规模介入后，软件技术债务增加三到四成，代码重复率翻倍，45% 的 AI 代码任务会引入已知安全漏洞。很多用户经历了 “第一周兴奋、第三周担忧、第二个月放弃” 的循环，原型产品的留存率普遍偏低。

来源：腾讯，人工智能十大趋势报告2026

原型墙成为普惠 AI 构建的新分水岭。平台的竞争重心正在从 “更快出原型” 转向 “帮用户跨越原型墙”，提供自动化部署、安全检测、性能优化、运维监控等全链路能力。判断力成为新的稀缺能力：对非开发者而言，能不能判断 AI 输出的质量、能不能识别潜在风险、能不能把原型迭代成可用产品，决定了他能把 AI 的价值用到多深。这和专业开发领域 “向编排深化” 的底层逻辑一致：无论专业还是普惠，真正稀缺的始终是判断力。

▌范式外溢：从编码工具到通用工作 Agent

2026 年上半年，头部 AI 编程产品几乎同时向通用办公领域延伸，推出面向通用工作的 Agent 产品。编程是对 Agent 要求最苛刻的场景，需要长流程拆解、工具调用、连续执行、自我纠错，在这里锤炼过的执行内核，平移到写报告、做表格、数据分析等知识工作上，表现往往比通用助手更稳定。

这一轮产品升级直接推动了知识工作 Agent 的井喷。用户使用 AI 的场景，从单一的编码快速扩散到数据分析、研究调研、文档处理、合同审核、行政事务等方方面面。数据显示，Codex 更新后，数据分析类任务周环比增长 110%，研究类任务增长 37%，报告、合同、演示文稿等知识产出物增长 36%，超过六成用户一天内同时运行多个任务。非开发者用户占比持续提升，增速是开发者的三倍以上。

行业边界正在消融。AI 编程公司反过来成为通用办公软件的有力竞争者，传统办公软件也在快速集成 Agent 能力。未来 12 到 18 个月，通用工作 Agent 将成为主流的生产力工具形态，而编程领域沉淀的方法论，会成为各行业 Agent 落地的通用参考框架。

▌千行百业渗透：按岗位打包能力，重构职业形态

Agent 原生范式向全行业扩散的边界，取决于三个标准：任务能否被自然语言定义、产物能否被快速验证、流程能否被标准化。软件开发同时满足这三条，所以最先跑通；沿这个标准外推，设计、法律、财务、咨询、数据分析等信息密集型行业，都会进入快速渗透期。

来源：腾讯，人工智能十大趋势报告2026

按岗位打包能力正在成为垂直 Agent 的主流产品形态。设计领域，Claude Design 等产品已能覆盖从需求理解到方案生成的全流程，直接冲击传统设计工具的市场地位；法律领域，Harvey AI 等法律 AI 助手已深度集成进顶级律所的工作流，合同审查、案例检索、文书起草等工作的自动化率快速提升；财务、投行、销售等岗位的专属 Agent 已陆续上线，每个岗位都在被重新定义。

软件本身的形态也在被改写。过去企业买一套系统，培训三个月才能用起来；现在一句话就能生成一个数据看板、一段业务流程、一个专属工具。软件从 “装好的产品” 变成 “即时生成的能力”，企业软件的采购、交付、运维模式都会被重构。未来两年，每一个满足三条标准的行业，都会迎来属于自己的 “Cursor 时刻”，而 AI 编程积累的经验，会成为这场全行业变革的先验地图。

趋势六：可信执行 —— 把信任铺成管道，从自主到可信

大模型与智能体从辅助工具走向自主执行，能够自主调用工具、连接系统、代替人完成多步任务，能力跃升的同时，安全风险也被同步放大。提示注入、权限越界、行为不可追溯、身份不可验证等问题，正在成为 Agent 规模化落地的核心障碍。2026 年，行业共识已经形成：要让 AI 从自主执行迈向可信执行，必须筑牢三道防线 —— 明确的智能体身份、可追溯的行为链路、最小化的操作权限，将每一次自主行动都纳入端到端的可信管道约束中。

▌协议层内生安全：从碎片修补到设计即安全

智能体互联互通的早期阶段，协议设计普遍重连通、轻安全，安全漏洞频发。2026 年以来，MCP 等主流协议已披露数十个 CVE 漏洞，涵盖远程代码执行、API 凭据窃取、工具投毒等高危类型，波及数百万实例与数万个代码仓库。攻击者可以将恶意指令藏在工具描述中，诱导智能体执行越权操作，也可以通过跨站劫持等方式接管本地运行的 Agent。

来源：腾讯，人工智能十大趋势报告2026

行业正在从被动打补丁转向设计即安全，推动通讯协议从碎片化走向标准化、安全内生。Google 将 A2A 协议捐赠给 Linux 基金会，在传输层强制双向认证，要求每个智能体发布带数字签名的身份卡，让智能体在建立通讯前就完成身份证明，每次调用都携带可验证凭证，从源头压缩攻击面。国内也出台了智能体互联协议国家标准，对身份认证、授权管理、数据安全做出统一规范。

云安全联盟等行业组织已发布专门的智能体安全控制框架，覆盖 MCP、A2A 等主流协议，标准化身份认证、传输安全、消息完整性、运行时隔离等要求。协议层的安全统一，是整个智能体安全体系的底座，只有把信任铺进协议层面，上层的应用才有可靠的根基。

▌身份体系落地：从匿名脚本到可问责主体

长期以来，智能体被当作匿名脚本对待，没有独立的数字身份，权限与授权脱节，既无法精确限制权限，也难以事后追溯责任。一系列安全事件暴露了这一模式的缺陷：DeFi 平台 Step Finance 的 AI 交易代理被诱导转出大额资产，墨西哥多个政府系统被攻破后 AI 智能体执行了约 75% 的远程命令，都因为没有独立身份与权限管控而造成严重损失。

为智能体发放唯一可验证的数字身份，正在成为跨主体协作的前提。全国网安标委已在智能体安全标准化研究中提出明确要求，推动为每个智能体签发可验证的数字身份证；EATI 等底层可信服务体系，构建了从硬件到应用、从静态身份到动态行为的全链路信任织网；欧盟 AI 法案也要求 AI 系统在交互之初就披露自身身份。

身份体系不是孤立存在的，它需要和整套安全框架配合。算力沙箱提供隔离的运行环境，身份层实现唯一标识与双向认证，数据层实现来源验证与语义追溯，标准化层实现互操作基准，应用层实现实时拦截与持续安全测试。五层架构共同构成智能体安全治理体系，让每个智能体的身份可验证、行为可追溯、责任可归属。

来源：腾讯，人工智能十大趋势报告2026

▌监管动态升级：从静态审计到全流程动态监督

传统的内容安全审查面向静态产出，事后审核的模式完全跟不上智能体的执行速度。零点击提示注入等攻击方式，不需要用户任何操作就能触发风险，等事后发现时损失已经造成。安全监管必须前移，贯穿智能体任务执行的全过程，对每一步工具调用、数据访问、外部交互进行实时观测与策略校验，动态调整权限或中止行为。

政策层面，监管重心正在从管模型延伸至管行动。2026 年 5 月，国家网信办等多部门联合印发《智能体规范应用与创新发展实施意见》，明确守牢安全底线，推动建立健全智能体安全治理体系。OWASP 也发布了面向智能体的 Top 10 风险清单，确立最小代理权限与强可观测性原则，推动权限随任务结束即时回收。

企业侧的治理体系也在同步升级。实时防护网关、运行时行为审计、动态权限管理正在成为企业部署 Agent 的标配。但整体来看，多数组织的智能体安全治理仍处于早期阶段，传统合规框架难以适配自主智能体的动态特性。转向全程动态监督，同步建立清晰的责任体系与可溯源工具链，是智能时代安全治理的必然方向。可信执行不是发展的刹车，而是规模化落地的铺路石，只有把信任铺成管道，自主智能体才能真正走进核心业务场景。

PART 03

重组：当 AI 成为社会的参与者

当 AI 技术突破与工程落地逐步成熟，它的影响就不再局限于技术与产业层面，而是开始向经济形态、互联网结构、组织模式、职业角色全方位渗透。智力成为可交易的服务，Agent 成为互联网的新主体，组织结构从固态走向液态，职业重心从执行转向架构 —— 这场由 AI 触发的全社会范围的重组，正在 2026 年拉开序幕。

趋势七：智力即服务 ——Token 退居幕后，智力走上前台

长期以来，智力都是最难被市场化交易的生产要素：它依附于具体的人，绑定在特定场景里，难以标准化、难以独立交付、难以精准定价。大模型正在松动这一约束，将一部分智力活动从人脑迁移到机器中，使其具备了可调用、可组合、可定价、可交付的属性。企业获取智力的方式，正在从雇人、买软件、请外包，转向直接购买封装好的智力服务。Token 是底层计量单位，但前台的交易对象正在变成判断、生成、执行与结果，智力本身正在走上交易的舞台中央。

▌Token 的价值局限：计量成本，承载不了价值

Token 是 AI 时代的电力，是底层的消耗单位，但它不适合直接作为价值交易的前台单位。同样一万个 Token，可能只是润色一句话，也可能帮助企业识别千万级合同中的关键风险，消耗相同，价值却相差几个数量级。耶鲁大学考尔斯基金会的研究将 Token 称为 “可合同化的计量单位”：数量可以精确记录并写入合同，但价值无法用同样的方式衡量。

市场的真实选择验证了这一点。聚合数百个模型的 OpenRouter 平台上，开发者调用高度集中在低价区间：每百万 Token 价格 4 美元以下的模型承接了约 76% 的真实调用量，高价模型尽管能力更强，调用量却迅速衰减。这说明市场普遍将 Token 视为成本项，追求性价比，而不是为能力本身支付溢价。

来源：腾讯，人工智能十大趋势报告2026

于是市场自然形成了混合结构：底层用 Token、算力、上下文长度核算成本；上层通过基础版、专业版、企业版、结果包、岗位包等形态，区分场景、责任与价值。Token 越来越像电力和带宽，退回后台成为基础计量，前台的商业竞争转向更高层的服务封装。价格战在底层 Token 层面持续上演，但真正的商业壁垒，在更上层的价值封装里。

▌定价光谱右移：从卖资源到卖岗位

智力服务的商业化是一条连续的光谱，从左到右依次是按量收费、订阅制、积分制、按工作流收费、按结果收费、数字员工。越往左越接近卖资源，平台承担风险越低；越往右越接近卖能力，平台承担责任越重，对应的毛利空间也越大。2026 年，行业主流定价模式正在沿这条光谱整体右移。

来源：腾讯，人工智能十大趋势报告2026

左端的按量收费与订阅制已经非常成熟，构成了市场的基础层。真正的迁移发生在右半段：按工作流收费的平台，为整个流程闭环负责；按结果收费的产品，只对成功交付的结果计费，比如客服工单按解决量收费、文档处理按通过率付费；数字员工则直接锚定岗位成本，比如 11x.ai 的 AI 销售代表定价为人类同岗位的四到五成，直接与人力预算竞争。

一件工作能否成为可计费的结果，取决于四个条件：完成标准清晰、归因证据可追溯、计费单位稳定、失败后可补救重做。客服工单、内容审核、对账对账、质检等标准化程度高的工作，天然适合按结果付费；而战略咨询、并购尽调等高度非标准化的工作，还需要更长时间的成熟过程。定价右移的本质，是卖方承担的责任越来越重：从 “我给你模型”，到 “我帮你做事”，再到 “这件事我负责”。这正是 AI 商业化成熟度最重要的分水岭。

▌盈利路径分化：封装能力是毛利的来源

模型公司的盈利路径正在分化为三条，毛利天花板依次抬升：

第一条是 API 定价权，同质化的 API 会陷入价格战，但只要模型在关键场景形成能力差异或生态绑定，就能保持溢价。企业客户选择模型时，不止看单价，还会综合评估稳定性、延迟、本地化能力、合规性等因素，头部模型具备持续的定价能力。

第二条是订阅规模化，面向 C 端与中小企业，以月费席位费的方式提供稳定服务。订阅模式的天花板在于成本错配：多模态生成、长上下文、Agent 调用都会推高推理成本，而用户的月费心理上限是刚性的。因此订阅更适合作为入口，常见形态是订阅基础权限加高阶任务单独计费。

第三条也是弹性最大的一条，是 Agent 产品化与岗位化。平台不再按 Token 卖给用户，而是把多轮调用、上下文管理、工具使用、缓存调度、错误修复封装成可持续使用的 Agent 产品，对应开发、写作、销售、客服、法务等具体岗位的部分能力。它的毛利逻辑在于：任务价值随复杂度上升，Token 成本未必同比例放大；平台可以通过缓存、路由、模型分层持续压低边际成本。只要对外锚定岗位价值、对内管理好 Token 账本，软件级别的毛利就有机会重现。

来源：腾讯，人工智能十大趋势报告2026

▌买方治理升级：从省 Token 到管智能预算

供给侧向上封装的同时，需求侧的治理模式也在同步进化。很多企业早期的 AI 管理停留在 “省 Token” 层面，甚至按 Token 消耗量给员工排名，把消耗当成能力指标，催生了大量无用的 Agent 任务，陷入 Token 形式主义。

成熟的企业治理正在转向 “管理智能预算”：用任务分级决定什么任务配什么模型，用积分、额度、部门预算让用户感知真实成本，用后台自动路由把请求送到最合适的模型。三者咬合，形成供需匹配的良性机制。当买卖双方都围绕业务价值而非调用量做决策，Token 就彻底退回后台，成为安静运转的计量基础。

智力即服务的时代，Token 不会消失，但会越来越隐身。AI 商业化的成熟度，最终取决于底层的 Token 消耗，能在多大程度上封装成可交付、可验收、可持续付费的智力服务。衡量 AI 产业价值的最终尺度，从来不是消耗了多少 Token，而是放大了多少人的能力、创造了多少真实的组织成果。

趋势八：智联网 —— 互联网的新主体，当 Agent 开始上网

移动互联网用十五年时间，把全球 50 亿人连进了同一张网络。如今，一类新的用户正在涌入互联网，它们不是人，而是数量快速增长的 AI 智能体。它们不刷短视频、不看广告、不需要精美的 UI 界面，却在以惊人的速度调用服务、完成交易、与其他 Agent 协作。互联网的主体正在从 “人” 扩展为 “人 + Agent”，一场关于商业模式、基础设施、竞争逻辑的底层重构正在发生，由 Agent 驱动的新一代网络形态 —— 智联网，正在 2026 年显现雏形。

▌Agent 成为新主体：软件形态与协作模式双重变革

不给人看的软件正在成为新的产品形态。面向人的前台界面越来越简洁，甚至只剩一个对话框；面向 Agent 的后台接口越来越丰富，API、技能库、结构化数据接口、命令行交互成为产品竞争力的核心。终端原生的 Agent 产品异军突起，验证了这一路径的生命力：Agent 的母语是 API 和命令行，不是触摸屏和像素。

对软件产业而言，这意味着产品经理的核心 KPI 可能从用户留存率变成 Agent 调用成功率，服务商的竞争力不再取决于界面多好看，而取决于接口好不好用、数据够不够结构化、能不能被 Agent 精准调用。所有互联网产品，都值得按 Agent 友好的标准重做一遍。

更深刻的变化发生在协作模式上，多 Agent 协同正在成为主流架构。单体 Agent 能力再强，面对复杂真实任务仍有上限，而由一个总控 Agent 调度多个专项 Agent（研究、创意、执行、审计）的多智能体系统，可以并行处理复杂任务、自动纠错、互相校验。麦肯锡、Gartner 等机构均将多智能体编排列为 2026 年核心技术方向。

来源：腾讯，人工智能十大趋势报告2026

人的角色也随之转变：从每件事的操作者，变成 Agent 团队的管理者和最终决策者，负责设定目标、验收结果、把控边界。单人借助多 Agent 集群，可以独立运营过去需要十人团队才能完成的完整业务，一人公司从概念走向现实。企业工作流也在变得模块化，由 Agent 驱动、由人类监督。

与之配套的专属基础设施正在成型。独立身份、专属邮箱、可编程支付、权限授权、行为审计、信誉评价、安全治理，这些过去只属于人的互联网基础设施，现在都需要为 Agent 重建一套。智联网的核心不只是让 Agent 能替人办事，更是让它们在明确的授权边界内可识别、可约束、可追溯地行动。

▌商业模式换代：从注意力经济到效果经济

当互联网的主体从人变成 Agent，注意力经济的根基就开始松动。Agent 通过 API 办事，不打开 App，不浏览信息流，不看广告。DAU 下降不再意味着产品变差，只是 Agent 不需要留在 App 里就能使用服务。互联网的度量衡正在更换：任务完成率（TCR）正在取代日活和时长，成为新一代产品的北极星指标。

定价模式同步重构。按曝光收费的广告模式失去了载体，按结果、按节约分成的模式成为主流。服务商不再为眼球定价，而是为办成事定价。流量分发的逻辑失效了，能力调度成为新的核心机制：谁能理解用户意图、组织多方能力、完成复杂任务，谁就掌握下一代平台的生态关键。用户不再逐个打开 App 比较选择，而是直接向 Agent 提出目标，由 Agent 统一调度服务。

来源：腾讯，人工智能十大趋势报告2026

服务商的竞争逻辑也彻底改变。过去企业拼 SEO、投广告、抢推荐位，核心是被用户看到；未来企业还要考虑如何被 Agent 识别、信任、优先调用。接口稳定性、结果可验证性、历史调用成功率、信誉评分，这些新指标将决定服务商在 Agent 时代的流量分配。被调用越多，积累的信任凭证越多，就越容易被 Agent 优先选择，形成能力调度飞轮。这是一场从 “抢注意力” 到 “抢调用权” 的竞争，互联网的商业底层逻辑正在被重写。

▌产业深度渗透：从辅助工具到业务重构

Agent 对产业的渗透，正在从单点辅助走向深度重构。IDC 数据显示，全球超过 45% 的企业已在核心业务中部署具备自主决策能力的 AI Agent，部署企业的平均投资回报率达到 171%。Agent 正在从通用对话工具，演变为深入各行各业的专业数字员工。

垂直 Agent 的竞争壁垒不在模型，而在行业深度。通用大模型能力趋同、调用成本持续下降，单纯靠模型形成的差异会快速磨平。真正的壁垒来自三个方面：一是行业数据与知识的积累深度，处理的任务越多，专有知识和最佳实践越丰富，执行质量越高；二是与业务系统的集成深度，能不能直接对接 ERP、CRM、HR 系统，决定了 Agent 是只能给建议还是能真正闭环；三是对工作流的理解深度，知道行业的关键风险点、审批节点、隐性规则，比只知道步骤的 Agent 价值高一个量级。

来源：腾讯，人工智能十大趋势报告2026

这意味着，未来各行业都会出现大量专业化的 Agent 产品与服务商。它们在通用大模型之上构建垂直能力层，面向特定行业提供可嵌入业务流程的解决方案。通用模型是水电煤，垂直 Agent 是建在水电之上的行业应用，真正触达客户、创造可量化业务价值的，将是这些深入产业的垂直 Agent。

智联网不是遥远的概念，而是正在发生的范式转换。它不会一夜之间取代移动互联网，而是会在一个个行业、一个个场景里逐步渗透重构。就像 2007 年 iPhone 发布时很少有人预见到短短五年后移动互联网会重塑所有行业，今天围绕 Agent 展开的垂直化浪潮，也正在为每一个产业写入新的操作系统。

趋势九：液态组织 —— 组织开始流动，从固态结构走向液态编排

2026 年以来，科技行业组织调整的力度明显加大：大公司压缩层级、冻结岗位、裁撤冗余，同时把大量人力转向 AI 部门；初创公司用极小的团队撬动极高的产能，一人公司、合伙制模式大量涌现。背后的共同逻辑是：AI 正在改变组织的基本单元、组队方式与雇佣关系，过去稳定、持久、边界清晰的固态组织结构，正在向流动、短暂、动态组合的液态形态演变。社会学家鲍曼提出的 “液态现代性” 概念，正在 AI 时代的组织中成为现实。

来源：腾讯，人工智能十大趋势报告2026

▌硅碳混编：人与 Agent 组成新的工作单元

麦肯锡的研究给出了典型的 AI 时代组织形态：2 到 5 个人类监督 50 到 100 个专业化 Agent，就可以支撑客户入职、产品上线、财务关账等端到端业务流程。这意味着，AI Agent 正在从工具变成组织的第二种劳动力，人与 Agent 的 “硅碳混编”，正在成为团队的基本工作单元。

明略科技等企业推进的智能体互联网实践验证了这一点：中间节点由大量 AI 智能体承担，项目负责人和领域专家直接调度调教，传统矩阵组织的管理冲突被弱化，3 到 5 人的小组就能推进过去需要几十人做的大型项目。Shopify CEO 甚至在内部要求：任何团队申请新增人力或预算前，必须先证明 AI 做不了这件事。用工逻辑彻底反转：从 “为什么招人” 变成 “为什么不先用 AI”。

Agent 要像员工一样被管理。岗位定义、评估体系、责任边界，这套管理人的方法，同样适用于 Agent。需要明确定义每个 Agent 的任务范围、上下文权限、责任边界；需要建立评估反馈飞轮，把错误案例沉淀成规则与上下文；需要在编入团队时就明确责任归属，避免算法甩锅的责任真空。Agent 不是一次性调用的工具，是需要持续管理的数字同事。

人的工作职能也随之动态切换，不再固定在单一角色上。人机协作分成四个档位：低风险可逆任务交给 Agent 全自动，人在环外；高风险不可逆任务必须人审人控，人在环内；成熟工作流由人维护规则、做评估，人在环上。有效的判断力供给，正在成为组织的新稀缺品。未来智能由系统承载，人移动到边缘，负责处理模型到不了的现场、信任、文化语境、伦理抉择和高风险判断。需求理解、架构权衡、系统设计这些根本困难，始终需要人来主导。

▌按需组队：团队随任务动态拼装

人和 Agent 的位置确定后，组织方式也跟着变了。传统按部门、岗位、汇报线划分的固定分工，跟不上 AI 技术与市场的变化速度。按任务、场景、结果即时组合的组队方式，正在从 AI 原生公司兴起。

组织设计的底层逻辑正在反转：不再由组织结构决定产品结构，改由任务需要的能力组合临时组成小队。Block 等公司放弃了由产品经理预设固定路线图的做法，改为沉淀支付、贷款、发卡等可调用的能力模块，再由公司的世界模型识别客户场景，经智能层组合成解决方案。flomo 等团队的产品经理不再先写 PRD，而是直接拿代码库权限、在真实数据库里跑通需求，让无效想法更早被证伪淘汰。

这种模式被称为 “有分工、无边界”，职能边界不再限定做事范围。特赞等公司重构为 “作战单元 + 横向社区” 的双轨制：pod 是闭环交付的跨职能作战单元，community 是补齐销售、产品、代码等能力的横向社区，减少反复对齐的摩擦。带队人的能力成为瓶颈，而不是队员：新型团队负责人既要管业务结果，也要编排 Agent，还要带团队成长，损益意识、商业直觉、责任心比单纯的专业能力更稀缺。

团队的最小尺寸按能闭环交付完整任务的最小人数来定，不再要求职能配齐。任务完成后，人和 Agent、外部资源可以重新流动，但组织需要保留共享层，包括共享数据、技能、评估体系、文档、文化机制，否则按需组队会滑向重复建设、局部最优和协同混乱。

问责机制也从按职能问责转向按结果问责。固态组织里，多数人只要做好自己的环节就行；液态组织里，每个人都要对最终客户结果负责。Block 构建的直接责任人（DRI）机制，让一个人在一段时间内对某个跨领域问题或客户结果负责，有权按需调动相关资源，而非永久管理某个部门。远离现场的人只能管理流程，贴近现场的人才能定义结果。

考核机制也必须柔性化。KPI 在任务确定的环境里有效，但液态组织的任务高度不确定，写好的瞬间可能就过时了，更需要靠使命维持方向。柔性考核至少需要三类条件：结果可度量、可归因；工具、数据、预算、权限同步下放；建立与高不确定性匹配的容错机制。当追求 10 倍效果而非 10% 改进时，必须允许部分小队失败。

来源：腾讯，人工智能十大趋势报告2026

▌弹性契约：雇佣关系从岗位绑定转向贡献关联

组织规模正在与产能解绑。Cursor 达到数亿美元年化收入时团队仅约 60 人，而传统软件公司做到同等规模通常需要 500 到 1000 人。核心人员可以很少，大量外围工作由 Agent、用户社区、合作伙伴承接，撬动的产能却可以极大。产能不再和人数线性挂钩，雇佣关系的底层逻辑自然松动。

个体公司化趋势明显。AI 填平了技能洼地，个体获取新技能的边际成本趋近于零，超级个体具备了过去小团队甚至公司才有的能力，独立创业者、一人公司大量涌现。Carta 数据显示，美国单人创办的新公司占比，已从 2019 年的 23.7% 升至 2025 上半年的 36.3%，且仍在持续提升。

组织合伙人化同步推进。AI 原生企业普遍推崇合伙制、弱化雇佣制。当 AI 让个人能创造数倍产出，越来越多岗位被要求直接面向客户、收入和结果负责，雇员身份让位于合伙人身份。有的企业甚至把公司拆成 9 家独立小公司，团队彼此成为平等合作关系，实现了成本下降、收益提升。

组织不会消失，但价值正被改写。超级个体并未走向孤立，反而以新的方式重新聚合。一个人扛不住所有风险，也接不住更大的价值场景。研究显示，有联合创始人的公司 5 年存活概率比单人公司高约 35%，多创始人团队的收入表现比单创始人高出约 163%。组织的价值，从垂直的 “提供分工”，转向水平的 “分担风险、沉淀信用、容纳更大场景”。

当时间和产出脱钩，按贡献定价的弹性薪酬兴起。雇佣制的固定月薪本质上是给时间定价；AI 让产出与工时脱钩后，按时间付薪就可能变成对高产者的惩罚、对低产者的庇护。Tenex 等软件公司按高质量产出量而非工时给工程师付薪，明显提升了客户项目的交付效率。变化速度因行业、岗位、层级而异，但方向一致：越是判断力和创造力主导的工作，岗位与薪酬的解绑越明显。

绑定方式也从忠诚锁定转向自愿交换。心理契约的迁移正在加速：雇佣关系正从 “忠诚换终身保障” 的关系型契约，转向 “明确交换、彼此自由” 的交易型契约，AI 只是加速了这一迁移。Netflix 期权立即归属、没有锁定期，前首席人才官直言 “如果你不想再和我们合作，我们不想把你当人质”，正是这一趋势的典型体现。

▌液态不是无序，规则更重要

组织液化改变的是结构的存在方式，不是结构本身的必要性。过去结构写在部门墙、岗位表、汇报线和审批链里，现在越来越要写进一套底层运行规则：目标怎么定义、权限怎么授予、过程怎么留痕、结果怎么归因、错误怎么回滚、贡献怎么分配。固态组织靠层级稳定秩序，液态组织靠规则稳定秩序。

这也意味着，组织液化并不会自动降低管理难度，反而把治理问题推到了更深的层次。岗位可以松动，但任务边界要清楚；团队可以流动，但责任归属要明确；契约可以弹性，但贡献和分配要可解释。BCG 与哥伦比亚商学院的调研显示，42% 的高管承认 AI 采用正在 “撕裂公司”，31% 的员工承认会主动破坏 AI 推广。真正撕裂组织的，往往不是 AI 能力不足，而是旧的秩序被打散后，新的运行规则还没长出来。

因此，判断液态组织是否有效的标准，不是结构有多精简、层级有多扁平，而是结构能否随任务生成、随风险调整、随责任闭合。未来真正领先的组织，是最能把目标、权限、责任、信任和判断力嵌入日常系统的组织，而不是最会拆部门、裁编制的那一类。

趋势十：角色重构 —— 从监督者到架构师，职业的重心在往上移

谈论 AI 对就业的影响，最容易陷入的误区是 “某个岗位会不会被替代”。真实的变化从来不是整个岗位消失，而是岗位里的任务被拆开：哪些能自动化，哪些能半自动化，哪些必须人兜底，一项一项重新分配。工作没有简单消失，而是被重新切块；人的位置也在逐步上移：从执行者，到增强型员工，到监督者，再到智能体的老板，最终成为架构师。2026 年，这场职业重心的上移正在清晰上演。

来源：腾讯，人工智能十大趋势报告2026

▌任务级重构：AI 重组的是任务，不是岗位

Anthropic 的经济指数研究清晰地呈现了这一格局：约 36% 的职业中，至少四分之一的任务已经出现 AI 介入；但只有约 4% 的职业中，四分之三以上的任务被 AI 覆盖。这说明 AI 不是一口吃掉整个岗位，而是先渗透岗位里的部分任务。

使用方式也在快速演变。早期 57% 的使用是增强型的 —— 人主导，AI 辅助学习、验证、修改；43% 是自动化的 ——AI 直接完成任务。到 2025 年之后，指令式对话的比例快速上升，用户更愿意把完整任务交给模型处理，企业 API 场景里自动化模式甚至占到 77%。人机协作正在从 “你帮我一下”，走向 “这件事你先做，我来验收”。

所以压力不会平均分布。资料整理、初稿撰写、简单代码、基础数据清洗、客服标准回复，这些标准化、执行性的任务，时间价值会持续下降。反过来，公司里那些说不清、写不进流程文档、却影响成败的东西会更值钱：客户的真实顾虑、项目的历史包袱、团队的能力边界、合规的红线、老板的偏好、组织的惯性。AI 越需要上下文，掌握上下文的人就越重要。

世界经济论坛的报告给出了宏观层面的印证：到 2030 年，约 22% 的现有岗位会受到结构性变化影响，预计新增 1.7 亿个岗位，同时替代 9200 万个岗位，净增 7800 万个岗位，劳动者核心技能中约 39% 会发生变化。这不是大规模失业潮，而是一场大规模的技能迁移与岗位重构。

▌人人都是 Agent 老板：管理能力下沉到每个岗位

AI 从工具变成数字员工后，每个人的工作方式都变了。一个研究员可能管一个扫论文的 Agent、一个整理数据的 Agent、一个写简报的 Agent；一个运营可能管一个竞品监测的 Agent、一个生成物料的 Agent、一个盯数据异常的 Agent。你未必管人，但你已经在管理一组数字劳动力。

微软的 Work Trend Index 把这种状态总结为：每个员工都会成为智能体老板。这会改写职业成长路径：过去新人靠做基础活练手、熟悉业务、逐步承担复杂任务；现在基础活被 Agent 接走了，新人就得更早学会提需求、拆任务、验结果、追责任。报告显示，83% 的全球领导者认为 AI 会让员工在职业更早阶段承担复杂工作。不是新人突然变强了，是工具把他们推到了更靠前的位置。

这里最重要的能力，从来不是提示词工程。提示词只是入口，真正的能力是：把模糊目标翻译成清晰任务的能力；判断哪些交给 AI、哪些自己做、哪些必须人工复核的能力；看出输出里的幻觉与错误的能力；把一次成功经验固化成可复用流程的能力。具备这些能力，才不只是 AI 的使用者，而是真正的智能体老板。

▌架构能力分层：从个人技能到组织能力

从执行者到架构师，是个人能力的升级路径；放到企业层面，架构能力会分化成六个维度的工作，支撑起整个人机协作体系。

第一是工作流架构，决定 AI 插入业务流程的哪个位置、替代哪些环节、衔接哪些系统。第二是智能体编排，设计多智能体之间的分工、顺序、交接机制、异常处理。第三是上下文工程，整理企业知识、客户数据、业务规则、历史案例，让 AI 有料可用、用得准确。第四是评估与信任管理，建立准确性、合规、版权、偏见、追溯、责任的全套体系，解决敢不敢用的问题。第五是 ROI 度量，回答项目到底省了多少时间、提升了多少转化、减少了多少返工，量化 AI 的真实价值。第六是持续学习运营，沉淀案例、提示模板、工作流模板、复盘机制，让组织的 AI 能力越用越强。

来源：腾讯，人工智能十大趋势报告2026

这六类工作不是六个独立岗位，而是六种新的工作职能。大企业可能专人专岗，中小团队往往一个人同时承担三四类。单个员工会用 AI，只能带来局部提效；组织能不能系统配置人和智能体，才决定了 AI 能不能变成结构性优势。human-agent ratio（人机配比）正在成为新的管理变量：报销审批、例行报表、素材初筛可以配置更多智能体；品牌危机、核心客户谈判、复杂创新项目必须保留足够的人类判断。

持续学习机制是这套体系的底层。AI 工具迭代太快，一次性培训远远不够，需要形成 “发现新工具 - 试点新流程 - 度量效果 - 沉淀模板 - 推广复用 - 继续迭代” 的循环。业务目标输入后拆解为任务，分配给人类判断和智能体执行，两边结果汇入质量评估，评估后整理为规则、数据、案例，反过来优化下一轮的任务拆解。这才是组织级的 AI 能力，而不是零散的个人使用。

放到各行各业看，架构能力并不抽象。制片人决定一部剧的受众定位与调性，总编辑决定选题角度与事实核查边界，总承包项目经理兜住法规、工期、供应链与验收，主治医生统筹诊疗方案与风险，游戏制作人权衡体验、留存与商业化，实验室 PI 判断研究问题值不值得继续投入。这些岗位看似差异极大，底层做的是同一件事：定义意图、设定约束、判定证据。AI 越强大，执行层效率越高，这些架构决策的影响半径就越大。

所以 AI 时代最难被替代的人，是能回答三个问题的人：做不做，做成什么样，凭什么说做成了。会执行具体步骤，反而排在后面。

▌教育范式转向：从训练执行者到培养架构型人才

职业重心的上移，倒逼着教育体系的变革。传统教育最擅长训练的，是给定问题找标准答案的执行者；而 AI 时代最需要的，是面对模糊情境定义好问题的架构型人才。这不是加一门 AI 课就能解决的，而是教育范式的根本转变。

来源：腾讯，人工智能十大趋势报告2026

对应到人才培养上，有五条可操作的路径：

一是在专业教育中嵌入 “意图 - 约束 - 证据” 训练框架，无论医学院、建筑系、新闻学院还是计算机系，都增加一类作业：给学生一个模糊的业务场景，让他定义目标、列出约束、设计证据链。这比教写 prompt 重要一百倍。

二是用 AI 模拟真实业务场景，让学生提前练管理智能体。医学生用 AI 辅助做诊疗方案，新闻系学生用 AI 做选题策划和事实核查，工程系学生用 AI 做系统集成方案。重点不是考 prompt 写得好不好，而是考能不能发现 AI 的错误、能不能在约束条件下做取舍。

三是建立人机协作项目制教学。毕业设计和课程项目中，明确要求学生组建 “人 + AI 团队”，规划哪些环节交给 AI，哪些必须人来判断，出了质量问题怎么追溯。直接训练未来的 Agent Boss 和架构师能力。

四是跨学科培养 “领域 + AI” 双能力人才。未来最值钱的不是纯 AI 工程师，是懂医疗 + 会调度 AI 做辅助诊断的医生，懂建筑 + 会用 AI 做方案比选的项目经理，懂金融 + 会用 AI 做风控的合规官。教育体系需要打通专业壁垒，让 AI 能力嵌入各行各业的专业训练中。

五是建立持续学习认证体系，替代一次性学历信号。AI 工具三个月一迭代，四年制学历教的东西毕业时可能已经过时。企业和教育机构需要联合建立 “能力微认证” 体系，看的是最近半年掌握了哪些新人机协作能力、完成了哪些实战项目，毕业于哪所大学退居其次。这更接近飞行员的资质维护模式，持续有效，持续更新。

一句话总结：AI 原生教育要培养的是架构型人才，也就是能定义问题、驾驭工具、承担后果的人。培养更熟练的 AI 用户，不是它的目标。这正是职业角色从监督者向架构师跃迁，在人才培养端的映射。

结语

2026 年是人工智能从技术突破走向系统性进化的关键节点。在线进化、多模态认知、科学智能三大技术方向，推动智能本身持续向纵深发展；驾驭工程、全民构建、可信执行三大工程支柱，让 AI 能力得以规模化落地到千行百业；智力即服务、智联网、液态组织、角色重构四大社会变迁，则将 AI 的影响力扩散到经济、组织、职业的方方面面。

技术的归技术，人的归人。AI 正在接管越来越多的执行性工作，把人推向更需要判断力、创造力、架构力的位置。这不是一场人与机器的零和博弈，而是一次全人类能力边界的整体拓展。协同进化，将是未来很长一段时间里，人与 AI 最核心的主题。

—The End—

【特别声明】本文为陈博观察文字原创内容，如需转载或引用请注明上述版权信息。文中相关插图已标注来源单位，版权完全归相关单位以及原作者所有；未标注的插图为本公众号绘制（部分素材借助AI工具完成）或来源于网络公开资料，如涉及侵权，请联系我们处理（yujianchenwei@163.com）。此外，本文仅供研究参考用，在任何情况下，文中的任何信息和结论均不构成对任何个人的投资与决策建议。

腾讯：人工智能十大趋势报告（2026）

最近文章

【9月2-3日】AMI2026第四届中国银发产业流量渠道对接大会