甲子光年宋涛解读Agent商业化路径,以洞隐科技为例,探讨行业上下文如何转化为可执行、可验证的业务能力。
一家供应链企业可能已经部署了ERP、WMS、TMS等多套系统,但当运输延误影响客户交期,工作人员仍需要跨系统查询订单、协调承运商,再逐一更新业务状态。
系统已经实现数字化,为什么完整业务任务仍离不开大量人工衔接?
11月13日,在供应链科技企业洞隐科技(Deep Insights)于上海举办的2026洞隐用户大会上,甲子光年智库院长宋涛围绕《2026 Agent商业化与竞争路径研究报告》展开解读,并将研究视角延伸至供应链行业。
Agent正从回答问题、辅助操作,走向承担完整业务任务。对企业而言,评价标准也随之改变:AI能否在真实业务环境中持续推进任务、处理异常,并交付可验收的结果?

01|从模型能力到任务结果,Agent的商业化标准正在改变
过去几年,AI产品的竞争主要围绕模型能力展开。随着Agent进入企业工作流,仅凭模型能否准确理解问题、调用工具或完成单次操作,已经不足以判断其商业价值。
宋涛在演讲中将AI产品的演进概括为三个阶段:Chatbot提供答案,Copilot辅助操作,而Agent尝试在明确目标和授权范围内持续执行任务。
三者的重要区别在于谁负责推进工作,以及最终验收什么。在Agent阶段,系统开始承担状态跟踪、多步执行和反馈调整,人员则负责目标设定、关键授权及结果验收。
甲子光年智库在研究中提出,Agent落地需要四项基础条件,其商业可行性还需经过任务适配及供需两端的价值验证:
- 模型能力(Agentic Model):能否理解目标、规划任务并作出判断。
- 领域与业务上下文(Domain Context):是否具备必要的业务知识、规则、对象关系与实时状态。
- 运行与执行机制(Agent Harness):能否连接工具、管理任务、控制权限并验证结果。
- 任务经济性(Task Economics):任务质量、成本和风险,与人工及现有软件方案相比是否合理。
这四项基础条件需要放到真实任务中共同验证。模型表现优秀,不代表业务规则已经准备充分;系统能够自动执行,也不意味着整体投入一定划算。
商业化还需要同时回答两个问题:企业是否获得可衡量的业务改善,厂商能否通过收入覆盖交付、运营及后续复制成本。只有供需两端的价值持续兑现,Agent才具备扩大应用的基础。
02|企业选择Agent场景,先过三道门槛
企业部署Agent,首先需要解决的不是模型选型,而是从哪个业务场景切入。
甲子光年提出了三个判断标准:有价值、接得上、兜得住。
有价值,是看任务能否带来实际改善。节省时间、减少差错、扩大服务范围,都需要结合任务量、实施费用及维护成本计算完整投入产出。
接得上,关注企业的业务基础。目标、规则和岗位责任是否明确,数据能否取得,现有系统能否连接,决定了Agent是否具备进入工作流的条件。
兜得住,则要求提前确定风险边界。重要操作由谁审批,数据冲突如何处理,执行失败后谁来接管,都应有明确机制。
具备条件的场景可以先开展小范围验证;数据、系统和组织准备不足的,应优先补齐基础;收益不明确或风险难以控制的任务,则需要重新评估。
对于供应商,还要进一步考虑同类需求能否跨客户复用,以及每增加一个客户需要投入多少开发、实施和维护资源。
因此,Agent选型已经从技术能力比较,逐渐转向对业务任务、执行机制和长期成本的综合评估。
03|供应链Agent,为什么难在系统与系统之间?
供应链是Agent商业化中具有代表性的专业场景。
一笔订单可能涉及供应商、生产企业、仓库、运输服务商和最终客户,同一业务状态又可能分散在ERP、OMS、WMS、TMS等系统中。
各系统能够独立运行,并不代表跨系统任务能够自动完成。
甲子光年将其中的问题归纳为四类断点:数据断点、语义断点、流程断点和执行断点。
数据断点表现为订单、库存与物流状态分散;语义断点来自不同系统对业务对象和规则的定义差异;流程断点使跨部门协调仍依赖人工;执行断点则意味着一次处置完成后,还需要在其他系统重复更新并确认结果。
当任务延伸至企业外部,还要面对合作伙伴之间的数据获取、业务规则和责任分工问题。
宋涛在演讲中以一次运输延误为例,解释Agent如何跨系统推进任务。
车辆预计晚到时,系统首先需要识别异常,关联订单、客户和承诺交期,判断影响范围;随后综合时效、费用及客户要求形成处置建议。
涉及成本和交付承诺的调整,需要获得相应人员确认。获得授权后,Agent再调用相关系统推进计划调整、信息通知及后续跟踪,最终依据到货、签收和业务状态回写核验结果。

图二:Agent参与运输延误处理的示意流程,涉及业务系统连接、人工授权与结果核验。来源:甲子光年智库整理
运输延误被识别后,还需要关联订单与履约约束,在授权范围内推进处置,并核验结果;这才构成一次完整的业务任务。
04|行业经验如何转化为Agent能力?洞隐提供了一个观察样本
不同类型的厂商,带着不同的资源进入Agent市场。
模型厂商拥有模型与推理能力,云厂商具备基础设施和开发生态,业务软件厂商熟悉现有系统及客户工作流,专业场景供应商则可能积累更深入的行业知识与现场经验。
但资源优势只有转化为可交付的任务能力,才能形成真正的竞争力。
宋涛在演讲中以洞隐科技为例,讨论了专业业务软件厂商向Agent演进的路径。
洞隐科技(Deep Insights)是一家AI Agent驱动的供应链科技公司,拥有20余年供应链数字化研发与实施积累,业务覆盖运输管理、仓储管理、国际货代及航运等领域。
对洞隐而言,20多年的行业积累,沉淀在业务对象、作业规则、异常处置经验,以及跨系统、跨企业的协作关系中。推动Agent落地,需要将这些上下文转化为可调用的工具、可复用的技能和可核验的执行规则,使Agent能够理解具体业务,并在明确的权限边界内推进任务。
在此次用户大会上,洞隐集中展示了运输、仓储、货代、航运四大领域Agent,并发布DI.AI TMS、DI.AI CargoNova两款AI原生产品。
这些实践与甲子光年提出的领域上下文、执行机制和任务适配等商业化判断形成了具体对应。
在技术架构上,DI.AI Platform供应链智能体平台通过五层体系组织专业能力:平台基座提供业务对象、治理与审计能力;MCP连接对接现有业务系统;Skill与Memory承载专业知识、业务规则及处理经验;Agent编排负责任务协调与异常升级;场景Agent面向具体业务任务执行。

图三:洞隐科技 DI.AI Platform 供应链智能体平台五层架构。资料来源:洞隐科技。
这体现了一种行业软件厂商的演进路径:以现有系统为入口,将业务规则转化为可调用的专业能力,再通过任务编排推动跨系统执行。
结合洞隐在本次大会上的产品发布资料,可以进一步看到上述思路在运输与货代场景中的具体体现。
DI.AI TMS采用目标导向、事件驱动和任务中心的设计,围绕运输目标组织订单校验、计划调整、异常跟进与结果验收。当运输条件变化时,Agent根据业务状态继续推进后续任务,而不仅是发出告警。
据洞隐本次大会的产品介绍,运输领域的Agent覆盖物流可视化、运输异常管理及POD回单审核等环节:物流可视化Agent汇聚运输节点信息,运输异常管理Agent关联受影响订单并按授权推进异常处置,POD回单审核Agent核验交付凭证。这些能力分别对应运输过程中的状态感知、异常处理与交付核验,也为理解Agent如何进入具体业务流程提供了例子。
DI.AI CargoNova面向国际货代跨岗位协作,配置覆盖航线运控、销售、客服、订舱、单证、关务、财务和运营的八个岗位Agent,通过Main Agent协调任务与交接,让同一票业务的资料、处理状态及待确认事项持续衔接。
前者关注连续任务执行,后者强调跨岗位业务协同。两者都需要业务上下文、系统连接、任务编排与人员授权,共同回应供应链Agent从局部操作进入完整工作流的需求。
从这一案例可以看到,行业Know-how的价值不止于知识储备,更在于能否转化为系统可理解、可调用、可验证的专业任务能力。
05|下一阶段的竞争,比的是谁能持续交付
Agent完成一次概念验证,不等于具备标准产品能力;在一个客户现场运行,也不代表能以同样成本复制到其他企业。
甲子光年认为,供给将沿平台化、产品化、服务化三条路径共同演进:平台化提供通用运行、连接与治理能力;产品化将重复度较高的任务封装为标准应用;服务化依托行业知识、系统集成和持续运营,适配复杂场景。
供应链领域往往需要三者结合:共用平台降低重复建设,标准任务模块提高复用程度,必要服务承接客户特有规则。复制能力最终还要接受任务质量、运营成本和新增交付投入的检验。
企业在考察Agent方案时,也应了解已有系统的接入方式、异常暂停及恢复机制,以及业务变化后的配置维护责任。
宋涛在演讲结尾将焦点落在持续交付。对企业而言,重要的是Agent能稳定完成什么、异常由谁接管、结果如何验收,以及投入是否合理;对厂商而言,则是能否把技术、专业知识和实施经验沉淀为可复制的产品与服务。
从“模型能做”到“业务能用”,再到“长期值得用”,将是Agent商业化下一阶段必须回答的问题。