大模型 API 调用成本较 2023 年下降超 80%。毕马威《2026全球技术报告》显示88% 的受访企业已开始把 Agentic AI 融入业务系统但只有 24% 能在多个用例上拿到投资回报。卡住企业的不是价格而是三件事能不能稳定交付、出了问题能不能查、能力能不能沉淀为企业资产。成本早已不是门槛2023 年 3 月 GPT-4 发布时输入端百万 token 的公开价格是 30 美元到 2026 年初同级别模型已降到 2.5 美元上下降幅接近九成。斯坦福 HAI 的口径更直接2022 年 11 月到 2024 年 10 月达到同等能力的成本下降约 280 倍。但 Token 单价和实际账单是两回事。模型从“问答”转向“执行任务”后一次任务要经过多轮思考、多轮工具调用和重试消耗量往往是一次简单问答的几十倍。单价降了九成用量涨得更多。真正占大头的是模型之外的工作与既有系统对接、数据治理、权限设计、上线后的运营与复核。“高渗透、低回报”到底卡在哪毕马威中国人工智能转型办公室主管合伙人柳晓光把“试点容易、规模化难”归纳为四个原因企业仍以技术项目而非经营目标推进智能体建设应用停在局部效率优化智能体之间缺少统一编排没有形成跨部门、跨系统的协同数据治理、系统架构与流程成熟度参差限制了智能体在生产环境里的稳定运行没有建立统一的价值评估体系对效率、成本、收入、风险缺乏持续跟踪。四条指向同一个要求AI 不能是一堆各自为政的工具而要有统一的编排、统一的知识来源、统一的权限与审计。一个角色要能上岗得同时具备三样能力推理能力——能听懂任务要求在边界内自主拆解、连续执行而不是只能按固定流程走。需要现场判断的非标业务固定流程都会卡住。企业专属知识——知道这家公司的口径、制度与历史项目怎么处理。通用模型的常识替代不了内部规则也给不出可溯源的依据。业务系统操作能力——能真的进到 OA、ERP、财务系统里把流程走完、把结果交出来。只会说不会做的仍然只是个聊天窗口。三样缺任意一样就只能停在演示阶段模型很强但不懂企业或者懂企业但动不了系统。数字员工不是个人助手也不是 RPA个人提效类 AI 助手例如 workBuddy、通义千问办公跑在个人电脑上上手快、门槛低适合个人日常提效但能力和数据沉淀在个人本地不进入企业的组织架构与资产体系。RPA 解决的是规则清晰的重复性界面操作优势是稳定短板是流程一变就要重做也缺少判断力。数字人方案以形象呈现和问答交互为主适合展示与接待场景。数字员工的差别在于有独立身份和权限列在组织架构里有岗位和职责边界能对接业务系统任务全过程留痕。所有人都能向它提需求但只有管理员能创建和管理它。落地这一步现在走到哪了行业里已有厂商沿着这个方向做产品。华微软件 2026 年发布的 weiMates 数字员工平台把大模型训练、智能体编排、企业知识库三层能力叠起来交付成一个有独立身份、列入组织架构的角色执行放在云端隔离沙箱管控侧统一管理策略、知识与技能任务全过程留痕可回放支持私有云与政务云部署。据华微公开的项目材料其电力场景的一套风险协同管控数字员工团队覆盖 24 个核心场景把原来 5 人的风险核查人力压到“1人1组数字员工”。单个案例只说明路径可行不说明结果可以复制。成本降到历史低位之后横在中间的都是组织问题——谁负责、怎么查、算不算得清账。真正有价值的不是数字员工能做多少件事而是企业敢不敢把真实业务交出去。