Manus“跑路”風波背後，AI Agent的商業化困局_風聞

還記得三個月前那個讓全網歡呼的AI Agent嗎？

2025年3月，Manus橫空出世，憑藉一段“智能體自主完成任務”的演示視頻，一夜之間成為科技圈寵兒。發佈一週內，200萬用户擠破頭預約，內測碼被炒至10萬，彷彿AI的下一個ChatGPT時刻已經到來。

然而，這場狂歡僅僅持續了130天。當第一批用户真正體驗產品時，美好的幻想被實際使用感受擊碎。人們發現，號稱全能助手的產品底層技術完全依賴大模型API拼接，實測過程中只執行少數標準化任務，面對複雜場景常常束手無措。

實際上，Manus的困境並非孤例。另一家明星Agent企業瀾碼科技早在2025年初就因融資斷裂，停發員工薪資數月，目前正尋求併購機會。

雖然通用智能體被廣泛認為是實現AGI的必經之路，但現實卻給了這個美好願景沉重一擊。行業報告預測，到2027年，約40%的AI Agent項目可能因成本失控或商業模式不清晰而被淘汰。

那麼，通用Agent賽道的窘境，是否折射了整個Agent行業的困局？未來的Agent要怎麼做，才能被市場買單？

在讓Manus一夜爆紅的那段視頻裏，智能體能自動篩選簡歷、分析股票、規劃旅行，甚至能像人類一樣“思考”複雜任務。此後，內測邀請碼一碼難求，資本蜂擁而至，硅谷頂級風投Benchmark領投7500萬美元，公司估值飆升至5億美元。媒體爭相報道，稱其為下一代人機協作的範式。

一時間，Manus成了AI創業的標杆，彷彿它真的能改變世界。

然而，狂熱的追捧之下，質疑聲悄然浮現。

隨着時間推移，用户發現Manus的實際體驗遠不如宣傳那般驚豔。熱度迅速消退，訪問量逐月下滑。

一方面，Manus的核心能力並非自研，而是依賴OpenAI的GPT-4和Anthropic的Claude等第三方大模型，自己只做封裝。業內人士嘲諷它是“AI套殼智能體”——能拆解任務，但執行時依賴預設的RPA，一旦遇到意外情況，就會直接卡殼。比如，大規模用户湧入後，Manus的響應速度明顯變慢，算力瓶頸凸顯。有用户反饋Manus經常在複雜任務中卡殼，給出不合理的答案。

另一方面，高昂的價格讓不少用户望而卻步。19-199美元/月的定價甚至與ChatGPT等頭部大語言模型持平，但其實測效果又遠被甩在身後。失衡的性價比讓不少付費用户感到自己被欺騙了。比如，Manus號稱能完成電商比價等複雜任務，但在實際操作過程中漏掉拼多多、天貓數據，核心數據甚至出現事實錯誤；金融建模時，Manus仍使用2023年的β值，與即時市場嚴重脱節，偏差超過15%；視頻能力上，輸入指令“貓狗和諧相處的温馨畫面”，Manus卻給出了一個狗頭貓身的“弗蘭肯斯坦”式生物。

可以説，那些花高價訂閲（19-199美元/月）的用户，等來的不是一個智能助手，而是一堆隨時可能出錯的模型能力的剪輯與拼接。

實際上，Manus風評直下並非偶然，它的困境折射出整個通用AI Agent賽道的集體困局——技術未成熟就急於商業化，資本催熟泡沫掩蓋產品缺陷。

Gartner預測，到2027年，40%的智能體項目將因“成本過高、商業價值不明”被淘汰。

而當潮水退去，裸泳者才將現形。Manus的故事，或許正是這場大浪淘沙的開端。

就在幾個月前，Manus的爆火讓人們以為通用智能體的時代已經來臨，創業者們前赴後繼地湧入這個賽道，彷彿只要給自己的產品貼上Agent標籤，就能輕鬆獲得資本青睞。然而現實是，大批通用AI Agent產品折戟沉沙，行業初期的浮躁與泡沫逐漸顯露。

為什麼通用Agent沒有像大語言模型那樣讓市場持續振奮？

因為市面上槽點偏多的通用AI Agent產品本質上都只是大模型的一層皮。它們調用GPT-4或Claude等頭部模型API，加上一個定製的前端界面，就稱自己是Agent了。這種模式開發門檻低、上線速度快，但也意味着同質化嚴重、護城河稀薄。同類產品都空洞地執行着“接收輸入→調用模型→解析輸出→展示結果”的統一流程，沒有競爭力，而一旦大模型接口價格上漲或政策變化，就可能難以為繼。

進一步講，通用Agent的大模型依賴症導致它卻缺乏統一的底層架構設計，常常陷入泛而不精的宏大敍事，缺乏明確產品定位。

通用Agent，其實在民間還流傳着一個不太雅觀的稱號——縫合怪。就是説，產品為了展示多功能性，強行整合RPA、爬蟲、數據分析工具，導致系統臃腫，無法真正適應複雜任務，用户在實際體驗過程中效果不佳。麥當勞與IBM合作開發的AI Agent，因在真實餐廳環境中頻繁出錯，最終被放棄。由於技術效果與業務需求之間存在落差，當企業發現投入巨資引入的Agent產品並沒有帶來預期的效率提升，自然會放棄繼續投入。

沒有人願意買單，用户留存率和轉化率少，但通用Agent的成本卻不低。與專業Agent相比，通用Agent依賴多個大模型API，token消耗量更大。且由於任務泛化性更高，通用Agent產品開發和維護都需要持續投入大量算力和工程資源。然而，很多創業公司在起步階段盲目採用互聯網時代“先圈用户後變現”的免費獲客模式，忽視了通用Agent服務的高成本特性。而這種高成本、低轉化的矛盾則直接導致了，一旦融資跟不上、公司很快就會陷入現金流危機。

不難看出，通用Agent創業的泡沫正在破裂，那些無法實現商業化、僅靠講故事和堆模型吸引資本的公司註定逃不過被淘汰的命運。

但通用智能體不被看好，能代表Agent這條路已經封死了嗎？

當前AI Agent領域正經歷一場殘酷的洗牌——高昂的研發成本、模糊的商業化路徑，讓不少玩家黯然退場。然而，在一片“哀鴻遍野”中，仍有像GenSpark、Salesforce這樣的企業逆勢增長，不僅活了下來，還跑通了可持續的商業模式。

為什麼Agent賽道冰火兩重天，我們或許可以從這些成功盈利公司的生存模式來一探究竟。

首先，小而美優於大而全。

許多AI Agent的失敗，源於試圖打造萬能助手，結果既無法超越通用大模型，又難以在具體場景中真正落地。他們過分追求技術的通用性和智能度，卻忽略了企業客户真正關心的問題——我買這個東西，到底能做什麼？

與盲目追求通用智能的做法不同，一些Al Agent公司選擇在垂直領域深耕，針對痛點提供定製化解決方案，將智能體嵌入到客户的業務流程中，建立技術和數據壁壘。

比如今年突然闖進公眾視野的Agent黑馬——Genspark。這家公司員工僅僅二十人，卻在Super Agent上線45天后便實現了3600萬美元的年度經常性收入。

一個重要的原因是找準了專業賽道。

Genspark最初做AI搜索，但發現該領域已被Google、Perplexity等巨頭壟斷，於是果斷轉型AI Agent，聚焦辦公自動化、數據分析和文件管理等企業剛需場景。

據悉，Genspark驗證效率比傳統搜索引擎提升60%，虛假信息過濾率高達98%。實際應用場景中，金融行業客户使用GenSpark後，投資研究報告撰寫時間從3天縮短至8小時；學術機構用户反饋，使用GenSpark進行文獻綜述時，效率提升了50%。

靠着在垂類領域做到極致，半路轉行的Genspark得以在Agent競賽突出重圍。

其次，解鎖付費意願很重要。

解決了做什麼後，另一個問題就是：這個AI到底能幫客户賺多少錢，或者省多少錢？

許多通用Agent公司沉迷於炫技，卻忽略了企業運營的真正痛點——ROI（投資回報率）。當每個產品都號稱自己有Agent能力，破局者靠什麼脱穎而出？

關鍵在於幫助客户定義AI的價值錨點。Salesforce的Agentforce之所以能在上線一年內吸引5000家機構部署、實現10億美元年化收入，就是兼具可解釋和按需付費兩個特性：可解釋，每個AI決策都能回溯推理過程，讓企業清楚知道“AI為什麼這麼判斷”，降低信任門檻；按需付費，除了會員制，平台還提供了按對話次數付費的商業模式，讓企業選擇更靈活、成本結構更透明。

深度綁定業務流程的AI Agent因直接解決了企業痛點，從而獲得持續的商業收入。這也説明了，企業客户不只為Agent的概念買單，而是為可量化、可審計、可省錢的解決方案買單。

最後，數據反哺、社區創新建立生態護城河。

技術日新月異，企業想要存活，必須保持競爭力，讓產品越用越聰明。要與時俱進，上述成功部署、受到市場認可的專業型Agent產品還要進一步在真實場景中收集大量的用户反饋，構建數據閉環，建立社區網絡，才能進一步反哺智能體快速迭代。

醫療Agent PathChat通過分析顯微鏡圖像和患者數據，幫助醫生快速識別腫瘤，在積累了大量獨家醫學數據後，將識別準確率從78.1%提高到89.5%，進一步鞏固專業護城河；Salesforce推出的Agent平台允許開發者創建各種行業Agent應用，第三方的加入豐富了平台功能，反過來又吸引更多企業客户採用Salesforce的AI方案。

將單一產品上升為生態系統的Agent公司，將更難被撼動。

簡言之，那些在Al Agent寒冬中依然挺立的企業雖各有高招，但無不是將技術與場景深度結合的務實者。而那些一味追逐風口、忽視用户需求的投機者，終將被歷史淘汰。Manus的故事或許還無法輕易定調，但它留給業界的討論是有價值的：Al Agent的使命，在於成為人類的得力助手，而不是資本遊戲中的空中樓閣。

任何不想只是曇花一現的技術，唯有腳踏實地、聚焦場景、創造價值，才能真正走出困局，迎來屬於自己的春天。