2026中国AI智能体落地全景：从Coze、Dify到企业工作流，钱在哪里？

一位客服主管拿着一份「智能体替代 30 个坐席」的提案来找你。先别急着砍预算，先问一句：这 30 个人每天处理的工单，有多少是同一类问题？

这个问题决定了他该买扣子还是 Dify，也决定了这笔钱最后是省下来还是沉进去。

智能体和工作流自动化，分界线在哪

工作流自动化不新鲜。Zapier、n8n、钉钉审批、RPA 都属于这一类：步骤写死，A 触发 B，B 把数据交给 C。模型可以出现在某个节点里做分类或摘要，但节点本身和分支条件是提前定义好的。

智能体的差别在决策权。你给一个目标，它自己决定先查订单、再查物流、要不要给用户发消息、发完要不要建工单。步骤不在代码里，在模型的判断里。

判断一个任务属于哪边，问一句话就够：这件事交给一个刚入职的实习生，你能不能写出一份步骤不超过十步的 SOP？

能，就是工作流。
不能，而且他每次都得先问一圈人才能决定下一步，那就是智能体。

成本上的差别来自调用次数。工作流走完一次流程通常调用一到两次模型；智能体为了一个任务可能调十次工具，每次结果都要塞回上下文，token 和延迟同时上涨。业务量大的场景，这个倍数就是账单的倍数。

flowchart TD A[拿到一个待自动化的任务] --> B{步骤能写死吗} B -- 能 --> C[工作流自动化] B -- 不能 --> D{出错后必须精确回滚吗} D -- 必须能 --> E[工作流加人工兜底] D -- 不需要 --> F{调用量级大吗} F -- 不大 --> G[智能体] F -- 很大 --> H[智能体加小模型路由加调用上限]

真正模糊的是客诉处理这类场景。意图分类可以用工作流，退款申请处理要查订单、看物流、判断有没有超期，这段适合智能体。别把整个流程塞进同一种方式，按步骤拆开。

平台型、垂直型、企业自研，三类玩家各卖什么

平台型产品的差别主要在部署方式和锁定程度。

扣子（Coze）：字节的产品，Bot、插件、工作流、知识库在同一个界面里，发布渠道包含飞书、抖音等。验证想法快，一两周能看到东西。深度定制要绕平台限制。
Dify：开源项目，社区版可以自托管，Workflow 和 Agent 节点都有。有技术团队、数据不能出内网的公司常拿它起步。企业版功能和支持需要单独谈。
阿里云百炼、百度千帆、腾讯元器：和自家云资源、模型服务绑得紧，走企业采购流程比较顺。签之前先确认模型能不能换、数据落在哪个区域。
n8n：编排能力强于 AI 能力，自托管版本可用。公司已经在跑 n8n，加一个 AI 节点比换平台便宜。

类型	典型产品	上线速度	定制空间	主要风险
平台型	扣子、Dify、百炼、千帆、元器	快	中	平台限制、迁移成本
垂直型	各行业客服/营销/法务 SaaS	最快	低	功能边界固定，加需求要等排期
企业自研	LangGraph、Dify 二开、直接调 API	慢	高	人力投入、长期维护

垂直型产品的共同点：预置行业知识、按坐席或按调用量收费、交付周期短。缺点也一致，你的特殊流程他们不会为你一个人改。

企业自研适合核心业务。判断标准简单：这个环节停了公司会不会停。会，那就自己掌握；不会，买现成的。

客服、营销、研发、供应链，ROI 怎么算才不骗自己

先记住一个公式：

年化收益 = 节省工时 × 综合人力成本 + 质量收益 + 新增产出 − 模型调用费用 − 平台费用 − 集成开发 − 运维

多数提案只算第一项，还按满负荷算。

客服：按工单类型拆，别按总量算

把最近一个月的工单导出来，按问题类型分组。排名前五的类型通常占掉大部分重复劳动，这部分是智能体能吃下的，长尾留给人工。

盯四个数：自助解决率、转人工率、首次响应时间、因错误回复产生的二次工单。最后一项最容易被忽略，也最容易把账算崩。上线前先跑四周影子模式，智能体给建议、人工点发送，两边答案都留档。

营销：先看产出速度，别先看转化率

素材批量生成、投放文案变体、评论区回复，这些环节的收益好测。转化率受素材质量、渠道、预算多重影响，单把 AI 拉出来归因会失真。先确认产出量能不能起来，再看转化。

研发：用 DORA 指标对照

代码补全、单测生成、issue 分类、on-call 初筛这几件事里，补全工具的收益最好算。用部署频率、变更失败率、平均恢复时间做前后对照，比凭感觉说提效靠谱。

供应链：数据规整的场景，传统模型往往更便宜

需求预测、单据识别、异常订单排查，这些任务的数据是结构化的。历史数据够、规律稳定的话，梯度提升树之类的模型成本更低、延迟更小、结果还更可解释。智能体的价值在处理非结构化的那部分：供应商邮件、合同条款、异常描述。

四个场景通用的核算清单：

把任务拆成可自动化与不可自动化两部分
影子模式跑够四周，记录命中率和错误类型
模型调用费用按最坏情况（调用次数上限）估算，别按平均值
算清楚人工兜底的人力，这部分不会消失，只会变少

MCP、权限、评估、成本，2026 年绕不开的四件事

MCP

Anthropic 在 2024 年 11 月开源了 Model Context Protocol，用统一的方式描述模型能调用哪些工具。接入之后，同一份工具定义能在不同客户端之间复用，不用为每个平台重写一遍。

它解决的是接口格式问题。权限和审计不在它的范围内。要接之前先看平台文档里对 MCP 的支持程度和认证方式，各家进度不一样。

权限

智能体拿到的工具权限，不应该超过给它派活的那个人。落到实现上：

默认只读，写操作（下单、退款、发消息）走单独审批或二次确认
用 OAuth 的 scope 限制到具体资源，别图省事给一个全量 token
所有工具调用留日志，包括入参和返回，出事能回溯到哪一步

评估

没有评估集就不要上线。做法：从真实历史数据里挑 50 到 200 条典型 case，每条写清楚期望行为，包括该调用哪个工具、该拒绝什么请求。每次改 prompt 或换模型后跑一遍回归。维护这个集合的成本比模型费用高，但它是唯一能判断「变好了还是变坏了」的手段。

成本

三块：模型调用、平台订阅、集成开发。前两块看得见，第三块最容易被低估——把智能体接进老系统，接口改造和异常处理的工作量通常超过搭建智能体本身。

控制调用成本的具体手段：

简单分类和路由用小模型，复杂推理才上大模型
限制单次任务的最大工具调用次数，超了直接转人工
缓存高频问题的答案，别每次都重新推理
监控单任务平均 token 消耗，设一个告警阈值

多智能体互相调用的架构，先算最坏情况的成本。一个请求套三层，账单会失控。

企业怎么选，投资人怎么看

选型清单：

这个任务有没有可写下来的 SOP，有的话先做工作流
数据能不能出内网，不能的话优先看 Dify 社区版或云厂商私有化方案
上线后谁来维护 prompt、知识库、评估集，有没有固定的人
最坏情况损失多大，能不能回滚
prompt、知识库、工具定义能不能导出，换平台时会不会推倒重来

投资判断看三件事：

第一，收入是不是绑在模型调用量上。按调用量收费的产品，毛利会被上游模型价格和客户用量两头挤，订阅制或按坐席收费的形态更稳。

第二，客户把多少流程放进了产品里。放进去就难换。

第三，交付人力占收入的比例。这个数字高，说明产品化程度低，规模越大越累。

垂直型公司能不能活下来，看它有没有拿到平台型公司拿不到的东西：行业数据、合规资质、和客户业务系统的深度集成。只做 prompt 封装的产品，平台出一个官方模板就没了。

这周就能做的一件事

挑一个高频、低风险、输出可校验的任务——订单状态查询、常见问题回复、单据字段提取都行。用扣子或 Dify 社区版搭一版，跑四周影子模式，把命中率和错误类型记下来。

四周之后你手里的数字，比任何一份行业报告都能帮你决定这笔钱该不该花。

各平台定价和功能调整频繁，签约前以官网当前页面为准。