核心判断

2025年被产业界与资本市场普遍视为企业级AI Agent（智能体）的商用元年：大模型推理能力的跃升、工具调用与计算机操作（Computer Use）通道的打通、多智能体协作框架与MCP/A2A等互操作协议的标准化，使AI第一次能够跨系统执行完整任务链，而不只是生成内容。市场规模层面，多家机构口径下的2025年全球AI Agent市场约为76亿—79亿美元；中国企业级AI Agent应用市场约232亿元，2023—2027年复合增速约120%。更大的盘子在于AI整体支出：Gartner预计2026年全球AI总支出达2.7万亿美元，同比增长49.5%，且年内三版预测逐次上调。

核心判断一：ROI呈现显著的「哑铃型」分化。头部场景（客服、HR共享服务、软件研发、办公协同、营销）已出现可审计的量化回报证据——Klarna的AI客服上线首月即完成相当于700名全职客服的工作量，IBM 的AskHR 智能体对常见HR 问题的自助处理率达94%，GitHub Copilot对照实验显示编程任务提速55.8%；但MIT《生成式 AI 的鸿沟：2025 年商业 AI 的现状》的报告显示，尽管企业在生成 AI 上已花费了 300 至 400 亿美元，但 95% 的公司迄今并未能获得商业回报。跑通与踩坑的分水岭不在模型，而在场景选择、数据底座与工程化能力。

核心判断二：「从炫技到干活」的第一性原理是任务特性匹配。高频、结构化、容错可控、数据可得的任务最先跑通：行业落地优先级排序为——企业服务（OA/ERP/CRM）最快，其后为金融/财务/风控、营销/电商、制造/供应链、法律/政务、医疗/教育。IDC调研亦显示，中国企业在金融、制造、零售等流程标准化程度高的领域已形成规模化落地。

核心判断三：按结果计费正在重塑商业契约。IDC调研显示，66%的中国企业偏好基于业务成果计费，显著高于全球的52.7%。这一采购逻辑倒逼厂商从卖License转向对客户ROI负责，是Agent从演示走向交付的制度性推力。

核心判断四：未来三年是洗牌窗口而非坦途。Gartner预测2027年末将有超过40%的agentic AI项目因成本攀升、价值不清或风控不足被取消；到2028年33%的企业软件将内嵌agentic AI能力；到2029年80%的常见客服问题将由智能体自主解决。泡沫出清与渗透率陡增将同时发生，厘清ROI账本的企业才能留在牌桌上。

核心判断五：政策为中国市场注入确定性。国务院《关于深入实施人工智能+行动的意见》明确，到2027年新一代智能终端、智能体等应用普及率超70%、2030年超90%，并提出发展智能体即服务等新业态；截至2025年末，全国已有748款生成式AI服务完成备案，合规供给常态化。

一、市场全景与技术转折点

1.1 全球市场：大盘陡增，Agent软件独立成线

由于统计边界不同，各机构对2025年全球AI Agent市场规模的估计集中在76亿—79亿美元区间：Precedence Research口径为79.2亿美元，Grand View Research口径为76.3亿美元，量级互洽。若将Agent视为AI支出大盘中的一个加速板块，格局更为清晰：Gartner预计2026年全球AI总支出将达2.7万亿美元，同比增长49.5%——这一预测在2026年1月（2.52万亿）、5月（2.59万亿）、9月（2.7万亿美元）三版发布中逐次上调，反映AI基础设施投资与AI嵌入软件服务的共振超预期。

图1 2025年全球AI Agent市场规模（多机构口径对比）。

图2 Gartner对2026年全球AI总支出的三版预测逐次上调（1月→5月→9月）。

其中，专用AI Agent软件支出正在独立成线。按Gartner 2026年9月预测口径，AI Agents and Assistants软件支出2025年约165亿美元、2026年约292亿美元、2027年约655亿美元，两年间增长约3倍。Agent板块的增速明显高于AI大盘整体（2026年约+77%，同期AI总支出+49.5%），说明企业预算正从通用AI投入转向可执行任务的智能体形态。

图3 全球AI Agents and Assistants软件支出（Gartner 2026年9月预测）

图4 全球各市场 AI 支出（2025–2027 年，单位：百万美元）（Gartner 2026年9月）

商业化收入侧的先行指标同样清晰。Salesforce财报显示，其Agentforce与Data 360产品在FY2026财年第三季度（截至2025年10月31日）合并年化经常性收入（ARR）已达14亿美元，同比增长114%，累计付费Agentforce交易超过9,500笔，累计处理3.2万亿token。这是企业级Agent从概念验证走向规模化收入的最直接财务证据之一。

1.2 中国市场：232亿元起步，成果计费偏好领先全球

第一新声智库测算，2025年中国企业级AI Agent应用市场规模约232亿元，2023—2027年复合增长率约120%，预计2027年达655亿元；同口径下2025年中国AI大模型应用市场规模约328亿元，Agent已成为大模型应用的主要载体。IDC则从企业级应用口径给出更长期的预测：中国企业级Agent应用市场规模在2028年保守估计将达270亿美元以上。两家机构统计边界不同（前者侧重企业级Agent应用市场、后者覆盖更广的企业级智能体应用），但方向一致：中国Agent市场处于高速爬坡期。

图5 中国企业级AI Agent市场规模（2023—2027E）。

需求侧成熟度方面，IDC调研显示34%的中国受访企业已开展测试验证，30%进入较大投入加采购培训阶段；中国企业表现出鲜明的付费逻辑——66%偏好按业务成果计费，显著高于全球52.7%的平均水平。供给侧方面，截至2025年12月31日，全国累计748款生成式人工智能服务完成备案、435款应用或功能完成登记，合规供给池已经成型。

1.3 技术转折点：Agent为什么在2025年「开始能干活」

Agent并非新概念，其从演示玩具走向生产工具，依赖三条技术曲线在2025年前后同时跨过可用阈值。

其一是推理基座：大规模强化学习驱动的推理模型显著提升了多步任务规划与纠错能力，使长链条任务不再一步错步步错。

其二是执行通道：函数调用、浏览器与计算机操作（Computer Use）等能力让模型获得键盘和鼠标，能够直接操纵企业既有软件，绕开了为每个系统重写接口的集成成本。

其三是协作与互操作：MCP、A2A等开放协议将工具调用、智能体互联标准化，配合RAG检索增强、长短期记忆与多智能体编排框架，构建起可复用的企业级工程底座。

与此同时，推理成本在过去两年大幅下降，使高频次、大体量的任务执行在商业上变得可行。

三重因素叠加，Agent完成了从生成内容（Copilot式辅助）到执行任务链（自主完成订单处理、工单流转、代码提交）的形态跨越——这正是ROI账本得以建立的前提：只有执行任务，才产生可计量的替代成本与增量收入。

二、ROI量化框架：潜力、现实与技术决定因素

2.1 四象限价值模型：回报从哪里来

企业级Agent的价值创造可归纳为四个象限：

成本替代（以数字劳动力替代重复性人力，如客服、HR共享服务）

效率增益（压缩任务周期，如代码编写、文档处理、工单流转）

收入增量（提升转化与客单，如营销内容规模化、智能销售）

质量改善（降低差错率与合规风险，如风控审计、合同审核）

四个象限的可量化难度依次升高——前两者可以直接折算为人力工时与周期，后两者则需要归因模型与对照实验支撑。本报告第四章的行业证据表明，当前跑通ROI的场景绝大多数落在成本替代与效率增益两个象限。

2.2 宏观潜力与微观现实之间的落差

宏观测算极为乐观：麦肯锡早在2023年即测算，63个生成式AI用例每年可创造2.6万亿—4.4万亿美元经济价值，若技术全面渗透各生产力环节，潜在价值可达6.1万亿—7.9万亿美元。但微观现实冷静得多：麦肯锡2025年全球调研显示，仅39%的受访者认为AI对组织EBIT产生了任何程度的影响，且其中多数表示贡献不足5%；仅约6%的企业成为AI高绩效赢家。与之对照，AI的普及率已经饱和——88%的组织在至少一个业务职能常态化使用AI（上一年为78%），但仅约三分之一开始规模化推进，中国大陆为83%（生成式AI口径）。

这组数据揭示了Agent商用元年的核心矛盾：采用率接近饱和，回报率严重欠账。用通俗的话说，几乎所有企业都在用AI，但只有少数企业把AI用成了利润表上的科目。弥合这一鸿沟的路径，恰是本报告第五章的主题：规模化优先于试点，深度胜过广度。

2.3 ROI的技术决定因素：任务成功率、人工介入率与边际成本

单条任务流的ROI可拆解为：ROI ≈（任务量 × 单任务人工成本 × 替代率）−（推理与算力成本 + 集成与数据治理摊销 + 人工介入与失败重试成本）+ 质量收益。

三个变量决定成败：

一是任务成功率，直接决定替代率上限；

二是人工介入率，每增加一个必须人工复核的节点，边际成本曲线就上抬一截；

三是单位任务边际成本，随模型推理价格下行而持续改善。

中国互联网协会对落地项目的统计显示，77%的项目提供一站式统一入口，但实现AI自主执行的仅占49.4%

换言之，行业整体仍处于人机协同而非自动驾驶阶段，人工介入率是当前ROI的主要稀释项。

金融行业的实践提供了侧证：头豹研究院指出，受限于基座模型成熟度与可靠性、可解释性要求，金融机构目前更倾向采用基于工作流的智能体（确定性流程中嵌入模型能力）而非自主规划的智能体；银行IT系统普遍的数据孤岛与技术栈割裂，进一步抬高了自主决策的实现门槛。这印证了一个工程判断：自主度每提高一级，对数据、评测与治理的要求呈指数上升，ROI反而可能先降后升——先在工作流中兑现确定性收益，再逐步开放自主权限，是更稳健的路径。

2.4 度量之争：为什么「算不清ROI」本身就是答案的一部分

MIT Project NANDA的研究给出了一个刺眼但重要的归因：95%零回报的根因不是基础设施、监管或人才，而是学习鸿沟——多数生成式AI系统不保留反馈、不适应上下文、不随使用改进，企业已为此投入约300亿—400亿美元。对关键任务，90%的用户仍偏好交给人类处理。与此同时，麦肯锡的调研显示，规模化的组织才更可能报告EBIT改善。两相对照可以得出方法论结论：在小规模试点层面几乎不可能出现显著生产率提升，ROI账本只有越过规模化阈值后才开始有意义；企业应当以少数高价值场景的深度落地为单位核算ROI，而非对全员工具铺开求平均。

三、行业ROI横评与深访：谁先跑通了可量化回报

3.1 横评矩阵：任务特性决定行业排序

综合券商研究对行业ROI明确性、数据基础、标准化程度与商业价值的评估，企业级智能体最快落地的领域按优先级排序为：企业服务（OA/ERP/CRM）最快，其后依次为金融/财务/风控、营销/电商、制造/供应链、法律/政务、医疗/教育。银河证券的判断方向一致：企业服务具备数据入口、组织交互中心与流程规则明确三重优势，是AI Agent最先落地的场景，金融、自动驾驶等数据和算法积累深厚的领域紧随其后。

表1 行业落地优先级矩阵。

3.2 客服与营销：证据最充分的主战场

客服是Agent商业化证据最密集的行业。Klarna于2024年2月披露，其基于OpenAI的AI助手上线首月处理230万次对话，相当于客服会话总量的三分之二，完成等效于700名全职客服的工作量，客户满意度与人工客服持平。但更值得注意的是后续剧本：2025年5月，Klarna CEO公开承认AI替代做得过头，重启人工客服招聘，以确保客户永远能找到人工；据Klarna投资者材料，其员工总数已从约5,500人降至约3,000人。这一正一反构成教科书级案例：AI能高效吞吐高频标准化问题，但复杂纠纷与情感沟通必须保留人工兜底——稳态是人机混合，而非全线替代。

企业内部服务场景的确定性更强。IBM的AskHR智能体已解决94%的常见员工咨询，年处理人力资源互动超过1,100万次，管理者完成HR相关任务提速约75%，AskIT满意度达91.6%，四年转型累计使运营成本下降40%。预测层面，Gartner预计到2029年agentic AI将自主解决80%的常见客服问题，带动运营成本下降30%。

中国市场同样有硬数据。IDC在2025年企业级Agent应用报告中给出五大推荐应用的客户实测数据：浪潮海岳合同审核智能体使某建筑央企审核效率提升60%；联想乐享使某能源客户服务接通率提升91%以上、坐席效率提升150%，供应链生产成本降低10%；钉钉AI助理已在700余家企业落地，某企业工单处理周期从半个月缩短至1—3天；追一科技AIForce在某电商企业实现问答准确率超90%、日均处理2,300余条提问。

表2 全球与中国标杆场景的ROI证据链。

3.3 软件研发：验证最严格的效率富矿

编程是量化证据链最完整的场景，原因在于代码天然可编译、可测试、可回归，形成完美的评测闭环。GitHub的对照实验显示，95名职业程序员在使用Copilot后完成任务提速55.8%（95%置信区间21%—89%），GitHub官方博客以55%（1小时11分对2小时41分）对外传达；该博客配套的大规模开发者调查另显示，74%的开发者挫败感下降。后续微软、埃森哲等企业开展的现场随机对照试验亦复证了提效方向。

产业实践已经越过补全助手阶段。谷歌CEO皮查伊于2024年10月财报电话会披露，公司超过25%的新代码由AI生成；据多家媒体2026年4月转引，这一比例已升至75%（约18个月增长两倍），工程师角色转向代码审核。平台级ROI测算方面，Forrester受微软委托的TEI研究显示，2.5万人规模的复合组织部署Microsoft 365 Copilot三年风险调整ROI为116%，净现值约1,970万美元。需要注意，TEI为委托研究下的建模结果，企业实际回报高度依赖落地深度。

3.4 金融：ROI最明确，容错率最低

金融是行业五维评分中ROI明确性最高的领域，但也是对幻觉零容忍的领域。当前产业共识是：金融Agent正从提效增稳、降本控险的内控型应用，走向跨业务线的协同，但自主决策类应用仍需漫长的可靠性积累——头豹研究院明确指出，金融机构目前更多采用基于工作流的智能体而非自主规划型智能体；艾瑞咨询《中国金融智能体发展研究与厂商评估报告（2025）》显示，约96%的金融智能体项目仍处探索期，其中银行业项目数量占比约43%、资管类27%、保险15%。

已跑通的方向集中在数字员工与人机协同。邮储银行构建了AI Agent+数字员工体系，在线下云柜、线上数字客服与数字人直播等场景打造数字员工矩阵，以前台数字员工承接交互、中台AI Agent提供智能决策，实现服务自动化、体验无感化与风控智能化。这类把Agent嵌入确定性服务流程、把复杂决策留给人的设计，代表了金融业当下的务实路线。

3.5 制造与能源：先啃知识环节，再碰物理世界

制造业对物理世界错误的容错率最低，Agent的切入点因此集中在知识密集型环节。西门子已发布覆盖设计（NX CAD Design Copilot）、制造（NX CAM AI Copilot）与工程数据（Teamcenter Copilot）的工业Copilot家族，并将工业AI智能体扩展至流程与离散工业的更多环节；其厂商口径称NX CAM AI Copilot可将CNC编程时间最多减少80%。国内侧，联想乐享智能体打通全价值链数据，实现供应链生产成本降低10%。共同规律是：让Agent处理设计参数、工艺编程、售后知识等高知识密度任务，把对物理世界的直接控制留给成熟自动化系统。

3.6 医疗健康：环境式病历助手是第一个跑通点

医疗AI的严格性以随机对照试验衡量。《新英格兰医学杂志AI子刊》发表的环境式AI病历助手随机对照试验显示：使用Nabla的医生组笔记时间下降9.5%（95%CI -17.2%至-1.8%），而DAX组与对照组无显著差异；两类产品均带来医生倦怠、工作耗竭与任务负荷的适度改善，但偶发的不准确要求医生持续核查。另一项针对微软Nuance DAX的阶梯设计对照研究发现，环境式AI显著降低文档负担与倦怠，医生每周下班后的文档时间减少约2.5小时。厂商口径方面，Abridge宣称其产品使医生倦怠率下降55%、每日节省30分钟文档时间。

医疗文书（ambient scribe）之所以成为医疗场景第一个跑通ROI的切入点，是因为它高频、结构化、有真人兜底——AI起草、医生签核的分工天然安全。而诊断、用药等高后果决策类应用，距离规模化商用仍有显著的证据与监管鸿沟。

四、从「炫技」到「干活」：落地方法论与工程体系

4.1 场景选择：用任务特性做漏斗，而不是用热点做清单

从炫技到干活的第一道闸门是场景准入。跑通案例的共同特征是四高：高频次（每天发生成百上千次）、高结构化（输入输出有明确格式）、高数据可得（知识库与业务系统有现成数据）、容错可控（出错有人工兜底且后果可逆）。反之，低频高后果、强非结构化、数据稀薄的任务（如一次性战略决策）应留待技术成熟。中国互联网协会的统计提供了旁证：落地项目中77%以一站式服务、统一入口的形态存在，49.4%已实现AI自主执行——先做入口整合与流程接管，再逐步释放自主权，是行业真实演进路径。第一新声智库的调研则从反面提醒：场景碎片化、高价值场景难辨，正是企业落地的首要痛点。

4.2 数据与知识底座：ROI的隐形分母

Agent的能力上限由企业数据与知识质量决定。IDC概括的中国企业级Agent技术架构为三层体系——底层依托自研或开源大模型构建认知决策能力，中层通过模型上下文协议（MCP）实现工具调度，上层结合行业知识库完成场景适配。第一新声智库的调研则指出，大量企业存在数据缺失、格式混乱、系统异构问题，Agent应用效果因此打折；部门间数据壁垒与利益博弈甚至导致试点即终点。工程含义明确：数据治理不是AI项目的前置作业，而是ROI公式里的分母项——底座薄弱时，算力与License投入将被低替代率吞噬。

4.3 评测闭环：把「感觉好用」变成「可以复利」

MIT研究揭示的学习鸿沟——系统不保留反馈、不适应上下文、不随时间改进——本质上是评测闭环缺失。可干活的Agent系统必须建立三层评测：上线前的离线评测集（覆盖边界输入与历史事故案例）、灰度期的对照评测（AI组与人工组平行运行、双盲评分）、上线后的在线监控（任务成功率、人工介入率、用户撤回率、异常升级率）。其中前两个指标与2.3节的ROI公式直接挂钩：评测体系就是在为ROI的分子分母装上仪表盘。医疗行业的RCT文化值得全行业借鉴——任何产出都经过对照验证并披露置信区间，才是可复制的工业实践。

4.4 人机协同与组织配套：Klarna教训与邮储范式

Klarna的经验教训在于：替代一个任务不等于重构一个系统——将700名客服的工作量交给AI后，品牌承诺、复杂纠纷处理与客户情感联结出现缺口，最终以重启人工招聘收场。邮储银行的范式则相反：数字员工负责前台高频交互，AI Agent提供中台决策支持，复杂业务始终有人工通道[21]。组织层面的配套同样关键：企业级Agent需要跨部门数据共享与流程协同，第一新声智库将其概括为需求端落地受阻的主要来源——组织内耗消解应用动力，跨部门数据壁垒导致竞争推诿，试点即终点现象由此产生。可行的解法是为每个Agent场景指定业务负责人、数据责任人与验收标准，将Agent纳入既有业务管理框架而非IT实验项目。

4.5 商业模式：按结果计费是对齐ROI的制度装置

IDC调研显示66%的中国企业偏好基于业务成果计费，远高于全球52.7%。按结果计费把厂商收入与客户ROI直接绑定：解决一张工单、审核一份合同、处理一次咨询才产生收入。这一机制从商业契约层面淘汰了炫技型供给——无法在客户环境中稳定交付结果的供应商将无法获得收入，而能交付者获得复利式增长。Salesforce Agentforce按智能体工作量计费并快速做到14亿美元ARR，正是该逻辑在海外市场的印证。

4.6 工程落地清单

表3 从炫技到干活的八条工程要点。

五、失败案例复盘与风险挑战

5.1 两面镜子：95%零回报与40%项目取消

MIT Project NANDA的研究显示：尽管企业已投入约300亿—400亿美元，95%的组织在生成式AI上获得零回报，根因是学习鸿沟而非基础设施或监管。Gartner则从项目维度给出另一面镜子：到2027年末，超过40%的agentic AI项目将因成本不断攀升、商业价值不明确或风险控制不足而被取消；目前多数项目仍处于早期实验或概念验证阶段，且受到炒作驱动。两项研究口径不同（前者针对GenAI整体、后者针对agentic项目），但共同指向同一结论：商用元年同时也是出清元年。

5.2 三重困境：供给、需求与错配

第一新声智库将中国企业级Agent落地的阻力概括为三重困境：供给端技术与成本壁垒（高研发成本将中小厂商挡在门外，长尾市场供给匮乏）；需求端组织与基础障碍（数据缺失、格式混乱、系统异构，叠加跨部门数据壁垒与利益博弈）；供需错配（供给端通用化标准化倾向对撞需求端垂直化定制化诉求）。其结果是试点即终点——Agent演示惊艳、上线遇冷，缺乏流程重构与数据治理的POC无法转化为生产收益。

5.3 Agent Washing：被包装出来的泡沫

Gartner特别提示了agent washing现象：厂商将传统自动化、RPA与聊天机器人重新包装为自主智能体，导致买方难以甄别真实能力，加剧预期落差与项目取消风险。对企业的含义有二：一是采购评审必须要求在自有数据与环境中的实测（POC要有对照基线），而非接受厂商演示环境里的完美脚本；二是合同按成果计费、分期验收，把技术风险留给更了解技术的一方。

5.4 幻觉、可靠性与合规：高风险行业的硬约束

即便在最成熟的场景，可靠性问题也没有消失：NEJM AI的随机对照试验明确记录了环境式病历助手偶发不准确、需医生持续核查；国务院文件亦明确要求防范模型的黑箱、幻觉、算法歧视等风险。工程对策是将幻觉风险转化为流程约束：高后果输出（医疗病历、合同条款、财务数字）一律保留人工签核节点，低后果输出（内部草稿、知识问答）才允许直接交付。同时，随着748款生成式AI服务完成备案、监管常态化，合规成本（数据出境、算法备案、内容安全）应计入TCO。

5.5 隐性TCO：ROI账本上最常被漏记的科目

企业常见误区是以License或API费用代替总拥有成本。完整TCO至少包括：数据治理与知识库建设的一次性投入、集成与流程改造费用、评测与运维的持续性人力、失败重试与人工介入的边际成本、以及合规审计成本。Klarna的案例还提示了一项更隐蔽的成本：服务体验受损对品牌与留存的反噬，可能远超当期节省的人力成本。理性的ROI核算应按单位任务口径滚动测算，并设置12—18个月的回收期预期，而非追求当季回本。

六、趋势展望与决策者行动建议

6.1 未来三年：支出上行与洗牌并行

综合各机构预测，2026—2030年将呈现三条主线并行：支出上行（2026年全球AI总支出2.7万亿美元、同比+49.5%，AI Agents and Assistants软件支出两年间增长约3倍）、渗透加速（2028年33%企业软件内嵌agentic AI，2029年80%常见客服问题自主解决）、项目出清（2027年末40%以上agentic项目被取消）。中国市场的政策锚进一步提高了确定性：2027年智能体等应用普及率超70%、2030年超90%，IDC保守预测2028年中国企业级Agent应用市场达270亿美元以上。

表4 关键时间轴：从洗牌到普及

6.2 给CIO与决策者的六条行动建议

● 不要用试点数量考核AI团队。麦肯锡数据显示规模化的组织才更可能报告EBIT改善，MIT研究证明小规模试点几乎必然拿不出显著回报。以两三个Lighthouse场景打透，再横向复制。

● 先建评测、再上生产。把任务成功率与人工介入率做成上线准入门槛与经营周报指标，对齐MIT指出的学习鸿沟——没有反馈闭环的Agent不会越用越聪明。

● 把数据治理当AI项目的一半预算。数据孤岛与系统异构是ROI的隐形分母，也是试点即终点的头号推手。

● 人机边界显性化。参照医疗行业经验，为高后果输出保留人工签核，为低后果输出开放自动化；把授权、审批、回滚、审计写进流程而非写在PPT里。

● 用按结果计费重构采购合同。66%的中国企业已偏好该模式，合同条款直接对齐业务KPI（接通率、解决率、审核通过率），让厂商共担ROI风险。

● 采购评审反agent washing。要求供应商在自有环境实测、提供对照基线与置信区间，警惕把RPA换皮成智能体的营销话术。

6.3 结语

商用元年的ROI账本正在给出清晰答案：可量化回报真实存在，但它偏爱高频、结构化、容错可控、数据丰厚的场景，偏爱把评测、数据与人机边界当作基础设施来建设的企业。从炫技到干活的距离，不是下一个模型版本，而是一套让AI在真实业务里稳定交付结果的工程与组织体系。2026—2027年的洗牌期将完成第一次分化——账算得清的企业拿走复利，账算不清的企业为概念买单。