2025 年本被寄予 “AI 智能体元年” 的厚望，然而谷歌云（Google Cloud）与 Replit 这两大 AI 智能体领域的关键参与者，却在近期 VentureBeat 影响力系列活动中坦言，AI 智能体的实际能力尚未达到预期。即便二者自身也在积极开发智能体工具，但其负责人均表示，受限于遗留工作流、碎片化数据、不成熟的治理模型，以及企业对智能体技术的认知偏差，AI 智能体的规模化可靠部署仍面临多重阻碍。Replit 首席执行官阿姆贾德・马萨德（Amjad Masad）直言，企业开发的智能体多为 “玩具级示例”，初期兴奋过后，实际落地时往往问题频发；谷歌云产品开发总监迈克・克拉克（Mike Clark）也指出，智能体的概率性运作模式与传统企业的确定性流程存在根本冲突，成为技术落地的深层障碍。
从技术层面看，可靠性与集成能力是 AI 智能体落地的核心瓶颈，而非智能水平本身。Replit 的实践教训尤为典型：今年早些时候，其 AI 编码智能体在测试中误删了某公司的全部代码库，马萨德事后承认 “工具尚未成熟”，并采取了开发环境与生产环境隔离的补救措施。这一事故暴露了智能体长期运行中的关键问题 —— 随着运行时间延长，智能体易积累错误，且在缺乏清洁、结构化数据支持的情况下，难以维持稳定表现。企业数据的复杂性进一步加剧了这一困境：数据既有结构化格式，也有非结构化形态，存储位置分散，爬取与整合难度极大；更重要的是，人类工作中存在大量 “未成文规则”，这些隐性知识难以编码进智能体，导致其在模拟真实工作流时频繁 “脱节”。例如，某开发者尝试用 Replit Agent 3 修复游戏关卡跳转漏洞，智能体连续运行 1 小时却未找到解决方案，反而引入新 bug、删除关键存储文件，且宣传中的 “回滚功能” 失效，最终只能手动恢复旧版本，凸显出智能体在复杂任务中的不可靠性。
智能体工具的局限性还体现在 “计算机使用模型” 的不成熟上。尽管部分工具宣称能接管用户工作空间完成网页浏览等基础任务，但目前这类功能仍处于初级阶段，存在成本高、速度慢、漏洞多的问题。马萨德坦言，计算机使用模型诞生仅约一年，虽在持续进步，但远未达到实用标准 —— 用户反馈显示，复杂指令下智能体响应延迟可达 20 分钟以上，且无法满足 “多任务并行”“实时调整设计” 等创作需求。为缓解这一问题，Replit 在第三代智能体中加入 “循环测试”“可验证执行” 等技术，并通过并行处理构建多个智能体循环，试图在独立任务间分配资源，同时保留人类的创造性参与空间。其下一代智能体虽能实现 200 分钟自主运行，部分测试中甚至达到 20 小时，但用户对延迟的不满仍未根本解决，反映出技术优化与实际需求间的差距。
文化与认知层面的障碍同样不容忽视。克拉克指出，传统企业的运营体系建立在 “确定性流程” 之上，而 AI 智能体的运作本质是 “概率性” 的 —— 其决策与行动基于统计概率，而非固定规则，这种底层逻辑的冲突导致企业难以适配智能体技术。例如，某金融企业尝试用智能体处理客户开户流程，却因智能体 “偶尔跳过某一步骤”“输出结果不一致”，与严格的合规流程产生矛盾，最终不得不暂停项目。成功案例的共性则揭示了破局方向：那些能有效落地智能体的企业，多采用 “自下而上” 的推进模式 —— 通过一线团队开发低代码 / 无代码工具，逐步向上整合为大型智能体，且部署范围窄、场景聚焦、监督严格。克拉克将 2025 年定义为 “智能体原型构建年”，认为当前行业正处于从原型到规模化落地的过渡期，但要实现广泛应用，仍需打破 “技术万能” 的认知误区，正视智能体的能力边界。
安全与治理体系的重构需求，进一步延缓了智能体的部署进程。传统企业的安全策略围绕 “边界防护” 构建，而智能体为做出最优决策，需跨域访问多个资源，这使得原有安全模型失效。克拉克提出疑问：“在一个无固定‘防护区’的环境中，‘最小权限原则’该如何定义？” 例如，某零售企业的智能体需同时访问库存系统、客户数据库与供应链平台，若按传统安全逻辑限制访问，智能体无法正常工作；若开放权限，又会带来数据泄露风险。更严峻的是，行业尚未形成针对智能体的统一治理框架 —— 现有 governance 流程多源于 “IBM 电动打字机时代”，已完全不适配 AI 时代的需求。例如，某企业的智能体监管流程仍要求 “每一步操作需三人审核”，导致智能体的实时响应优势被完全抵消。谷歌与 Replit 均强调，行业需共同重新设计治理模型，明确智能体的威胁评估标准，才能在安全与效率间找到平衡。
结合行业实践与补充信息来看，AI 智能体的困境还与 “工具适配性”“成本控制” 等问题深度绑定。一方面，当前软件开发工具（如编程语言、编译器）均为人类设计，强调简化操作、隐藏复杂逻辑，而智能体需要细粒度反馈、透明的内部状态与完整的决策解释，这种 “设计错配” 导致智能体难以高效集成现有工具链。例如，嵌入式系统开发中，智能体因无法获取编译器的底层状态信息，常生成不符合硬件约束的代码。另一方面，智能体的高成本成为企业规模化应用的拦路虎：Replit Agent 3 采用 “基于投入的定价”，复杂任务单次操作成本可达 2-4 美元，某用户仅一周就花费 1200 美元，且多数支出用于无效尝试；即便谷歌等巨头能承担成本，中小企业也难以承受，进一步限制了智能体的普及范围。
总体而言，谷歌与 Replit 的困境折射出 AI 智能体落地的系统性挑战：技术上需突破数据整合、长时可靠性与工具适配瓶颈；文化上需推动企业从 “确定性思维” 向 “概率性思维” 转变；治理上需建立适配智能体特性的安全与监管框架。尽管 2025 年未能如期成为 “智能体元年，但行业在试错中积累的经验 —— 如环境隔离、并行处理、自下而上推进 —— 已为后续发展指明方向。未来，只有同时解决技术、文化与治理问题，AI 智能体才能真正从 “原型演示” 走向 “生产实用”，释放其在自动化与效率提升上的潜力。
原创文章，作者：王 浩然，如若转载，请注明出处：https://www.dian8dian.com/gu-ge-yu-replit-yi-xian-kun-jing-ai-zhi-neng-ti-ke-kao-bu
