2026 年，智能体将在企业级应用中取得哪些实质性突破？点击下载《2026 年 AI 与数据发展预测》白皮书，获悉专家一手前瞻，抢先拥抱新的工作方式！
实验阶段已经结束。在 Accelerate 2026 上，行业领导者传递出的信号清晰而响亮：AI 的未来不再是理论演练，而是运营必需品；领先企业已经在将其作为基础职能的核心组成部分。仅在零售行业，就有 58% 的企业正在积极部署 AI。消费者越来越多地通过从未访问过品牌网站的 Agent 进行购物。而在制造业，一些企业正在部署 AI 驱动的 Agent，将其作为可实时查询的知识库，以应对机构知识流失的问题，因为预计到 2030 年，数百万个技术工种岗位将无人填补。
对于零售和制造业领导者来说，选择已经非常明确：AI 是关键的运营优先事项。亮相 Accelerate 2026 的组织并不只是谈论试点项目，它们展示的是生产级、Agentic 工作流，这些工作流正在实时改变其商业模式。
重大转变：从搜索到 Agent
Snowflake 2026 Data Trends 报告给出的信号非常明确：我们已经进入 Agentic AI 时代。对于零售行业而言，随着消费者越来越多地接受对话而非搜索，传统的数字商务模式正在被颠覆。正如 Microsoft 零售与消费品全球战略负责人 Shanthi Rajagopalan 在 NRF 2026 上我们与 Microsoft 举办的高管小组讨论中所指出的：“在传统零售世界里，我们总是在谈门店和地产，即位置、位置、位置。而当我们进入数字化和电商阶段，一切都变成了搜索、搜索、搜索。”然而，Rajagopalan 也补充道：“我们现在真正看到的是又一次颠覆，消费者越来越多地转向对话式界面来进行产品发现和购买。”
这一新现实，即零售流程和规范的根本性变化，要求零售商在处理数据的方式上也发生同样重大的转变。Rajagopalan 表示：“我们现在所处的位置是，购物者正在告诉我们更多关于他们是谁以及他们想要什么的信息。作为一个行业，我们确实需要弄清楚如何把这些自然语言情绪转化为可用的元数据。”
在制造业，这一转变同样深刻：从静态电子表格和孤立数据，转向嵌入式系统中的 AI。在这里，AI 不只是一个工具，而是面对“银发海啸”式人员离职的劳动力时，唯一可行的继任计划。研究预测的内容，正是 Accelerate 2026 所印证的现实：会场中的领导者并不是在开展试点，而是在认真思考如何通过聚焦的 AI 用例，让组织变得更智能、更快速、更高效。
零售：Agentic Commerce 的兴起，以及保持可发现性的竞赛
Agentic Commerce 是今年最具定义性的转变。在近期一次采访中，Microsoft 零售与消费品全球业务战略总监 Michele Fisher 分享了零售商必须如何思考消费者接触他们的方式，以便在从全渠道方式转向 Agentic Commerce 的过程中保持可发现性。那些尚未设计自身语义空间的品牌，正在发现自己对于代表买家购物的 Agent 而言变得不可见。
市场研究领导者 Shalion 展示了为这一重要消费者行为转变做好准备所能带来的力量，他们通过名为 Maestro 的对话式 AI 层实现了这一点。正如 Shalion 首席数据官 Alejo Buxeres Solder 所解释的，真正的解锁点并不是 LLM 本身，而是其底层受治理的 Snowflake 语义层。在他看来，LLM 已经变得商品化。这一架构允许品牌经理提出复杂问题，例如：“为什么我上周在西班牙的市场份额下降了？”并立即获得有数据支撑的答案。
零售商现在正聚焦于 Answer Engine Optimization（AEO）和 Generative Engine Optimization（GEO），以取代传统的关键词 SEO，从而确保在购物 Agent 面前获得更高可见性。可以说，这些零售商正在尝试通过 Agent 的视角来看待自身，并针对关键问题而非关键词进行优化，让他们的产品能够更有效地呈现在这些 Agent 面前。正如 Walmart 前首席商品官 Kelly Thompson 所指出的，每一个 AI 用例在投入任何资源之前，都必须是可量化的，能够创造收入、降低成本或提升生产力。与制造业一样，从运行试点转向以业务为核心、具有变革性的 AI 应用，是零售商关注的重点。
制造业：通过 Agentic Operations 转变流程
传统质量分析会孤立地检查缺陷，独立考虑割裂的变量，从而忽略了根因往往涉及多个相互作用因素的网络效应。当制造商追踪到某一缺陷源自特定供应商或某个流程步骤时，往往已经过去了数天。
Snowflake 制造业现场 CTO Tripp Smith 展示了一套 Graph Neural Network（GNN）流程可追溯性解决方案，这种方法将整个制造流程（供应商、材料、工位和缺陷），建模为一个相互连接的网络。如今，过去需要数天完成的根因分析只需数分钟即可完成，并且能够在生产开始前预测缺陷风险。
在制造业，关键指标是正常运行时间和精确度。Smith 展示了 GraphSage 的能力，这是一种运行在 NVIDIA GPU 上的神经网络，能够将整个供应链（供应商、工位、材料和缺陷），视为一个相互连接的图。
通过将 IT 和 OT 数据统一到单一命名空间中，WolfSpeed 和 Lindt Chocolate 等公司已经超越了独立变量分析。WolfSpeed 成功部署了 12 个 Snowflake Intelligence Agent，将原本需要分析师耗费一周完成的任务，转变为即时的根因调查。能够在数秒内将缺陷追溯到特定供应商或流程调整，正体现了自主制造的力量。
同样的转变也正在工业服务领域发生。United Rentals 管理着分布在 1,600 多个分支机构的设备车队，并在 Snowflake Intelligence 上部署了一个 Business Intelligence Agent，使分支机构经理和区域团队能够实时用自然语言询问运营和财务数据，从而消除了过去拖慢一线决策的手动分析瓶颈。
Agentic 优势已在各行业得到证明
零售和制造并不是唯一正在通过 AI 经历根本性转型的行业。这一体验已经变得普遍：
金融服务：资产管理 Agent 群正在将投资组合管理和风险分析工作流从数周缩短到片刻之间；
医疗健康与生命科学：Innovalon 正在使用 Agentic 预授权，将 200 页医疗病历审查从数周缩短到数分钟；
广告、媒体与娱乐：Warner Music Group 正在使用 Cortex Code，使分析师团队能够在没有工程支持的情况下构建仪表板和语义视图；
公共部门：Township of King 等机构正在发掘此前被埋没在数百个 KPI 中的运营成果，例如路灯维护合规性。
行业领导者的不同做法
他们首先识别成果：他们会先根据 Kelly Thompson 所讨论的三个类别——创造收入、降低成本和提升生产力——来识别用例，然后才选择任何技术；
数据是先决条件：他们将数据就绪度（统一命名空间和受治理的语义层）视为部署 Agent 的前提，而不是后续项目；
聚焦具体工作流：他们从高价值、具体的工作流入手，例如产品目录或班次评论归档，而不是泛泛而谈的 AI 战略；
运营衡量：他们根据可量化的业务成果来衡量 Agentic AI，而不是根据技术 KPI。
正如 Snowflake Forward Deployed AI Engineering 总经理 Luv Kothari 所指出的，成功的组织通过从战术查询转向战略性、由 Agent 主导的运营，能够在三到六个月内实现对盈利层面的影响。
前进之路
实验阶段已经结束。执行时代已经到来。
要了解 Agentic Commerce 如何在生产环境中运行，请观看 Retail Accelerate 点播会议，查看 Maestro 的实际演示。观看 Manufacturing 会议，了解 Tripp Smith 如何使用实时 GraphSage 演示追踪缺陷。随后，下载 Data Trends 2026 制造业和零售与消费品电子书，识别这些行业 AI 未来最关键的认知。
问题不再是你的组织是否会采用 Agentic AI，而是你能够以多快速度将其运营化，从而走在队伍前列。
下载适用于你所在行业的 2026 年数据趋势电子书：
原文地址：https://www.snowflake.com/en/blog/agentic-ai-business-operations0/
点击链接立即报名注册：Ascent - Snowflake Platform Training - China，更多 Snowflake 精彩活动请关注专区。
