重要提示：通過本訂閱號發布的觀點和信息僅供證券股份有限公司（下稱“中信建投”）客戶中符合《證券期貨投資者適當性管理辦法》規定的機構類專業投資者參考。因本訂閱號暫時無法設置訪問限製，若您並非中信建投客戶中的機構類專業投資者，為控製投資風險，請您請取消關注，請勿訂閱、接收或使用本訂閱號中的任何信息。對由此給您造成的不便表示誠摯歉意，感謝您的理解與配合！

文｜武超則⠦‡‰瑛⠥𔔤𘖥𓰀

OA和ERP構成了企業數據交匯的核心數字化基座，賦能企業經營全流程。在本輪生成式AI浪潮中，自然語言交互+學習能力提升為核心發展方向，Agent則進一步推動了AI應用落地。其中，OA/ERP通過與Agent結合，能夠自動化執行完成複雜任務，預計將成為新的企業入口級平台。當前，國內外OA/ERP廠商均積極布局Agent發展，相關領域有望迎來商業化快速落地。

OA及ERP構成企業核心數字化基座

在各管理軟件中，OA和ERP構成了企業數據交匯的核心數字化基座。二者從人和企業自身兩端入手，能夠連接各業務條線，賦能企業經營全流程。

自然語言交互+學習能力提升，生成式AI不斷迭代

在本輪生成式AI浪潮中，交互形式的改變和強大的學習能力構成了核心發展方向。其中，自然調度方式符合用戶需求，多模態交互亦為後續模型的泛化能力提升帶來了想象空間；而學習能力則體現在訓練、推理及微調等多側技術，大模型目前已經在代碼、數學、AGI能力等方麵實現了較高水平。

Agent賦能OA/ERP+AI落地，國內外廠商積極布局

Agent具備自主理解、感知、規劃、記憶和使用工具的能力，能夠自動化執行完成複雜任務，在企業辦公場景中能助力OA/ERP成為企業入口級平台。當前，SAP、Oracle、Salesforce等海外企業管理軟件廠商均廣泛布局AI及Agent，實現業務流程自動化；國內金蝶國際、、同樣推出Agent服務，把握企業數字化轉型需求。

投資建議：OA+ERP作為企業數據交匯的核心數字化基座，關注人及資源兩大企業核心構成部分，與AI結合更易，預計將率先商業化。隨著B端Agent進一步落地，OA+ERP有望成為新的入口級平台應用，聯通各業務組件，提升用戶便利度。

一、OA和ERP是企業數據交匯的核心數字化基座

OA和ERP均為提高企業運行效率的信息化係統。OA係統（Office Automation System，辦公自動化係統）集成了文檔管理、流程管理、郵件和消息通知等多種辦公管理工具和功能，旨在通過技術手段實現從傳統手工寫作到自動化處理的躍升，提高辦公效率；ERP（Enterprise Resource Planning，企業資源規劃）平台則是一種集成管理信息係統，其將企業內部包括財務、生產、銷售、庫存、采購、人力資源等在內的各種業務流程，統一到同一個信息係統平台上，提供實時的數據共享和信息交流，幫助企業優化資源配置，提升運營效率和決策能力。

OA聚焦人，ERP聚焦企業資源，二者構成了企業核心數字化基座。對企業而言，OA、ERP、OMS、CRM、等係統都是常用的管理軟件，但我們認為OA和ERP才是企業數據交匯的核心數字化基座。其中，OA係統聚焦辦公，麵向的對象是人，適用範圍涵蓋整個公司，尤其適合多個部門之間的協作；ERP平台強調的是資源管理，而企業資源則包羅萬象，原材料、產品、財務、人力、客戶乃至數據都是其中的一部分。相較於其他係統局限於業務的單個環節，OA和ERP從人和企業自身兩端入手，通過數據交匯構建了數字化基座，從而能夠連接各業務條線，賦能企業經營全流程。

二、交互形式+學習能力增強構成本輪AI革命核心

在本輪ChatGPT引發的AI浪潮中，交互形式的改變和強大的學習能力構成了核心發展方向。其中，自然語言的交互使得用戶體驗更加自然，同時多模態的發展更有望提高AI未來的泛化能力；而在學習能力方麵，大模型在計算量、模型參數量和訓練數據量的擴容下能力不斷增強，微調下大模型更是能夠在特定領域實現更好的適配。此外OpenAI o1及o3係列模型更是從推理側帶來了大模型學習能力提升的新方向。

2.1 自然語言交互符合用戶習慣，多模態已成AI新趨勢

自然語言處理技術快速發展，機器學習算法催生GPT模型。2022年底ChatGPT的推出引爆了本輪AI革命，其自然語言交互的方式亦成為學界和業界關注的焦點。實際上，自然語言處理（NLP）的研究早在1950年就已經開始，且受“飛鳥派”慣性思維影響，局限於用電腦模擬人腦思維方式。這一階段，NLP主要由人工編寫文法規則，存在規則數量大，難以解析詞義等問題；二十世紀八十年代，賈裏尼克提出基於統計的NLP，通過條件概率和大數定律將句子的合理性轉換為詞在語料庫中的統計概率，但仍未解決詞義相似度、數據稀疏等缺陷；二十一世紀以來，大數據、人工智能方麵的研究在NLP領域迅速落地，詞向量、CNN、RNN、LSTM、Transformer等機器學習算法使得NLP存在的各類問題得以改善，最終催生出以ChatGPT為代表的預訓練大語言模型，引領新一輪AI浪潮。

自然調度方式符合用戶需求，ChatGPT訪問量高速增長。哈爾濱工業大學《ChatGPT調研報告》將大模型稱為繼關係數據庫和互聯網之後，下一代知識表示和知識調用方式。具體而言，從數據庫需要SQL語言調用，再到互聯網通過關鍵詞搜索，最終大模型可以根據用戶描述模糊理解，大幅提高了知識調用的自然度。反映到用戶需求，據AI產品榜，2023年9月至2024年11月，ChatGPT web端月度訪問量由15億增長至39.2億，除2023年12月及2024年7月分別因聖誕假期及暑期訪問量有所下行外，環比均保持穩定增長。我們認為，NLP加持下知識表示和調用的演進方向與降低用戶使用門檻的天然需求高度一致，有望促進以ChatGPT為代表的新一代AI工具流量持續增長。

多模態交互已成為AI發展新趨勢。人類的信息獲取窗口多樣，因而有觀點認為隻靠語言難以實現通用人工智能。同時，相較於公開的文本數據，圖像、視頻、音頻等數據的總量更大，且包含的信息量也更豐富，如果能夠讓大模型理解更多的模態，或將提升大模型的複雜推理能力。年初，OpenAI的Sora為行業指明了DiT路線，帶動了視覺模型的湧現。隨著國內外視頻生成模型逐步落地，豆包及Sora實現實時視頻交互能力（豆包視頻交互能力為發布會演示效果），多模態交互已成為AI落地新趨勢。我們認為，目前多模態的技術路徑仍未統一，尤其還有更多維度的信息尚未囊括，預計多模態一定可以帶來模型交互能力的提升，從而提高模型的泛化能力。

2.2 訓練、推理及微調多側技術發展，大模型學習能力不斷提升

訓練側Scaling law推動模型能力持續提升，但仍麵臨技術、算力、數據的製約。早在2020年，OpenAI即在論文中提出了“Scaling law”，其內涵在於大模型的最終性能主要與計算量、模型參數量和訓練數據量三者的大小相關，而與模型的具體結構（層數/深度/寬度）基本無關。在“Scaling law”的思路下，業內追求在訓練側用更多的高質量數據，訓練更大參數規模的模型，尤其在MoE架構並行計算的加持下，大模型參數甚至能夠提升至萬億以上，極大程度提高了模型的效果。

然而，受限於技術、算力、數據的製約，訓練側“Scaling law”正麵臨瓶頸：1）更高參數規模的模型訓練比較複雜：當參數規模提升到萬億規模，模型進一步調整的技術方式仍待突破；2）算力規模一定程度製約了模型發展：英偉達 H100目前可以做到單一集群 3.2 萬張卡充分互聯，每2小時會出錯一次（Founder Park訪談拾象科技 CEO 李廣密）。一旦算力集群增加到10萬卡，可能每20-30分鍾即會出錯一次，對數據中心的運維能力要求較高，否則會導致算力利用率明顯下降。此時需要性能更強的算力卡出現。3）高質量數據缺失：早有消息稱大模型訓練已經耗盡了高質量數據，因此如果隻是簡單提升訓練集規模，往往重複的數據占據了主要部分，從而對模型能力的提升有限。而數據合成的技術仍未能突破，同樣一定程度上製約了模型的發展。

微調、RAG等技術手段進一步強化大模型學習能力。受到預訓練數據的限製，ChatGPT等通用大模型缺乏最近事件的知識，回答問題的時效性較弱；同時，通用大模型在文本總結、對話問答、邏輯推理等普適性場景下表現更佳，更適合廣大C端用戶，但處理特定領域任務相對較弱，在B端場景商業化價值不足。業界普遍在通用大模型的基礎上通過微調、RAG等技術手段實現對模型能力的提升，其中微調指利用具體行業或場景的專業語料庫對模型進行迭代，能夠將企業Know-how融入模型能力，增強特定領域回答效果；RAG則使模型能夠在外部數據庫中檢索相關信息，利用增量信息強化模型的生成效果，極大地提升了內容的準確性和相關性。

思維鏈等方式打開推理側大模型能力提升空間。當訓練側“Scaling law”進度相對放緩，OpenAI與2024年9月發布了係列新模型o1，其利用強化學習技術，通過提高推理側的思考時間，大幅優化了模型表現；還能夠在訓練過程中生成高質量數據，解決天然數據缺失的問題。以思維鏈技術為例，其類比人類思考過程，使大模型在推理過程中把複雜問題拆解成若幹簡單步驟，從用戶提出的問題出發，逐步生成正確答案。我們認為，OpenAI o1模型性能隨著訓練時間和測試時間計算而平穩提升，推理階段思考深度（時間）或將成為 “Reasoning Scaling law”。

推理側模型迭代迅速，OpenAI 推出o3係列模型。在OpenAI聖誕係列發布會的最後一天（2024年12月21日），OpenAI發布最新推理模型o3及o3-mini，實現性能進一步提升：

1）代碼能力：在SWE-Bench Verified基準測試中，o3的準確率達到了71.7%，比o1的48.9%高出20%以上；在CodeForce競技編程中ELO得分2727，相當於榜單175名，高於o1模型的1891分，也超過OpenAI現任首席科學家（2655分）。

2）數學能力：在AIME 2024測試中，o3獲得了大約96.7%的準確率，高於o1的83.3%；在GPQA Diamond基礎測試中，o3實現了87.7%的準確率，比o1的78%高出約10%（專業博士通常能實現約70%的準確率）；在公認當今最困難的數學基準測試Frontier Math中，GPT-4、Gemini 1.5 Pro等成功率不足2%，o3的準確率達到25.2%。

3）AGI能力： ARC AGI測試要求AI識別網格色塊規律並解決新問題，o3在低計算量下實現75.7%的準確率，在高計算量下實現了87.5%的準確率，高於人類閾值85%，也高於o1模型30%準確率的水平。

此外，在o3模型基礎上訓練的輕量級版本o3-mini模型提供低、中和高三種推理強度選項，實現了低成本、高性能。以代碼能力為例，在CodeForce測試中，o3-mini low/medium/high ELO得分依次提升，均高於o1-mini，medium/high版本得分高於模型；而在成本側，low/medium/high成本均低於o1，其中low/medium版本成本低於o1-mini。

三、Agent助力AI落地，賦能OA/ERP成為企業入口級平台

大模型發展如火如荼，Agent有望成為應用側落地抓手。OpenAI將AI Agent（智能體）定義為“以大語言模型為大腦驅動的係統，具備自主理解、感知、規劃、記憶和使用工具的能力，能夠自動化執行完成複雜任務的係統”。具體而言， Agent會將大型任務分解為子任務，規劃執行任務的流程並進行評估；在執行任務的過程中，Agent具備記憶能力，其中短期記憶用於存儲上下文以支持多輪對話，長期記憶則通過向量數據庫實現，存儲用戶特征、業務數據等新信息；此外，Agent還能夠通過API、插件調用外部工具，拓展應用能力。隨著大模型作為Agent“大腦”不斷迭代，Agent有望成為AI應用側落地抓手，實現商業化價值。

專家Agent在B端商業場景應用更廣。直接套用通用模型的 Prompt Agent難以滿足垂直領域專業度的需求，在部分領域的任務通過率甚至不足50%，因此專業度更高的專家Agent應運而生。通過“垂直模型+行業數據+行業工作流”的深度耦合，專家Agent具備更多的行業Know-How，在B端商業場景應用更廣；此外，組建多智能體團隊還能夠將不同模型及工具能力結合，進一步提高產品效果。

在企業辦公場景中，大模型加持下的AI技術能輔助各類業務開展：

1）場景1：RAG+知識助手

RAG將信息檢索技術與大語言模型結合，能夠從外部知識庫中檢索信息，並將其作為Prompt輸入給大型語言模型，從而增強模型處理知識密集型任務的能力，在問答、文本摘要、內容生成等方麵應用廣泛。對企業而言，RAG技術能夠通過外掛知識庫的形式，為模型提供業務領域專業知識及公司內部資料，對外可以向客戶提供客服助手、信息查詢等服務，對內可幫助員工查閱各類製度、理解業務文檔等。

2）場景2：簡化交互方式

AI作為員工副駕駛能夠大幅簡化工作流中的交互，例如幫助進行郵件回複、會議總結、文檔撰寫、PPT製作等工作。同時，受益於多模態發展，大模型能夠支持文字、圖片、語音、視頻等多種輸入方式，並提供理解和分析，公司員工通過文字或對話的形式即可要求AI完成過去需要複雜操作的任務，大幅提高工作效率。

3）場景3：輔助業務開展

在業務與研發部門，AI能夠結合垂類數據輔助業務開展。例如在財務領域，大模型能夠優化員工審核、報銷、差旅預定流程，並為管理者提供財務全景分析以輔助決策；在人力領域，AI技術能夠輔助篩選候選人簡曆、製定員工培訓方案並提供效果評估；在研發部門，利用AI輔助代碼生成、審查、修改能替代部分重複工作，使公司能夠將研發資源投入更加重要的項目與方向。

直接改變用戶的使用模式，OA/ERP+Agent構成企業入口級平台。如前文所述，OA和ERP分別聚焦人和企業資源，構成了企業核心數字化基座。在AI 加持下，OA和ERP憑借其聚集核心數據的特點，較其他業務係統更具備升級為Agent平台的基礎。當員工用自然語言提出需求，OA和ERP能夠調度各類Agent來完成任務，實現降本增效。此時，OA和ERP已經成為了新的企業入口級平台，員工可以在頁麵上實現所有需求的自動化。而從商業化角度看，B端企業也會為了更高價值的工作流進行額外的準確率付費。

四、Agent實現業務流程自動化，海外B端AI應用進展加速

2022年底 ChatGPT 發布以來，海外頭部企業管理軟件廠商生成式AI應用的商業化進展逐步加速，2023年已有產品落地；進入2024年，各廠商開始探索 Agent 形式的產品方案，例如SAP為 Joule 智能副駕駛配備 AI Agent 能力，助力該 Copilot 支持公司80%最常用的工作任務；Oracle 在雲應用及雲基礎設施上均利用AI Agent賦能，前者在HCM、SCM、ERP等業務流程中實現端到端自動化，後者為客戶提供開箱即用的 RAG 功能；Salesforce 同樣於2024年9月推出 Agentforce 平台，並於12月更新2.0版本，通過提供更智能的推理引擎，幫助企業快速開發 AI Agent。

我們認為，Agent 已經成為繼大模型後AI應用商業化落地的下一關鍵節點，當前重點在於逐步實現對原有產品功能的覆蓋，實現業務流程自動化。隨著 Agent 進一步融入用戶工作流，根據業務實現 Agent 自主開發或將成為發展趨勢，真正實現細分場景落地。

4.1 SAP（SAP.N）：Copilot+Agent助力企業核心業務與AI結合

積極向雲服務轉型，助力AI融入企業核心業務流程。SAP成立於1972年，首款產品SAP R/1僅覆蓋財務會計模塊。而後，SAP產品不斷迭代，R/2係統在實時數據處理、多語言支持等方麵取得進步，並最終成長為裏程碑式產品R/3，功能覆蓋企業各業務領域，助力SAP成為全球EPR領軍企業。據公司官網介紹，SAP已經為全球25個行業32萬家客戶提供了數字化服務。此外，隨著二十一世紀雲計算、人工智能等新興技術不斷發展，SAP同步向雲服務企業轉型，推出係列雲解決方案，助力客戶一站式上雲。其中在AI方麵，SAP打造商業AI戰略，將人工智能技術融入核心業務流程，實現財務、供應鏈、采購、銷售、營銷、人力資源和 IT 部門互聯互通。

打造AI副駕駛Joule，定製Agent覆蓋80%業務場景。順應生成式人工智能趨勢，SAP於2023年9月26日正式發布生成式AI智能副駕Joule，其將內置於SAP應用，為用戶工作流帶來智能化升級。在提高工作效率方麵，Joule能夠支持自然語言交互，實現功能快速導航，高效執行；同時，Joule可以即時獲取業務數據並提供結合情境的洞察，輔助用戶決策；Joule還可以針對不同角色需求生成定製化內容，提升企業業務成果。

2024年10月23日，SAP在 TechEd全球技術大會上宣布了Joule的升級，用戶可以定製協作型AI Agent完成複雜的跨領域任務，預計將支持SAP 80%最常用的業務任務。例如在爭議管理領域，用戶可以通過自主AI代理分析和解決爭議場景，包括發票錯誤或缺失、未使用的貸款額度、拒付或重複付款等問題；在財務會計場景，采用自主AI代理簡化關鍵財務流程，通過自動化賬單支付、發票處理和分類賬更新，同時快速解決不一致性或錯誤。

4.2 Oracle（ORCL.N）：利用Agent賦能雲應用與雲基礎設施

數據庫+企業應用軟件兩翼布局，順應雲化趨勢。經過數十年發展，Oracle已成為全球最大的企業軟件公司之一，客戶覆蓋超過175個國家和地區。從產品維度看，Oracle以數據庫業務起家，推出了史上第一款由純軟件公司開發的商用關係型數據庫管理係統；二十世紀八十年代末，Oracle推出財務軟件，正式進軍企業應用軟件領域，並逐步完善采購、庫存管理、人力資源等其他模塊，形成了完整的ERP解決方案；隨著雲計算技術快速發展，Oracle亦開始雲化轉型，截至目前已經形成了雲應用程序和雲基礎設施兩大產品類別，前者對應企業管理產品和行業解決方案，後者則以IaaS的形式為客戶提供計算、存儲、網絡、數據庫等服務。

隨著生產式人工智能的不斷發展，Oracle通過Agent賦能現有雲應用軟件和雲基礎設施兩大產品模塊：

1）在應用軟件方麵，Oracle宣布在Fusion Cloud中推出 50 多個基於角色的AI agents，幫助企業實現完全自動化的端到端業務流程，助力員工和管理層高效完成工作。例如在HCM中，排班助手能夠優化員工排班，滿足員工個人偏好的同時滿足合規要求；在SCM中，客戶銷售代表指南能夠提供個性化推薦方案，改善客戶體驗；在ERP中，文檔 IO agent可以幫助企業簡化與第三方的集成，通過對格式化文檔進行解析，將其轉換為請購單、發票或付款說明，以供員工進行人工複核和審批。

2）在雲基礎設施方麵，Oracle已經推出了首款OCI GenAI Agents產品RAG Agent，幫助用戶開箱即用的布置RAG能力。具體而言，OCI GenAI Agents 支持客戶訪問 Oracle Database 23ai AI Vector Search，並對數據庫中存儲的企業數據運行快速的相似性查詢。對於訂閱了基於 OCI 的 Oracle Database 23ai 的客戶，GenAI Agents 服務可添加自動化層來執行 RAG 和相似性搜索功能，無需將數據移至單獨的向量數據庫。

4.3 Salesforce（CRM.N）：推出Agentforce平台，商業化進展迅速

全球領先的CRM企業，積極擁抱生成式人工智能時代。Salesforce成立於1999年，致力於改善企業與客戶之間的關係，已被IDC連續11年評為全球排名第一的CRM SaaS供應商，2024年對應市場份額高達21.7%。目前，Salesforce產品已經覆蓋銷售、服務、營銷、商務、數據分析等多個領域，為全球超過15萬家客戶提供全麵的服務。同時，Salesforce積極擁抱生成式人工智能時代，2023年3月推出Einstein GPT，使用戶可以直接在Salesforce CRM中用自然語言進行提問，實現自動生成坐席回複、電子郵件、安排日程等功能；2024年2月推出對話式人工智能助手Einstein Copilot，與各應用領域進行結合；2024年9月推出Agentforce，利用AI代理實現自主運行，降低企業人工成本。

Agentforce快速迭代，商業化進展迅速，在OA領域實現落地。Salesforce在2024年9月12日的Dreamforce上宣布推出Agentforce平台，企業可在其上創建所需的Agent，構建能夠24小時工作的數字化員工，降低成本的同時大幅提高運營效率；10月24日，Agentforce正式上線，一周內即實現200筆交易，客戶包括聯邦快遞、德科集團、埃森哲、IBM等頭部企業；12月17日，Agentforce迅速迭代為2.0版本，一方麵增強了推理引擎，具備更強的上下文感知能力，另一方麵強化了No-Code特性，用戶僅需通過自然語言描述即可構建相應的AI Agent。從商業化價值看，通過Agentforce構建的數字化員工單次對話僅需2美元，大幅低於人工成本。隨著潛在用戶在降本增效需求促進下構建更多Agent數字化員工，用量提升下商業化價值有望凸顯。

此外，在OA領域，Salesforce與Workday宣布達成戰略合作，雙方將推出一款新型AI員工服務代理（AI Employee Service Agent），實現更智能化的員工服務。功能上，該Agent能夠協調文書工作、資源配置、培訓，使新員工更快速地開始工作；根據員工的角色、技能和職業興趣，策劃個性化職業發展路徑；回答員工基礎問題，以供了解公司基本規章製度。

五、打造企業平台級入口，Agent服務場景具體需求

國內 ERP/OA 廠商同樣已經步入 AI Agent 的探索之路。金蝶國際已經打造蒼穹 AI 原生底座，並進一步推出 AI 管理助手蒼穹APP，用戶可以通過AI自主規劃或AI任務流編排開發所需的Agent應用；致遠互聯已將AI技術與原有COP平台結合，利用Agent全麵賦能各產品線的同時，積極開發AI原生應用，智能表單產品 iForm 已經在超1300家客戶落地；泛微網絡則搭建了大模型+小模型+智能體的數智大腦Xiaoe.AI，將智能事務辦理入口、智能數據分析平台、構建業務智能體的底座三大能力相結合，提升客戶業務運營效率。

我們認為，AI加持下的 ERP/OA 平台有望成為企業管理軟件的新入口，Agent則作為實現各業務流程自動化的抓手實現 AI 能力的真正落地。國內廠商基本已經實現 AI 平台的布局，有望進一步開發各類 Agent 能力，與用戶各場景需求結合，提供高效服務。

六、投資建議

OA+ERP作為企業數據交匯的核心數字化基座，關注人及資源兩大企業核心構成部分，與AI結合更易，預計將率先商業化。隨著B端Agent進一步落地，OA+ERP有望成為新的入口級平台應用，聯通各業務組件，提升用戶便利度。

（1）AI產業商業化落地不及預期：目前各環節AI 產品的商業化模式尚處於探索階段，如果各環節產品的推進節奏不及預期，或對相關企業業績造成不利影響；（2）市場競爭風險：海外 AI 廠商憑借先發優勢，以及較強的技術積累，在競爭中處於優勢地位，如果國內 AI 廠商技術迭代不及預期，經營狀況或將受到影響；同時，目前國內已有眾多企業投入AI產品研發，後續可能存在同質化競爭風險，進而影響相關企業的收入；（3）政策風險：AI技術的發展直接受各國政策和監管影響。隨著AI在各個領域的滲透，政府可能會進一步出台相應的監管政策以規範其發展。如果企業未能及時適應和遵守相關政策，可能麵臨相應處罰，甚至被迫調整業務策略。此外，政策的不確定性也可能導致企業戰略規劃和投資決策的錯誤，增加運營的不確定性；（4）地緣政治風險：在全球地緣政治環境的波動下，尤其美國對中國的出口限製或將直接影響國內企業算力芯片的獲取，進而影響其產品研發和市場競爭力。同時，地緣政治風險也可能導致 AI 產品開拓海外市場麵臨障礙，影響相關企業的營收情況。⠀

武超則：現任中信建投證券股份有限公司研究所所長兼國際業務部負責人，董事總經理，TMT行業首席分析師。新財富白金分析師，2013-2020年連續八屆新財富最佳分析師通信行業第一名；2014-2020年連續七屆水晶球最佳分析師通信行業第一名，2022、2023、2024年水晶球最佳領隊。上證報2022、2023、2024年最佳研究所所長，21世紀金牌分析師2024年度影響力券商研究所所長。專注於人工智能、5G、雲計算、半導體等科技領域研究。中國證券業協會證券分析師、投資顧問與首席經濟學家委員會委員。清華大學金融碩士行業導師。

應瑛：中信建投證券計算機行業首席分析師，倫敦國王學院碩士，5年計算機行業研究經驗。2021年加入中信建投，深入覆蓋醫療信息化、工業軟件、雲計算、網絡安全等細分領域。

崔世峰：海外研究首席分析師，南京大學碩士，7年買方及賣方複合從業經曆，專注於互聯網及科技公司研究，擅長遊戲行業研究。2022-2023年新財富港股及海外最佳研究團隊入圍，2019-2020年新財富傳媒最佳研究團隊第二名核心成員。

證券研究報告名稱：《AI係列報告2：什麽是Agent最先落地的B端應用？》

對外發布時間：2025年1月9日

報告發布機構：中信建投證券股份有限公司⠀

本報告分析師：⠀

武超則 SAC 編號:S1440513090003SFC 編號:BEM208

應瑛⠓AC 編號:S1440521100010

崔世峰⠓AC 編號:S1440521100004

SFC 編號:BUI663

研究助理：李楚涵