CGL 集团，中国领先的高管寻猎与领导力咨询集团

今天下午，2026 云栖大会技术主论坛 · Agentic Cloud 在杭州国际博览中心二期开场。官方给这场论坛的题面像一句谜语：

当 Agent 成为云的新用户。

先猜一猜：过去二十年，云服务的客户名单上写的都是谁？是人，是网站，是 App，是数据库，是各种跑在机房里的业务系统。

现在这份名单上多了一行。而那一行不是人。

阿里云智能集团首席技术官李飞飞在开场分享里，把谜底展开成了一句更完整的判断：

推动云从「面向人的工具集合」，升级为「为 Agent 而生的操作系统」。

两句话说的是同一件事，主语却换了。过去云的用户是人，Agent 只是人调用的一个功能；现在 Agent 自己要当用户——它要算力、要存储、要身份、要安全边界，还要一个允许它失败重试的运行环境。

这个切换先发生在基础设施层，但它的影响会一路传导到组织和岗位。

先把这场论坛的位置交代清楚。2026 云栖大会 9 月 22 日至 24 日在杭州国际博览中心举行，主题「智以致用」，共设 4 场主论坛、120 余场分论坛、4 大主题展馆。Agentic Cloud 是其中一场技术主论坛，从 13:30 持续到 17:00，议程覆盖云基础设施、存储、网络、运行环境、安全体系与数据底座，并以一场题为「Scaling Trustworthy Agents」的圆桌收尾。

三项均为 2026 云栖大会 Agentic Cloud 论坛现场发布，阿里云自述口径，未经第三方审计。

一、云迎来了一位不太讲礼数的用户

看完整个议程会发现，阿里云发布的东西几乎不围绕模型能力本身，全部围绕一件事：怎么让 Agent 从能演示，变成能进生产。

原因不难理解——这是云第一次要为一个不看仪表盘、不读使用手册、出错也不填工单的用户做产品设计。 它只会闷头重试。

李飞飞在开场把企业级 Agent 落地的能力支柱讲成四条：

"Four Pillars of Enterprise Agents"

企业级 Agent 的四大能力支柱：全域认知引擎、自主运行与持续进化、可信协作与治理、实时智能决策。

四条分别对应：以全面、统一、持续更新的上下文形成全域认知；在反馈闭环中自主规划、执行与运行；融入安全、控制、信任与身份认证，实现人与 Agent、Agent 之间的可信协作；从静态规则走向实时感知、动态推理与自主行动。

围绕这四条，现场发布的产品可以按四个维度看：

这份清单值得一号位逐条对照自己公司的现状。 它其实回答了一个很朴素的问题：一个 Agent 要在真实业务里连续跑三个月不出事，需要哪些条件。答案是四件事——它记得住、它能自己跑、出事有人管、跑起来不烧钱。技术供给这一侧，已经把四件事都做成了标准件。

这里有两处细节挺有意思。

一处是「上下文」。说白了，上下文就是 Agent 的常识。人靠工龄长常识，Agent 靠数据底座长常识——所以企业攒了十年的数据资产，第一次有了一个不嫌它乱的读者。顺带一个推论：给 Agent 写文档，比给人写文档重要得多，因为 Agent 真的会读完。

另一处是算力口径。论坛给出的集群规模目标，是从十万卡级向五十万卡级演进。算力侧的叙事已经不再是单卡性能，而是集群能不能稳定交付。 这跟 Agent 的诉求是同构的——单个强不重要，一直可用才重要。

二、这条路径，我们在 2024 年 4 月就写下来过

写到这儿要回到我们自己。

集团在 2024 年 4 月 22 日的公众号文章[《AI驱动创新，重塑猎头行业未来——CGL的探索和实践》](https://mp.weixin.qq.com/s/gFUVK2L-M2B2rjnRnTdBbw)里，记录过一条路径判断：猎头服务行业与 AI 的融合会经历三个阶段——Embedding、Copilot、Agent。

当时给「Agent 模式」下的定义是：人类设定目标，AI 代理识别意图并规划实现步骤，自主完成任务。文章同时写明，这个阶段对 AI 的专业解构能力与预测能力要求极高——用今天这场论坛的话说，就是上下文工程加自主规划。

关键在于，那不是一份预测，是一份已经跑出结果的记录。

同一篇文章里还有两个数字。一是内部研发的 Sourcing Agent 经过两个月试运营，自动推荐了约 2000 名与顾问搜寻职位相匹配的人才，其中 76.3% 得到顾问认可、并被推荐给客户进入面试；二是对 30 位顾问的跟踪分析显示，AI 推荐的候选人与职位的匹配度为 94%，增效的同时并没有牺牲匹配质量。

这几个数字放到今天这场论坛的语境里，意思会更清楚：当 Agent 从「能用」走到「可运营」，它要交付的从来不只是效率，而是稳定性。

两年时间，一边把 Agent 写进了云的客户名单，一边把 Agent 写进了同事名单。说的是同一件事，两种写法。区别只在于——我们是从业务需求那一头先动的手。

三、Agent 进生产之后，瓶颈就换位置了

这里要说清一件事：Agentic Cloud 解决的是供给侧的可靠性问题。当可靠、安全、可审计、可控成本都被做成标准件，「Agent 能不能用」就正在从技术问题变成采购问题。

顺手说一个采购上的变化：以前买云，买的是地方；现在买云，买的是工位。而工位的数量，不需要按人头发。

技术侧解决不了的，是另外几件事：

• 一个岗位的产出到底怎么定义——按过程的动作量，还是按任务完成的结果；
• Agent 完成的那部分工作，在考核里算谁的；
• 人的价值往哪里移——从执行移到定义问题、兜底异常；
• 度量口径怎么换——从「他做了多少」换成「这件事有没有被解决」。

这四条里，没有一条能靠一套开发工具解决。它们全是组织和人的问题。

所以我们的位置没有变，反而更清楚了。 当技术方把工具那一层铺平之后，一号位面对的会是一堆「可以买、但买了不知道怎么用」的能力。把能力转成组织能力，中间那一段仍然是人的工作——定义岗位、重新分配责任、换掉度量尺子。这几件事，我们做了八年。

四、两年里，判断重心移了两次

把这两份材料放在一起看，会发现产业讨论的重心在两年里移了两次。

2024 年，问题还是「模型有多强，会不会替代某个岗位」。我们那时候给出的回答是：AI 的真正潜力在于实现「大规模定制」——不再是标准化复制，而是让每个候选人都得到符合其需求的方案。

2026 年，阿里云把问题换成了「Agent 能不能进生产」，答案是一整套基础设施。

而下一步的问题——Agent 进了生产之后，组织怎么接——今天下午这场论坛并没有回答。它把基础设施铺到了 Agent 脚下，剩下的问题落在每个企业自己身上。

启示：三个视角各自要判断的事

给一号位。 这场论坛把一件事讲明白了：Agent 进生产所需的基础设施，这两年已经陆续成为标准件。既然供给不再是瓶颈，买与不买就不再是判断题，「买回来由谁承接」才是。 一个组织如果没有能定义任务边界、能验收结果、能在异常时兜底的人，采购清单越长，沉淀越少。

给 CHRO。 度量口径的更换时间点，比口径本身更重要。技术侧上线是分阶段的，组织侧的调整如果等到 Agent 全面铺开再做，会同时面对两套账——一套按动作量算，一套按结果算，而中间那段时间恰好是争议最集中的时候。这个窗口最好在铺开之前就关掉。

给董事会。 技术投入能不能兑现，越来越取决于组织有没有承接能力。这不是一个可以外包出去的变量，也不是加预算就能买到的变量。它对应的是几个很具体的问题：关键岗位有没有人、岗位定义有没有更新、考核口径有没有跟上。

关于事实与口径

• Agentic Cloud 现场发布的产品与数据均来自阿里云自述，未经第三方审计，其效果口径基于其自有场景与客户样本，向其他行业迁移需谨慎。
• 文中的 7.2 倍人效、94% 匹配度、76.3% 认可率，为 CGL 内部实践样本口径（30 位顾问跟踪、两个月试运营），不是行业普查数据。
• 两份材料的场景不同——一份讲云基础设施，一份讲人才服务。本文做的是路径对照，不是效果对标。

关注 CGL，获取高管人才市场洞察与领导力前沿实践。

官网：global.wearecgl.com