财务数据和关键指标变化 - 第三季度营收为2.01亿美元，同比增长9%，超过指引上限 [5] - 非GAAP营业利润为1630万美元，营业利润率为8%，超过指引上限 [5] - 调整后自由现金流为1340万美元，利润率为7% [7] - 整体美元净留存率为96%，较上季度略有改善 [7] - 核心客户（年化支出5000美元及以上）数量为25,413名，同比增长8% [34] - 10万美元及以上客户数量为785名，同比增长15% [35] - 剩余履约义务为5.009亿美元，同比增长23% [38] - 递延收入为3.051亿美元，同比增长8% [38] - 本季度回购3080万美元A类普通股，平均价格14.10美元 [39] 各条业务线数据和关键指标变化 - AI Studio连续第二个季度实现稳健增长，包括自助服务用户的早期吸引力 [7] - 核心客户收入同比增长10%，占第三季度总收入的76% [35] - 自助服务业务持续以健康的两位数速度增长，但面临渠道顶端压力 [40] - 合作伙伴附加增长连续第三个季度实现，合作伙伴参与账户的NRR持续更高 [28] 各个市场数据和关键指标变化 - 国际市场收入同比增长12%，尤其是EMEA和日本表现强劲 [25] - 美国市场收入同比增长7% [25] - 非科技行业再次实现两位数增长 [25] - 科技行业仍然是增长阻力，但出现稳定迹象 [48] - 在医疗保健、金融服务和公共部门等关键垂直领域获得有意义的胜利 [19][26][27][28] 公司战略和发展方向和行业竞争 - 公司战略围绕三波工作转型：协同工作管理、工作流自动化和AI转型 [8] - AI平台建立在上下文、检查点和控制三大基础之上，以解决当前AI项目失败率高的问题 [10][11][12] - 推出AI Teammates，作为真正的协作代理，目前已有30家测试客户并获得积极反馈 [14][15] - 专注于行业垂直领域，如医疗保健，通过说行业语言并与其核心工作流程保持一致来获胜 [19] - 改进上市执行和跨销售及自助服务动议的价值实现 [21] - 保持对纪律性、盈利性增长的关注，同时再投资于AI平台 [21][41] 管理层对经营环境和未来前景的评论 - 科技垂直领域趋于稳定，但仍为整体阻力，未看到后续降级路径，部分大型科技客户在续订时实现扩张 [48][50] - 由于LLM驱动的搜索变化和付费媒体投资，SMB业务继续受到渠道顶端动态变化的影响 [29] - 预计这些不利因素将持续到第四季度 [30] - 对净留存率的改善充满信心，认为已接近底部，并预计中期和长期将持续改善 [36][78] - AI Studio和AI Teammates有望成为持久增长和增长重新加速的关键驱动力 [41][77] 其他重要信息 - 首席运营官Anne Raimondi将在任职七年后离职，首席运营官职位将不会被填补，上市团队将直接向首席执行官汇报 [22][23] - 公司在伦敦和纽约举办了Work Innovation Summit活动，有超过1600名客户、合作伙伴和分析师参加，获得积极反馈 [31][32] - 公司正在优化自助服务体验，例如新的Prompt-to-Project流程，以快速为用户创造价值 [30] - 公司正在调整内容策略和技术基础，以在AI主导的发现变革中保持权威性 [30] 问答环节所有的提问和回答 问题: 关于AI Studio自助服务发布的早期经验教训及其对ARR的贡献，以及AI Studio对今年续订的影响 [43] - AI Studio自助服务上季度刚刚推出，获得了广泛采用，包括各种规模的客户，民主化了AI Studio的访问，并为销售团队提供了信号 [44] - AI Studio在续订对话中提供了真正帮助，因为它具有战略性，提供了更多可销售内容，并帮助客户制定AI策略，公司关注已购买客户的采用和消费情况 [45] 问题: 关于科技垂直领域的现状、对第四季度及下一年的影响，以及第四季度指引上调的原因 [47][52] - 科技垂直领域趋于稳定，但仍为阻力，未看到后续降级路径，部分大型科技客户在续订时实现扩张，月度客户总留存率创12个月新高 [48][50] - AI Studio和AI Teammates开辟了新预算和新用例，创造了减轻席位降级的有力杠杆，并引入了新的基于消费的收入流 [50] - 第四季度指引上调基于四个因素：企业实力（10万美元以上客户增长15%）、国际实力（收入增长12%）、NRR改善（连续第二个季度环比改善）和AI势头（AI Studio连续增长） [53][54][55] 问题: 关于AI代理普及后Asana的竞争定位和差异化优势 [57] - AI代理领域不会赢家通吃，Asana将与许多其他代理玩家共存 [58] - 竞争对手分为三类：单机版辅助工具和个人助手（易产生代理蔓延）、来自CRM或ITSM等系统的点解决方案（限于狭窄生态系统）、以及直接基于LLM提供商构建的DIY解决方案（存在治理和扩展问题） [59] - Asana的差异化在于其AI平台内置了上下文、控制和检查点，AI Teammates作为团队的真正成员运作，利用Work Graph的丰富上下文，并提供检查点、权限和治理模型以防止蔓延 [60][61] 问题: 关于渠道生态系统的现状、发展阶段和当前牵引力领域 [64] - 渠道生态系统存在巨大机遇，产品和类别非常适合渠道，合作伙伴希望做得更多，公司视其为真正的生态系统和合作伙伴关系，而不仅仅是交易渠道，目前处于早期阶段 [65][66] 问题: 关于成本优化、云基础设施方面的剩余空间以及再投资与利润扩张的平衡 [68] - 成本优化工作尚未完成，仍有利润上升空间，通过地域组合效益、供应商合理化、销售和营销生产力改进等措施，可以连续多年扩大利润率 [69][70] - 公司平衡利润扩张与对AI平台的再投资，以维持产品领导力和加速增长，预计27财年的利润率扩张速度将低于26财年，但增长利润率保持在89%-90%范围提供了运营杠杆 [70][71] 问题: 关于留存率上升但收入增长略有放缓是否意味着现有客户的扩张或追加销售较为疲软 [73] - 留存率改善主要得益于降级情况的改善以及在大型科技续订中看到的一些扩张，公司投资于多产品策略，即使续订金额持平或略有上升，也对未来的留存和扩张有利 [74] - 月度客户留存率创12个月新高，这部分基础的健康状况也对整体留存率有贡献 [75] 问题: 关于同时实现收入重新加速和运营现金流利润率扩张的目标是否仍然可行 [76] - 多产品策略仍处于早期阶段，AI Studio和AI Teammates将是推动增长重新加速的关键解锁点，团队战略绝对是继续同时实现这两点 [77] - NRR的改善（连续两个季度环比改善，总留存率全面提高）带来了信心，AI Studio和AI Teammates将在27财年的净预订中发挥更重要作用 [78][79] - 协作工作管理类别因AI而将迎来重要时刻，PLG机会巨大（约占业务的40%），CWM市场庞大且在增长，上市效率和生产力仍有改进空间，公司将注入节奏以加快决策和学习周期 [80][81][82] 问题: 关于如何实际提高组织速度而不适得其反 [85] - 提高速度的方法包括确保快速决策的严密方式、围绕"尽快进入测试版"的心态（减少发布恐惧，强调快速迭代）、以及建立正确的运营节奏，让每个人明确职责和时间节点 [86][87] 问题: 关于多年利润率扩张的潜力，利润率能否达到20%以上 [88] - 基于90%左右的毛利率和固有的运营杠杆，随着持续增长，即使费用保持大致平稳，每个季度也能实现连续的几个百分点的利润率改善 [89] - 没有理由不能最终达到企业SaaS软件公司中的最佳水平，利润率以2开头（即20%以上）肯定在可能范围内 [89] 问题: 关于第三季度大型科技续订的表现与预期相比如何，以及对第四季度扩张和留存率的信心是否比进入第三季度时更高 [93] - 第三季度续订表现优于预期，这得益于运营严谨性和更多可销售产品 [94] - 第四季度科技续订量更大，但多为中型规模，公司带着同样的方法和新推出的Teammates进入第四季度，对第四季度的信心比指导第三季度时更高 [94][95][96] - 信心因素包括NRR连续两个季度改善、总留存率全面提高、多产品策略（特别是AI Studio和FSP）推动扩张和减轻降级、企业实力（中端市场客户表现出色）、国际实力以及10万美元以上客户增长15%且需求趋势稳定和转化率提高 [99][100]

公司动态 - 亚马逊云科技在AWS re:Invent大会上宣布了Amazon Bedrock AgentCore的多项新增强功能 [1] 产品功能更新 - 新增AgentCore Policy功能，通过运行在代理代码之外的实时确定性控制，主动阻止未经授权的代理操作 [1] - 新增AgentCore Evaluations功能，帮助开发人员根据代理行为持续检查其质量 [1] - 新增AgentCore Memory功能 [1]

公司财务与运营 - SLB将于2026年1月23日美国东部时间上午9:30举行电话会议，讨论截至2025年12月31日的第四季度及全年业绩，相关新闻稿将于同日上午7:00发布 [1] - 公司2024年营收为362.9亿美元，净利润为44.6亿美元 [5][10] - 公司员工总数约为96,000人，首席执行官为Olivier Le Peuch，总部位于巴黎、休斯顿、伦敦和海牙 [5][9][10] 业务发展与技术突破 - SLB推出名为Tela™的突破性代理式AI助手，旨在变革上游能源行业，该技术将嵌入公司应用和平台组合中，通过对话界面交互 [6] - 公司旗下OneSubsea合资企业从PTTEP获得两份大型海底工程、采购和建设合同，涉及马来西亚近海两个油田的扩建项目，合作基于双方20年的协作关系 [7] - SLB与地热及可再生能源公司Ormat Technologies达成协议，旨在加速包括增强型地热系统在内的综合地热资产开发和商业化 [8] 公司概况与战略定位 - SLB是一家全球性科技公司，业务遍及100多个国家，致力于推动能源创新以实现地球平衡，其工作重点包括油气创新、规模化数字交付、工业脱碳以及开发和推广加速能源转型的新能源系统 [3] - 公司业务涉及技术、工程、能源、机械、数据管理以及石油/天然气等多个行业领域 [4]

公司业绩与市场表现 - 公司第三季度营收为6.2831亿美元，同比增长19%，显著超出市场普遍预期的5.9152亿美元 [5] - 公司第三季度每股盈利为1.32美元，远超分析师预期的0.80美元 [5] - 尽管财报发布当日股价下跌1.05%至328.87美元，但强劲的季度业绩推动其盘前股价上涨22.84% [5] 行业趋势：AI与Agentic AI发展现状 - AI仍是科技领域的主导主题，但Agentic AI（自主智能体）目前仍处于试点阶段，尚未准备好用于规模化、生产级的应用场景 [1] - 围绕Agentic AI的兴奋情绪尚未转化为大规模的实际部署，公司CEO尚未看到能从根本上改变业务或更好服务客户的生产级AI智能体 [2] - 许多企业正在试验新的AI模型，但AI智能体的实际部署仍然有限，在金融服务、医疗保健和公共部门等受严格监管的行业中尤其如此 [3] 公司战略与客户洞察 - 新任CEO在过去一个月内与超过30位客户进行了交流，包括大型企业和AI原生初创公司 [3] - 尽管目前缺乏完全规模化的部署，但公司已做好准备，一旦这些AI工作负载转向生产环境，将发挥关键作用 [4] - 公司认为自身在AI浪潮中处于相对早期的阶段，但定位良好 [4]

会议与行业概览 * 会议为摩根大通第八届全球机器学习会议 于2025年11月25日在巴黎办公室举行[4] * 会议吸引了约140名投资者 代表约80家全球机构[4] * 会议内容聚焦于人工智能和机器学习在金融服务与投资管理领域的应用、挑战与趋势[5] 核心观点与论据 人工智能技术演进与实施 * **智能体人工智能**正在转变企业价值创造 要求组织重塑团队技能、管理技术债务并调整商业模式以适应创新[10] * 从预测性和生成式人工智能向智能体系统的转变带来了自主决策 这要求强大的治理、可观测性和评估[10] * **大型语言模型**在自然语言理解和沟通方面非常有效 但缺乏复杂推理和最优规划的正式保证[29] * 将大型语言模型与经典人工智能、数据库和规划工具相结合 通过提示、检查器和专用智能体的流程 能为时序问答、时间序列分析和自动化操作编排等任务提供更可靠的解决方案[29] 数据、建模与投资组合管理 * 生成对抗网络和变分自编码器等生成模型为模拟金融时间序列和投资组合回报提供了有前景的方法 但面临数据有限、非平稳性和复杂资产结构的挑战[15] * 合成数据的准确性受限于初始样本 生成过多数据可能引入偏差[15] * 标准模型关注高方差成分 这对于投资组合构建（尤其是需要低方差因子的多空策略）是次优的[15] * **自适应配置引擎**通过将基于启发式的投资组合构建与机器学习相结合 改善了战略资产配置 以应对市场不稳定性和估计误差[34] * 该框架使用多种启发式方法、多样化加权和崩盘保护 通过排序学习模型和多臂老虎机算法对策略进行动态排序[34] * **NeuralBeta**通过将回归与神经网络相结合来改进贝塔估计 而**NeuralFactors**则将因子分析扩展到处理生成建模和多样化特征[43] * 注意力机制和先进的损失函数进一步提高了准确性 表明混合经典与机器学习方法能为风险估计和投资组合优化带来最佳结果[43] 风险管理、合规与治理 * 金融机构在实施人工智能法规方面面临重大挑战 原因包括定义宽泛且不断演变、全球框架多样化以及跨司法管辖区合规复杂[20] * 关键主题包括风险管理、透明度以及基于角色的义务 特别是对于就业和信贷等高风险活动[20] * 有效的实施需要跨组织协作、扩大问责制以及与现有风险控制的整合[20] * 解决监管数据需求、平台战略以及适应不断变化的规则至关重要[20] * **负责任的人工智能实践**涉及隐私风险、用例评估以及广泛的风险分类 包括智能体攻击和运营弹性[25] * 自动化护栏和人在回路的策略可确保合规性、适应性和安全执行[25] 投资管理中的Alpha来源与趋势 * 小组讨论探讨了投资管理中的Alpha是更多由另类数据还是机器学习驱动 强调了处理原始和非结构化数据、构建定制因子以及确保数据质量的重要性[52] * 讨论涉及整合机器学习的挑战、对速度和可解释性的需求 以及情绪和输出在不同语言和方法之间的差异[52] * 高质量的数据和先进的机器学习对于可持续的Alpha都至关重要[52] * 讨论强调了从原始数据到投资过程中可操作知识的持续演进[52] * 炉边谈话强调了人工智能在投资管理中不断演变的角色 强调可解释性、信任和数据质量[39] * 关键点包括采用人工智能的动机、拥抱不确定性的重要性 以及将复杂财务决策委托给人工智能系统的风险[39] * 讨论涉及大型语言模型在推理方面的局限性、较小模型日益增长的有效性 以及提取新数据源（如税务数据）的必要性[39] * 谈话还强调减少对相关性的依赖、弥合研究与实践之间的差距 以及构建可信、可审计的人工智能系统以支持未来投资策略的重要性[39] 人工智能在保险领域的价值与风险 * 人工智能正在通过自动化、优化和预测分析改变保险业 但也带来了需要仔细管理的技术和社会风险[48] * 人工智能被用于定价、理赔、保单比较和风险提取 利用机器学习和计算机视觉[48] * 人工智能保险的兴起解决了模型腐败、对抗性攻击和合规等问题 但由于动态风险和有限数据 也带来了新的承保挑战[48] * 这推动了专注于人工智能资产保护、性能和责任覆盖的新风险框架和保险产品的开发[48] 其他重要内容 * 会议采用现场插画师记录每场演示的要点和精髓[4] * 摩根大通全球股票研究评级分布显示 截至2025年10月4日 其覆盖范围内股票评级为增持、中性和减持的比例分别为50%、38%和12%[61] * 报告末尾包含广泛的法律实体披露、地区特定披露以及免责声明 强调了研究的独立性、潜在利益冲突以及报告的分发限制[57][58][59][60][61][62][63][64][65][66][67][68][69][70][71][72][73][74][75][76][77][78][79][80][81][82][83][84][85][86][87][88][89][90][91][92][93][94][95][96][97][98][99][100][101][102][103][104]

行业趋势 - 全球科技巨头正纷纷加大对AI应用的投入，这被视为技术实际应用的体现和产业升级的必然路径[1] - Agentic AI正引领AI从“模型展示”阶段迈向“场景价值创造”阶段，为各垂直领域带来效率上的革命性提升[1] 公司战略与布局 - 公司自GPT-3时代起便前瞻性地布局AI领域，核心聚焦于营销场景的实际应用[1] - 公司构建了“AI+BI+CI”的全链路解决方案，并推出了包括KreadoAI、AdsGo.ai、CyberGrow、SEOPage.ai在内的AI产品矩阵[1] - 公司已成功落地AI Drive 2.0数智营销方案，实现了从“洞察-创作-投放-归因”的自动化闭环[1] 合作生态 - 公司与多家大模型公司进行了深度合作，合作方包括Google、阿里云、MiniMax等主流大模型厂商[1] - 公司持续通过“模型+数据+场景”的协同方式为出海企业赋能[1]

融资动态 - 星尘智能完成数亿元A++轮融资 由国科投资和蚂蚁集团联合领投 锦秋基金连续多轮支持[1] - 灵启万物4个月获3轮近亿元融资 最近一轮由锦秋基金领投 采取小脑+大脑架构[2] - 微纳核芯完成超亿元B轮战略融资 由蓝驰创投领投 专注存算一体AI芯片技术[3] - VideoTutor完成种子轮1100万美元融资 由YZi Labs领投 主打生成个人专属教学视频[4] - NemoVideo完成近千万美元Pre-A轮和天使轮融资 Pre-A轮为IDG资本独投 聚焦视频创作者工具[5] - 深度原理完成超亿元人民币A轮融资 用于材料发现智能体研发[6][7] 技术产品进展 - 宇树科技发布全身遥操作平台 实现人形机器人精准复现人类动作[8] - 地瓜机器人发布具身智能机器人大算力开发平台S600 推出一站式开发平台[9] - 灵启万物发布demo视频 机器人以接近真人流畅度执行家务 重点突破小脑部分[10] - OiiOii上线全球首个动画创作Agent 内置7个专业Agent实现一站式服务[12] 行业研究活动 - Leonis Capital发布AI 100报告 基于全球10000余家AI初创企业数据 显示资本倾向算力与数据[14] - 锦秋基金举办CEO大会 分享2025 AI创投趋势 聚集多位行业专家[17] - 锦秋基金创始合伙人杨洁获投资界F40中国青年投资人荣誉[19] - 锦秋基金获投中网2025行业关注度提升最快投资机构称号[21]

阿里云在AI时代的全栈战略定位 - 公司认为AI时代大模型与云计算的结合是行业重要趋势和技术创新的核心驱动力 [2] - 公司已转型为全球少数大模型与云计算全栈自研且技术领先的全栈人工智能提供商 [3] - 公司的技术创新围绕模型、基础设施和AI应用开发三个维度展开 [3] 通义大模型家族的发展与成就 - 通义模型家族已成为全球最大的模型家族，并成为全球第一开源模型及中国企业选择最多的模型 [3][6] - 截至2025年9月，通义大模型开源300余个模型，全球下载量突破6亿次，衍生模型达17万个，稳居全球第一 [6] - 超100万家客户接入通义大模型，2025年上半年在中国企业级大模型调用市场中占比第一 [6] - 在云栖大会上“七连发”，发布6款新模型及1个新品牌，覆盖全场景并在多维度实现突破 [9] 核心模型的技术突破与性能 - 旗舰模型Qwen3-Max预训练数据量达36T tokens，总参数超万亿，在全球权威评测中性能超越GPT-5、Claude Opus 4等，跻身世界前三 [10] - Qwen3-Max在代表Agent核心能力的工具调用和Coding能力评测中位列全球第一梯队 [10] - 下一代基础模型架构Qwen3-Next系列总参数80B，仅激活3B参数性能便可媲美235B旗舰模型，训练成本相较Qwen3-32B锐减超90%，长文本推理吞吐量提升10倍以上 [11] - 编程模型Qwen3-Coder开源后在OpenRouter平台调用量激增1474%，位列全球第二 [11] 多模态与专项模型的升级 - 视觉理解模型Qwen3-VL增强了复杂空间理解能力，实现3D基础训练，为具身智能奠定基础 [12] - 全模态模型Qwen3-Omni首次实现音、视、文多模态混合训练而各项能力不降反升 [12] - 多模态生成模型通义万相Wan2.5实现原生音画同步的10秒视频生成 [12] - 全新语音大模型家族通义百聆，包括基于数千万小时真实语音数据训练的Fun-ASR及可提供上百种预制音色的Fun-CosyVoice [12] AI基础设施的全栈升级 - 推出新一代磐久超节点服务器，单机柜可容纳高达128颗AI芯片，单柜功率达350千瓦 [14] - 推出HPN 8.0高性能网络架构，是全球首批实现“训推一体”设计的AI网络，支持从万卡规模跃升至数十万卡互联 [15] - CPFS面向AI训练与推理深度优化，单客户端吞吐量高达40GB/s，性能相比传统方案提升60%，并实现百万级IOPS [15] - 引入智能分层存储机制，热数据驻留CPFS，冷数据自动转移至OSS以优化成本 [16] - OSS全面升级支持向量化数据存储与索引，通过Vector Bucket机制实现多模态数据高效查询 [16] - 灵骏智算集群支持容器、虚机、裸金属等多种算力形态，智能化监测系统故障发现率超98% [16] 多模态智能数据底座的构建 - 瑶池发布基于“湖仓库一体化”的多模数据智能管理平台，融合OLTP和OLAP能力 [18] - 多模数据管理平台DMS: OneMeta+OneOps，支持40多种数据源，已服务超10万家企业客户 [19] - DMS助力客户将多模开发效率提高2倍以上，数据交付效率最高提升5倍，同时降低90%安全合规风险 [20] - 大数据平台MaxCompute、Hologres等产品数据处理全面支持AI Function，实现数据处理与AI推理无缝融合 [22] 数据库与大数据平台的性能突破 - Hologres发布全新向量索引HGraph，登顶Vector DB Bench性价比榜单QPS、Recall、Latency、Load四项第一 [24] - Milvus相比同类型产品性价比提升4倍 [24] - 云原生数据库PolarDB全球首创基于CXL Switch的分布式内存池技术，网络时延从微秒级降低至纳秒级，内存单价降低30% [24] - 开源大数据平台EMR在TPC-H10T starrocks测试中性能相比前榜首提升111%，在TPCDS 100T Spark测试中性价比相比前榜首提升500% [24] 训练与推理全流程优化 - 人工智能平台PAI创新推出专用训练引擎paiMoE，在Qwen3训练中实现端到端加速比提效3倍，训练MFU超过61% [26] - 针对DiT架构推出训练推理一体化加速引擎paiFuser，在8卡并行推理场景下视频生成耗时最高减少80%以上 [27] - 通过全链路优化，实现推理吞吐TPS增加71%，时延TPOT降低70.6%，扩容时长降低97.6% [27] - PAI-EAS推出企业级EP解决方案，使千亿参数MoE模型首Token生成响应时间降低92%，端到端服务吞吐提升超5倍 [28] - 大规模强化学习训练框架PAI-Chatlearn在相同硬件下，训练吞吐比开源框架提升2倍以上 [29] AI应用开发与Agent生态 - 阿里云百炼平台形成“1+2+7”企业级Agent体系：一套模型服务、两种开发模式、七大关键能力 [32] - 发布全新Agent开发框架ModelStudio-ADK，让专业开发者1小时就能开发一个能生成深度报告的Deep Research项目 [33] - 低代码平台ModelStudio-ADP已广泛应用于金融、教育和电商等领域，网商银行基于其开发的贷款审核应用任务处理时间从3小时优化至5分钟内，准确率超95% [33] - 阿里云百炼平台已有超20万开发者开发了80多万个Agent [33] - 过去12个月里，百炼模型服务调用量增加了15倍 [36] - 在金融领域，通义大模型已覆盖九成国家级及大型国有银行、全部12家股份制银行和排名前十的财险公司 [36]

合作核心内容 - 标普全球与亚马逊云科技合作推出集成服务，使标普客户能在其AWS环境中使用人工智能代理获取复杂的市场、金融和能源相关问题答案[2] - 标普全球数据通过两个新的模型上下文协议服务器集成在亚马逊Quick Suite中可用[2] - 此次集成旨在通过先进的人工智能能力提供金融智能访问，同时满足关键任务数据和人工智能驱动洞察所需的安全性、弹性和可靠性[4] 技术整合与价值 - 集成让金融专业人士能在其工作流程中直接利用代理人工智能和可信的市场、金融及能源情报的力量[3] - 集成反映了双方共同愿景，即通过先进的人工智能能力提供金融智能访问[4] - 这些集成扩展了标普全球在生成式和代理人工智能解决方案快速发展的生态系统中的覆盖范围[4] 行业采用趋势 - 代理人工智能的采用未遵循统一的曲线，已深度自动化企业将其视为逻辑上的下一步，而自动化程度中等或最低的企业则尚不知如何迈出这一步[5] - 超过90%的产品负责人转向外部供应商或顾问来帮助实施代理人工智能，而非内部开发解决方案[5] - 形成"双速"企业格局：一组 confidently 迈向自主系统，另一组则在观望，不确定如何或是否跟进[6] 企业自动化现状 - 处于最高自动化级别的公司中，有25%在8月前已采用代理人工智能，另有25%计划在一年内采用[6] - 企业对代理人工智能的犹豫并非由于技术缺乏，而是由于准备度、文化及风险承受能力[5]

公司动态 - Elastic公司宣布其已获得亚马逊云科技（AWS）的Agentic AI专项认证，该认证是AWS AI能力认证中新推出的一个类别 [1] - 此项认证认可公司作为AWS合作伙伴，能够帮助客户部署智能、自主运行的AI系统，这些系统可以独立处理、规划并执行复杂的业务流程 [1] - AWS的Agentic AI专项认证使公司在AI领域脱颖而出 [1]