1）智谱今日上线并开源 GLM-5.2，在 Code Arena 评估系统中，GLM-5.2 取得全 球第二、可用模型第一的表现。 计算机行业 行业研究 | 动态跟踪 国产模型性能继续迭代，成本优势持续凸 显 核心观点 事件： 2）据 Axios 报道，微软正在考虑将中国开源模型 DeepSeek V4 的微调版本，引入 其企业 AI 工具 Copilot Cowork，作为 OpenAI 和 Anthropic 模型的低成本替代选项。 投资建议与投资标的 我们认为，Anthropic 领先模型的下架，将有利于国产领先模型公司形成替代效 应，相关标的包括智谱(02513，未评级)、MINIMAX-W(00100，未评级)，另外， GLM-5.2 在 Coding 能力上的提升并开源，有利于国内 AI Coding 业务企业，相关标的 包括卓易信息(688258，买入)。 国产模型公司服务需求的增长，对算力和 Token 工厂行业带来驱动，相关公司包括 润建股份(002929，未评级)、协创数据(300857，未评级)、海光信息(688041，买 入)、中科曙光(603019，买入)、亚康股份(301085，未 ...

文章核心观点 - “数字员工”（AI Agent）正从科幻概念转变为现实的工作方式，其能力在最近一两年得到显著提升，能够接管浏览器、读写文件、执行代码、调用终端，真正“动手干活”[3] - 多个行业的独立开发者、小团队、中小企业主和打工人已在实际工作中部署“数字员工”，这些数字员工无需支付工资和社保、可24小时在线，每月成本仅为一两千元人民币，显著提升了工作效率并降低了人力成本[4] - 成功应用“数字员工”的关键在于找到具体的工作场景，将个人方法论沉淀为技能（Skill），并持续积累“上下文”以训练出真正有用的智能体，而非追求一步到位的全自动化[11][12][19][34] 各行业应用案例与关键实践 法律行业应用 - 律师使用Agent工具处理法律业务，例如从数十上百页的证据和数百条合同条款中定位关键信息，并将Agent渗透到办案、研究、创作等环节[7][8] - 通过编写45个特定技能（Skill），让Agent自动完成法律新闻抓取、材料归档、格式转换、法律检索分析及文书初稿撰写等工作，将律师本职业务的工作时间压缩至20%[8][11] - 每月在AI工具订阅上花费约一千元人民币，使用的工具包括Claude Code、Codex、WorkBuddy和QodeWork[10] 跨境电商行业应用 - 一家跨境电商公司用四个数字员工（Claude、Fin、Cursor及自动化系统）替代了原有的三名员工（美工、运营、客服），将每月近五万元人民币的人力与社保成本降至约四千元人民币的AI订阅与API月费[14][17] - 数字员工分工明确：Claude负责英文文案、Fin处理客服、Cursor管理代码、自动化系统监控广告投放与数据，实现了竞品价格监控、客服响应、广告规则自动化运行等[15] - 应用过程中曾出现AI生成错误促销文案的事故，因此强调所有面向客户的内容必须经过人工审核[17] 投资行业应用 - 投资经理利用在本地电脑上运行的Agent，在夜间自动完成公司研究，包括抓取专利、分析数据库、爬取创始人公开信息等，从而节省时间、增加睡眠[22][23] - 构建多智能体系统用于初步筛选商业计划书，每周可处理三四百份BP，AI进行初筛分级后，由人工或另一Agent进行后续处理，显著提升了项目覆盖率和效率[25] - 每月AI开销平均在一千美元以内，在密集尽调时可达两千多美元，估算“数字员工”可解决80%以上的工作，而其成本占个人收入比例不到10%[26][27] 创业与软件开发 - 一名非职业程序员背景的创始人，借助ChatGPT、Cursor、Codex等AI工具，独立搭建并维护复杂的商业网站，完成了从需求构思到结果上线的全流程，极大压缩了产品开发周期[29][30] - 将AI工具按角色分工：ChatGPT作为首席顾问、Cursor作为工程师、Codex处理重复性工作、Figma负责设计，形成了高效的“数字团队”[31] - 每月在AI工具上投入约一千元人民币，并为其团队表现打分7.5分，认为其执行力强但缺乏责任感，核心决策必须由人类把控[32] 媒体与内容创作 - 记者使用AI（如Claude、Kimi、写作Agent）作为“实习生”、“编辑”和“老师”，协助完成访谈整理、稿件润色、逻辑梳理及降低学习门槛等工作[36][37][38] - 每月在AI工具上的花费在1000到1500元人民币之间，用于接入本地知识库、信息调研和写作辅助[39] - 为当前AI员工表现打7分，认为其绝对质量尚有不足，强调最有效的使用者是清楚AI边界并能将想法快速落地的人，而非单纯追求效率提升[40]

文章核心观点 - 谷歌在AI领域，特别是在AI Agent产品上，正面临模型迭代缓慢、产品体验不佳、组织架构混乱导致的全栈优势丧失等问题，尽管其拥有强大的硬件、模型和用户入口基础 [5][17] - 行业竞争格局显示，OpenAI和Anthropic在AI Agent（如Codex和Claude Code）的产品化、商业化及用户增长上表现强劲，而谷歌的对应产品Antigravity则发展滞后 [5][40][41] 谷歌全栈优势的丧失 - 谷歌曾凭借自研TPU芯片（第七代Ironwood，一个pod提供42.5 ExaFlops算力）、统一的DeepMind研究体系以及Chrome、Android、YouTube等数十亿日活的用户入口，构建了强大的全栈优势 [9][10][11] - 文生图产品Nano Banana的成功得益于其低风险、短链路的特性，能够通过全栈快速迭代并收集用户反馈，从而在作图能力上超越GPT-4o [13][14][15] - 然而，在需要跨模型、权限、执行环境和承担长期责任的AI Agent产品上，谷歌的全栈能力出现协调问题，优势无法复刻 [15][16] 组织架构混乱导致产品线重叠与低效 - 谷歌内部至少有Google DeepMind、Google Labs、Google Cloud等多个互不统属的组织负责AI Agent相关能力，各自有不同的KPI和汇报线，导致资源分散 [21][23][25][26] - 这造成了产品线混乱：多个功能重叠的AI编程工具（如Gemini CLI、Jules、Code Assist、Firebase Studio、Antigravity）由不同团队开发，拥有不同品牌、入口和收费模式，甚至存在互相替代的情况 [18][19][20] - 缺乏统一的产品负责制，例如Antigravity由Google DeepMind孵化、Google Labs维护，又需接入Google Cloud体系，最终导致无人对其长期成功负责 [26][27][29] 评测导向与任务交付能力的脱节 - 谷歌的叙事过度依赖模型在受控环境下的基准测试（benchmark）分数，但行业已更看重模型在真实、长链条任务中的交付能力 [30][39] - 真实任务（如修复复杂bug）涉及多个步骤和外部工具调用，即使单步正确率达95%，连续20步全部成功的概率也仅约36% [34][35] - AI Agent产品的核心护城河在于错误恢复、状态保存、权限确认等可靠机制，而谷歌的Antigravity 2.0缺乏此类完整机制 [36][38] 行业竞争与商业化差距 - 竞争对手产品增长迅速：OpenAI的Codex桌面App上线首周下载量超100万，两个月后周活用户达400万；Anthropic的Claude Code在2026年2月暗示其年化收入已突破20亿美元 [40] - 商业化模式落后：Claude Code和Codex均有清晰的企业按人头付费模式，而谷歌的Antigravity 2.0发布一个多月后仍无明确企业版定价，仅通过Gemini Enterprise Agent赠送额度，未能形成有效的收费产品 [41][42]