中金 | AI十年展望（三十一）：Personal Agent——消費級AI的破曉時分

　　炒股就看金麒麟分析師研報，權威，專業，及時，全面，助您挖掘潛力主題機會！

中金研究

當前市場愈發關注AI商業化進展，Personal Agent無疑是AI商業化的重要方向之一。本報告將分析：1.什麼是Personal Agent？2.硬件需求如何算？3.差異化怎麼看？以及4.市場規模有多大？

本文作者為：於鍾海/李銘姌/童思藝/車姝韻

Personal Agent有望降低通用Agent的使用門檻，釋放普通消費者的潛在自動化需求。我們認為Personal Agent核心能力包括長期記憶、主動服務、安全可控和可靠交付。隨着主動需求發現、長期任務管理能力不斷完善，消費者能夠將更多事務交由Agent處理，推動AI使用人群、人均任務量及后臺計算需求持續增長。

我們測算得到：在基準情形下，人均消耗約3.6億Token/月，硬件成本約23美元/月。我們將Personal Agent帶來的硬件需求分為雲端沙箱需求（CPU、DRAM）、推理需求（GPU）和長期記憶需求（SSD）。我們認為，目前部分套餐訂閲費或難以覆蓋硬件成本，更大的收入空間或來自於抽傭及廣告收入。

生態與模型共同構建Personal Agent差異化。1）生態：平臺型助手具有流量入口、豐富商業資源和工具，在獲客、服務執行等方面具優勢；獨立助手擅長跨生態整合。2）模型：自有模型廠商能夠開展針對性訓練，將真實任務反饋用於模型迭代；獨立廠商可以靈活選擇模型，通過框架與上下文設計改善產品能力。

2030年中國Personal Agent市場規模有望超過5,100億元。我們認為有望形成以下三類商業模式：1）訂閲收入：通過可量化的任務價值與持續可靠的日常服務，建立分層付費體系；2）廣告收入：依託用户注意力與需求識別能力，在信息獲取及決策過程中提供廣告推薦，承接商家營銷預算；3）交易佣金：Agent通過促成訂單與完成交易，按一定比例收取佣金。基礎情景下，我們測算2030年中國Personal Agent的訂閲收入、交易抽傭收入和廣告收入空間有望分別達到838、3,918和386億元。

風險

活躍用户提升不及預期；競爭同質化；商業化進展不及預期。

什麼是Personal Agent？

Muse的快速增長為Personal Agent打開消費級AI需求空間提供了早期觀察窗口。Meta於2026年9月8日在美國推出Muse，據Sensor Tower，其上線22天內美國下載量超過500萬，並圍繞購物、出行、日程管理等場景展開產品探索。Muse呈現出Personal Agent的重要特徵：將對用户的長期理解與任務的持續執行相結合，使用户能夠將需要完成的事項交由AI處理，減少反覆交代背景、協調操作及跟進進度的投入，體現出AI持續參與個人事務的應用潛力。對比海外各大Personal Agent的產品功能、生態、收費模式，我們認為，Personal Agent有望幫助普通消費者將模糊的生活目標轉化為可執行的委託，推動AI使用人群及人均任務量進一步擴展。

Muse有哪些特質

Muse在持續執行、長期記憶、授權控制、服務場景上具有獨特亮點。Meta於2026年9月8日在美國推出Muse，由Muse Spark模型驅動，用户可通過App、網頁及WhatsApp交代任務。Muse提供了多種功能，以滿足用户不同層級的需要：Chat用於持續溝通，Goals組織長期目標及執行計劃，Library保存資料與成果；Ideas結合對話、日曆和連接賬户提出可委託的任務，Feed按用户設定的主題提供信息。Artifacts可以把結果呈現為行程、文檔或持續更新的儀表盤。我們認為，持續執行、長期記憶、授權控制和服務場景是Muse區別於傳統Agent產品的重要能力

圖表1：Muse持續服務場景擴大

Personal Agent vs 工作場景Agent

我們認為Personal Agent是能夠長期瞭解用户、主動發現需求，並在授權範圍內自主處理和持續跟進個人事務的通用智能體。Agent能夠長期積累個人信息，結合用户偏好和歷史行為理解需求，並主動提出建議或執行任務。對於需要長期跟進的事項，Agent可以保留任務狀態，在預定時間或相關事件發生時重新開展推理和執行，無需用户持續發出指令。涉及支付、信息發送等關鍵操作時，用户則通過明確授權保留控制權。我們將其核心能力概括為：長期記憶、主動服務、安全可控和可靠交付。

圖表2：海外Personal Agent情況概覽

Personal Agent降低通用Agent的使用門檻，未來有望向更廣泛的消費人群滲透。購物、日程管理等需求普遍存在於消費者的日常生活，但相關操作往往分散於多個應用，需要用户自行蒐集信息、協調安排並完成執行。用户只需提出希望達成的結果，Personal Agent即可自主規劃並推進任務。便捷的交互方式有望吸引大量用户採用。

主動發現需求與持續推進長期目標有望釋放普通消費者的潛在自動化需求，提高用户的使用深度。專業用户通常具有明確的工作目標，而普通消費者的生活事務更加分散，許多潛在需求需要結合個人信息與實際情境才能被識別。Meta在Muse早期測試中發現，用户面對Agent豐富的功能時往往不知道從何開始，因此專門設計了根據個人目標和歷史信息主動提出建議的Ideas功能，幫助用户發現需求並轉化為具體任務。同時，長期目標的持續推進也將產生新的自動化工作量。用户只需提出總體目標，Agent便可根據后續信息變化持續識別和執行新任務。我們認為，隨着主動需求發現和長期任務管理能力不斷完善，普通消費者能夠將更多日常事務交由Agent處理，推動人均任務量及后臺計算需求持續增長。

硬件需求：Personal Agent對硬件需求的定量測算

由於Personal Agent具備主動服務的功能，每位用户需要有一臺雲端的「虛擬電腦」，即基於CPU和DRAM資源的沙箱；而Personal Agent在持續推理過程中會產生GPU的推理需求。此外，Personal Agent需要儲存用户的個人記憶及文件。因此我們將Personal Agent對於硬件的需求分為雲端沙箱需求（主要是CPU、DRAM）、推理需求（主要是GPU）和長期記憶需求（SSD）。

持久性雲端環境帶來的雲端沙箱需求

在Personal Agent場景下，每位用户的運行環境實際部署在雲端容器中，需要佔用雲端的CPU、DRAM及SSD資源。如何測算沙箱部分的雲資源需求量？

我們認為Agent服務方將以大批量租賃沙箱資源、再分配給用户的方式實現這部分硬件租賃，因此我們先測算1億DAU場景下所需的硬件租賃成本，再分攤到單一用户（具體假設、測算過程及測算結果詳見完整報告）：

圖表3：單用户CPU沙箱成本的計算過程

注：價格來源截至2026年11月2日，部分價格來自第三方數據庫Holori、Economize，規格實例參考AWS官網一致。

資料來源：AWS官網，Holori，Economize，Muse官網，中金公司研究部

沙箱運行也伴隨着SSD的存儲需求，用於存儲用户的歷史記憶文件及各類運行中產生的資料數據。我們假設中度使用的基準情形下，初始需要10GB SSD容量，每月增加2GB。其中冷存儲比例約85%。考慮到SSD需求會隨着用户使用時長增加而增長，我們在此僅對第一年所需的成本進行測算，實際上SSD成本會隨着年份而不斷增長。此外，考慮到重度用戶數據規模更大，我們假設越是重度的用户，冷存儲的比例會更高。

圖表4：單用户SSD成本的計算過程

注：價格來源來自AWS官網，截至2026年11月2日。資料來源：Amazon官網，中金公司研究部

持續推理帶來的GPU需求

推理需求方面，我們將Personal Agent的Token消耗量分為前臺任務和后臺任務分別進行假設。中度使用的基準情形下，我們的測算結果是人均每月消耗3.6億個Token，與Muse的免費額度接近。

圖表5：Personal Agent Token消耗量測算

如何從Token消耗測算推理成本？我們基於Muse使用的模型及API毛利率來估算推理成本。

圖表6：GPU推理成本計算過程

結果：中度用户每月消耗3.6億Token，硬件成本約23美元

我們最終測算得到的結果是：中度使用的用户月Token消耗量與Muse目前的免費服務額度基本接近，約為Power套餐額度的18%，硬件成本約23美元/月。重度用户測算大約11.4億Token/月，對應約71.5美元/月的硬件成本，高於Muse對Power套餐的20美元/月定價水平。我們認為Personal Agent的商業變現並非主要通過訂閲費實現，更大的收入空間或來自於抽傭及廣告收入。

圖表7：測算結果與Muse實際套餐定價

注：免費額度來自第三方GetMuseHelp報道，非官方數據資料來源：Muse官網，中金公司研究部

差異化：生態、模型構建差異化

生態：從流量入口到服務執行，平臺型助手優勢顯著

平臺型個人助手具備流量入口、服務落地、商業化基礎和數據資源等優勢。Personal Agent可以按資源基礎分為平臺型助手、獨立型助手。Muse、Gemini Spark和Dots依託既有平臺入口、模型或數字服務，爭取用户持續委託；Instinct和Manus旗下Cue通過獨立產品、執行框架與外部連接組織跨場景服務。我們認為平臺型助手的生態優勢體現在：1）背后成熟的平臺網絡，為助手提供天然的用户基礎，併爲用户提供了進行嘗試的場景；2）積累的用户信息與豐富的應用生態體系，可以將助手能力轉化為可執行、可交付的服務；3）複用現有分發渠道、付費體系和商户網絡等資源，可以加快助手商業化變現速度；4）擁有豐富的工具調用數據，可用於模型訓練，提高工具使用的準確度。

圖表8：平臺型助手和獨立型助手的資源基礎、優勢與限制

平臺型助手在獲客、服務執行、商業變現和數據資源上具有優勢

平臺型助手背后有完整閉環生態作支撐。我們認為，平臺型助手的優勢在於流量入口、服務落地、商業化基礎和工具調用數據共享四個方面：

► 流量入口：平臺型助手擁有已經成熟的流量入口。我們認為，平臺型助手在流量入口上的優勢在於，用户發現和接觸產品的路徑更短，產品無需完全依賴外部投放或口碑傳播獲取新增用户，有望降低獲客成本並加快用户規模擴張。

► 服務落地：平臺型助手可以將生態資源轉化為更好的服務。1）平臺積累的個人信息能夠為助手提供理解需求的背景，使其從響應明確指令進一步走向結合用户情境提供服務。2）平臺對自有工具和服務的整合能力，有助於將需求理解與任務執行連接起來，形成信息-工具-服務的完整閉環。我們認為，生態資源的價值不僅在於幫助助手觸達用户，更在於讓服務更貼合個人需求，並使跨環節任務的銜接更加順暢。

圖表9：Gemini可以調用谷歌生態內的工具幫助自己完成任務

► 商業化基礎：平臺型助手擁有更廣泛的商業化基礎。依託既有用户入口、應用服務和商户網絡，平臺型Personal Agent能夠複用已有的分發渠道與付費體系，並將商業化延伸至訂閲升級、交易服務、企業應用及硬件銷售等多個環節。在用户側，Google將Gemini Spark納入AI Pro、Ultra套餐，與辦公工具、雲存儲等權益形成組合；OpenAI則將Dots納入既有付費套餐，通過持續執行任務提升產品價值，為用户留存和付費升級提供支撐。在商户側，Muse已接入零售商和支付網絡，Meta也提出未來通過交易收費獲得收入的方向；Muse for Small Business進一步連接Facebook、Instagram和廣告賬户，我們認為將助手能力延伸至商户內容製作、營銷和經營分析，有望與原有廣告業務形成協同。

圖表10：各Personal Agent收費模式

► 工具調用數據共享：平臺型助手生態內擁有豐富的工具調用數據，有助於提高助手工具使用能力。我們認為，平臺型助手可以根據生態內積累的工具調用數據，對模型進行鍼對性的訓練，有助於提高個人助手判斷工具選擇與調用時機、工具的操作準確性、工具之間的協同等工具使用能力，將過往用户工具調用軌跡數據轉化為更準確的服務。

圖表11：平臺型助手及相關工作產品

獨立個人助手仍有其獨特優勢

跨平臺獨立助手主要通過產品體驗與任務交付建立用户關係。Instinct可以通過電話和消息辦理賬單、購物、預約及旅行[1]；Manus旗下Cue提供獨立個人Agent應用，每個Agent擁有郵箱、電話、錢包和電腦，並支持多個Agent協作[2]。獨立助手缺少具備足夠流量的獲客入口，需要通過明確成果建立用户的首次信任；同時其服務和工具調用受平臺授權限制，外部模型、賬户連接、電話與瀏覽器執行等也會產生持續的服務費用，抬升其服務成本。我們認為，獨立助手應優先聚焦高頻、價值明確的具體場景，通過提高任務完成率、減少用户操作和降低單次任務成本，促成用户持續使用，並逐步積累服務經驗與信任。其長期競爭力取決於這些積累能否形成持續的交付優勢：即使平臺推出同類功能，獨立助手仍能更可靠、更省心或以更低成本完成任務，從而留住用户並獲得持續付費。

獨立助手的優勢在於跨生態整合和利益對齊。1）跨生態整合：用户的信息、工作與消費需求分散在不同平臺，獨立助手可以圍繞用户目標，靈活組合不同廠商的模型、應用與服務，串聯信息獲取、方案比較和任務執行。比如，客户需求來自微信，資料放在Google Drive，分析在Excel中完成，最后通過郵件交付。獨立助手有機會成為這些工具之間的協調者。它的價值取決於能否把整件事辦完，而不必要求用户先統一軟件體系。同時，平臺型助手與其他平臺可能存在利益上的衝突，進而導致其權限受限，例如，亞馬遜在9月份封禁了Muse代用户在亞馬遜網站購物的訪問權限[3]。我們認為，獨立型個人助手可以憑藉其相對中立的身份，在不同生態間選擇合適的產品與工具，為用户提供更好的服務。2）利益對齊：獨立助手在利益上與用户有更好的一致性，沒有偏向特定平臺的傾向，可以以相對中立的立場比較服務、推薦方案，逐步建立用户信任，而平臺型助手可能更傾向於在自己的生態內完成服務閉環。

圖表12：獨立型助手產品概覽

模型：模型能力構成競爭基礎，自有模型優化空間更大

自有模型的廠商可以針對產品的應用場景和關鍵特點對模型進行訓練。區別於傳統大模型的工作場景（根據用户指令交付答案、文章或代碼），Personal Agent需要根據用户目標進行長期的計劃推進與修正，並調用外部工具進行任務執行。因此，Personal Agent往往需要擁有較強的長期記憶能力、長流程任務執行能力、工具調用能力等，而自有模型廠商可以針對這些能力進行強化訓練。我們認為，未來Personal Agent模型與通用大語言模型會出現一定的分工，自有模型廠商可以通過對模型進行鍼對性訓練，在模型能力上擁有一定競爭優勢。

圖表13：Muse Wonder Full在個人智能指數和主動記憶能力上超越了其他頂尖模型

自有模型廠商可以將真實反饋轉化為模型改進。我們認為，Personal Agent持續參與用户的實際生活和工作，能夠積累通用訓練數據難以覆蓋的需求、約束和失敗案例；同時掌握產品入口與模型訓練能力的廠商，有機會將這些經驗持續轉化為更可靠的執行行為，逐步形成產品與模型相互促進的迭代優勢。

圖表14：廠商可將真實用户反饋轉化為模型優化信號，並在產品端驗證效果

在規模化使用的情況下，自有模型廠商擁有一定的成本優勢。由於Personal Agent需要持續理解用户需求，在記憶檢索、任務規劃與工具調用等環節多次調用模型，並根據現實情況變化和用户反饋進行修正，其運行時間和模型調用次數要遠超一般Agent。例如，即使沒有收到新消息或新指令，個人智能體也可能需要檢查航班、跟進預約、整理記憶、判斷日程衝突，持續消耗計算資源。我們認為，自有模型廠商的成本優勢不僅體現在無需承擔API調用的溢價，還在於它可以將高頻任務能力訓練進專用模型，減少宂長推理和工具調用，以及根據業務特點調整推理、緩存和部署方式，從而降低最終推理成本。

獨立廠商可以靈活選用模型，降低對單一模型進展的依賴，並控制成本。獨立廠商一方面可以接入前沿模型服務，不必受制於自主模型研發的進展；另一方面可以通過模型路由實現質量與成本之間的優化。不同模型在能力、價格、速度和上下文長度上各有所長，應用廠商可以按任務靈活地選擇模型，對於複雜的任務使用頂尖商用模型API，對於簡單的任務可以使用參數較小、速度較快的模型，既讓不同模型發揮其獨特的長處，又降低了調用模型的成本。

圖表15：獨立廠商可以通過模型路由，將不同任務分配給合適的模型

獨立廠商能通過模型進步之外的多種方式提高產品能力。儘管獨立廠商難以直接修改底層模型的權重，但仍然能通過優化運行框架和上下文持續提升產品，並把用户反饋轉化為更好的信息檢索、工具設計、任務流程和結果檢查，提高最終交付的可靠度。我們認為，用户往往要求Personal Agent處理郵件收發、日程安排、出行/餐飲票務預訂等日常事務，對底層模型的要求低於長代碼編寫、科研論文寫作等複雜任務，獨立廠商可以通過良好的框架與上下文設計提升產品能力。

圖表16：各Personal Agent使用模型

商業化：持續服務與交易增量支撐商業化

商業空間：Personal Agent拓展AI ToC商業空間

Personal Agent商業化有望形成訂閲費、廣告費與交易佣金三類收入模式。1）訂閲收入主要面向消費者，依託Agent對個人需求的理解與主動服務，通過日程管理、事務協調及任務執行等能力解決用户問題、提升用户黏性，推動付費轉化。2）廣告收入主要面向商家，依託Agent對用户消費意圖的識別，通過廣告展示和精準推薦引導變現。3）交易佣金則伴隨Agent從推薦向交易延伸，通過促成訂單向商家收取一定比例的佣金，其經濟基礎在於為商家創造可驗證、可溯源的交易。

我們測算，基礎情景下，2030年中國Personal Agent市場規模有望達到5,142億元。其中，歸屬於Agent的訂閲收入、交易抽傭收入和廣告收入分別為838億元、3,918億元和386億元，佔比分別為16.3%、76.2%和7.5%，交易抽傭收入為最主要的組成部分。具體假設、測算過程及測算結果詳見完整報告。

圖表17：中國Personal Agent市場規模測算

注：相關假設及計算過程詳見后文。資料來源：中金公司研究部

訂閲：持續使用價值支撐Personal Agent訂閲付費

分層訂閲逐步普及，訂閲費有望成為Personal Agent的重要收入來源。Muse、豆包和WorkBuddy已經推出不同檔位的個人套餐，覆蓋生活事務與個人辦公需求。其主要邏輯是通過免費服務讓用户體驗產品價值，再以更高使用額度和能力承接持續使用需求。我們認為，Personal Agent的付費檔位有望通過增加額度承接更高頻或更復雜的委託需求，推動其成為真正的生活助手。

付費原因1：可量化的任務收益有望促進Personal Agent的採用與付費轉化。取消閒置訂閲、協商賬單及申請差價退款等任務能夠帶來明確的費用節省，用户可以將節省金額與訂閲費用、授權及確認所需的時間成本進行比較，判斷服務的投資回報率（ROI）。Personal Agent的付費吸引力源於其能夠以訂閲費用為代價，幫助用户節省完成相關任務所需的時間與金錢，從而實現綜合成本的降低。對於金額較高或辦理流程繁瑣的事務，Agent代為執行的價值更為明顯。我們認為，明確且可驗證的收益有助於降低用户首次嘗試的決策門檻，並建立對服務的信任。

圖表18：Muse主要應用場景為節省花銷

付費原因2：持續可靠的日常服務有望提高用户使用頻率，支撐Personal Agent的訂閲續費。郵件管理、家庭協調和日程安排等事務反覆發生，其價值體現為節省時間、減少遺漏及降低協調成本。隨着Agent積累用户習慣、家庭關係和歷史任務等信息，用户無需反覆説明需求，Agent也能夠提供更及時的提醒和更符合個人需求的建議。此類收益分散在日常使用中，任務執行的準確性、建議的適用性和服務的穩定性是影響用户持續使用的關鍵。我們認為，可靠的服務有望逐步培養用户使用習慣；更換服務所需的信息遷移成本也可能提高用户留存意願，推動訂閲續費。

圖表19：Dots支持持續跟蹤用户需求，主動識別待處理事項並實施行動

持續的任務需求為訂閲提供付費基礎，套餐分層則為收入增長提供空間。生活事務助手通過管理郵件、日程和賬單，持續節省時間、減少遺漏；個人辦公助手通過文件製作、數據分析和流程執行，提高工作效率。隨着用户重複委託的任務增加，免費額度可能難以滿足需求，從而產生訂閲動機；更高頻或更復雜的使用需

我們測算，基礎情景下，2030年中國Personal Agent訂閲費市場規模有望達到838億元。具體假設、測算過程及測算結果詳見完整報告。在悲觀/樂觀情景下，考慮互聯網普及率、可服務人群比例、月活滲透率、付費率等的變動，我們測算2030年訂閲費市場規模區間為468億-1,370億元。

圖表20：Personal Agent訂閲費測算

注：月活滲透率綜合採用CNNIC的測算口徑；我們預計Agent將推動用户養成付費習慣並提升Token消耗需求，中性情景下付費率取25%；產品訂閲價格則參考豆包各檔位的訂閲費用。

資料來源：國家統計局，CNNIC，豆包APP，中金公司研究部

交易分成：Personal Agent有望通過交易分成拓展收入

Personal Agent承接既有消費流量與主動創造需求，形成交易抽傭的理論基礎。一方面，隨着用户逐步將商品搜索、比較及下單等任務委託Agent，部分消費決策入口有望從傳統搜索引擎、電商平臺向Agent遷移。這一模式的經濟基礎在於既有交易流量的重新分配，Agent獲得一定的流量分配權與商業議價能力，從按結果付費的角度向商家收取交易佣金。另一方面，Agent還可以通過主動服務發現用户尚未表達的潛在需求，創造新增交易及商家收入，為交易抽傭提供進一步支撐。我們認為，隨着Agent對用户日常生活的參與程度不斷加深、對消費決策的影響力持續提升，交易佣金有望成為重塑Personal Agent商業價值的重要收入來源。

圖表21：各廠商Agent已支持多商品服務場景與支付

主動服務有望推動Agent向需求創造延伸，進一步打開交易佣金空間。以Muse的Ideas功能為代表，Agent可以結合用户日程、個人偏好及歷史記錄，主動識別潛在需求並提出服務建議，從等待用户提出購買意圖，延伸至提前發現需求、推薦商家及執行交易。Instinct創始人Noah Shinn亦提出，降低用户辦理事務的負擔有望提高服務使用頻率，並探索向獲得訂單的商家收取交易費用[4]。我們認為，既有流量遷移賦予Agent參與交易收入分配的基礎，主動需求創造則有望進一步擴大可交易市場。中長期來看，佣金模式的規模化仍取決於Agent對交易的實際貢獻及訂單歸因能力。

我們測算，基礎情景下，2030年中國Personal Agent交易抽傭市場規模有望達到3,918億元。在悲觀/樂觀情景下，考慮Agent交易滲透率及有效抽傭率等假設的變動，我們測算2030年交易抽傭市場規模區間為2,330億元-5,934億元。

圖表22：抽傭測算匯總

圖表23：實物電商抽傭測算

注：1）我們假設5年CAGR為5%。2）Agent滲透率我們考慮不同產品類型的特質，不同品類結合高額程度、個性化需求、產品比較需求、細分可選種類、開放需求複雜度、組合採購需求和平臺習慣進行了一定調整，最終Agent加權滲透率為37.9%。

資料來源：國家統計局，抖音商城，中金公司研究部

圖表24：餐飲抽傭測算

注：1）我們假設5年CAGR為5%。資料來源：艾媒諮詢，中金公司研究部

圖表25：出行住宿及門票抽傭測算

注：1）文旅部數據顯示，2025年國內居民出遊花費6.30萬億元。我們假設出遊花費中80%被用於出行住宿及門票服務；結合Fastdata數據，我們假設80%的出行住宿及門票來自線上預訂和支付。因此2025年出行住宿及門票服務Agent可觸及金額為4.032萬億元。2）我們假設5年CAGR為5%。

資料來源：文旅部，Fastdata，中金公司研究部

新注意力變現：Personal Agent成為新入口，實現注意力變現

Personal Agent有望承接並分流傳統互聯網的商業流量，用户注意力仍是廣告變現的基礎。Personal Agent的消費相關功能主要包括輔助決策與購買執行：前者通過信息展示、商品篩選及方案比較幫助用户選擇，后者根據用户要求完成交易。我們認為，隨着部分消費決策入口從傳統搜索引擎、電商平臺向Agent遷移，商家爭奪用户注意力、影響消費決策的需求仍將延續。Agent憑藉對用户需求的理解及對商品推薦入口的掌握，有望承接原有商業流量和廣告預算，形成新的廣告收入來源。

圖表26：ChatGPT展示與對話相關的廣告

Personal Agent的廣告收入可來自對用户模糊需求的響應及對潛在需求的主動挖掘。當用户已明確品牌、價格及商品規格時，Agent主要承擔商品篩選與交易執行職能，廣告影響消費決策的空間相對有限。當用户提出開放性消費需求時，Agent需要通過商品比較、方案推薦等方式輔助決策，商家則有機會通過付費展示與引流影響用户選擇。隨着Agent更深入地參與用户日常生活，其有望結合用户日程、消費喜好及歷史記錄，主動識別尚未表達的需求，並推薦相關商品與服務，增加商業展示機會。我們認為，Agent從被動響應向主動服務演進，有望推動廣告變現進一步延伸至潛在需求的發現環節。

圖表27：Cue可響應用户的多重需求

官方廣告有望成為Personal Agent商業流量變現的主要方式。Agent平臺可直接向商家提供付費展示及引流服務，按CPM、CPC等方式收費。以ChatGPT為例，OpenAI已推出官方廣告業務，根據當前對話意圖及廣告相關性進行匹配，在回答下方展示明確標註的贊助內容，並按展示或點擊收費[5]。與此同時，第三方營銷機構可通過GEO優化品牌信息、網頁內容及信息來源，提高商家在AI自然推薦中的可見度，相關收入主要歸屬於營銷服務商。考慮到Agent平臺掌握廣告展示位置、競價分配及計費體系，我們認為，官方廣告有望成為平臺廣告收入的主要來源。

我們測算，基礎情景下，2030年中國Personal Agent廣告市場規模有望達到386億元。在悲觀/樂觀情景下，考慮月活用户規模、適宜商業廣告的會話比例、廣告填充率及平臺淨有效CPM等假設的變動，我們測算2030年廣告市場規模區間為162億元-900億元。

圖表28：廣告費收入

注：我們假設免費用户會接觸廣告，且廣告可展示比例與訂閲付費比例之和為1；考慮到Personal Agent將成為高頻使用場景，我們假設人均月會話數為450次。

資料來源：中金公司研究部

風險提示

活躍用户提升不及預期：Personal Agent發佈初期，用户高速增長，但用户增速可能面臨階段性放緩。我們認為未來需持續觀察相關產品的用戶數據及商業化變現進展。

競爭同質化：當前產品功能與交互體驗較為接近。企業需通過深耕垂直場景、構建差異化數據能力來逐步確立優勢，從而實現差異化競爭。

商業化進展不及預期：當前用户付費習慣尚在培育期，單一訂閲模式面臨轉化挑戰。我們認為企業積極探索多種應用服務與平臺生態合作等路徑，實現收入結構的穩健優化與長期可持續增長。

[1]Instinct（https://instinct.com/）

[2]Manus 2.0 正式發佈（https://www.manus.im/zh-cn/blog/introducing-manus-2-0）

[3]科技巨頭因 AI 購物起爭端：亞馬遜封禁 Meta Muse 智能體 - IT之家（https://www.ithome.com/1/005/418.htm）

[4]The $10B AI Assistant Challenging Meta's Muse, Grok's Bots, and OpenAI's Dots（https://www.youtube.com/watch?v=Am7IWP8IpEc&t=1867s）

[5]在 ChatGPT 中測試廣告 | OpenAI（https://openai.com/zh-Hans-CN/index/testing-ads-in-chatgpt/）

本文摘自：2026年11月3日已經發布的《人工智能十年展望（三十一）：Personal Agent——消費級AI的破曉時分》

於鍾海 分析員 SAC 執證編號：S0080518070011 SFC CE Ref：BOP246

李銘姌 分析員 SAC 執證編號：S0080524070025 SFC CE Ref：BTQ513

童思藝 分析員 SAC 執證編號：S0080524060015 SFC CE Ref：BVD355

車姝韻 分析員 SAC 執證編號：S0080523050005 SFC CE Ref：BTM272