朗腾集成灶全国统一各点联系方式《今日汇总》

重要提示：通过本订阅号发布的观点和信息仅供中信建投证券股份有限公司（下称“中信建投”）客户中符合《证券期货投资者适当性管理办法》规定的机构类专业投资者参考。因本订阅号暂时无法设置访问限制，若您并非中信建投客户中的机构类专业投资者，为控制投资风险，请您请取消关注，请勿订阅、接收或使用本订阅号中的任何信息。对由此给您造成的不便表示诚挚歉意，感谢您的理解与配合！

文｜武超则 应瑛 崔世峰

OA和ERP构成了企业数据交汇的核心数字化基座，赋能企业经营全流程。在本轮生成式AI浪潮中，自然语言交互+学习能力提升为核心发展方向，Agent则进一步推动了AI应用落地。其中，OA/ERP通过与Agent结合，能够自动化执行完成复杂任务，预计将成为新的企业入口级平台。当前，国内外OA/ERP厂商均积极布局Agent发展，相关领域有望迎来商业化快速落地。

OA及ERP构成企业核心数字化基座

在各管理软件中，OA和ERP构成了企业数据交汇的核心数字化基座。二者从人和企业自身两端入手，能够连接各业务条线，赋能企业经营全流程。

自然语言交互+学习能力提升，生成式AI不断迭代

在本轮生成式AI浪潮中，交互形式的改变和强大的学习能力构成了核心发展方向。其中，自然调度方式符合用户需求，多模态交互亦为后续模型的泛化能力提升带来了想象空间；而学习能力则体现在训练、推理及微调等多侧技术，大模型目前已经在代码、数学、AGI能力等方面实现了较高水平。

Agent赋能OA/ERP+AI落地，国内外厂商积极布局

Agent具备自主理解、感知、规划、记忆和使用工具的能力，能够自动化执行完成复杂任务，在企业办公场景中能助力OA/ERP成为企业入口级平台。当前，SAP、Oracle、Salesforce等海外企业管理软件厂商均广泛布局AI及Agent，实现业务流程自动化；国内金蝶国际、致远互联、泛微网络同样推出Agent服务，把握企业数字化转型需求。

投资建议：OA+ERP作为企业数据交汇的核心数字化基座，关注人及资源两大企业核心构成部分，与AI结合更易，预计将率先商业化。随着B端Agent进一步落地，OA+ERP有望成为新的入口级平台应用，联通各业务组件，提升用户便利度。

一、OA和ERP是企业数据交汇的核心数字化基座

OA和ERP均为提高企业运行效率的信息化系统。OA系统（Office Automation System，办公自动化系统）集成了文档管理、流程管理、邮件和消息通知等多种办公管理工具和功能，旨在通过技术手段实现从传统手工写作到自动化处理的跃升，提高办公效率；ERP（Enterprise Resource Planning，企业资源规划）平台则是一种集成管理信息系统，其将企业内部包括财务、生产、销售、库存、采购、人力资源等在内的各种业务流程，统一到同一个信息系统平台上，提供实时的数据共享和信息交流，帮助企业优化资源配置，提升运营效率和决策能力。

OA聚焦人，ERP聚焦企业资源，二者构成了企业核心数字化基座。对企业而言，OA、ERP、OMS、CRM、等系统都是常用的管理软件，但我们认为OA和ERP才是企业数据交汇的核心数字化基座。其中，OA系统聚焦办公，面向的对象是人，适用范围涵盖整个公司，尤其适合多个部门之间的协作；ERP平台强调的是资源管理，而企业资源则包罗万象，原材料、产品、财务、人力、客户乃至数据都是其中的一部分。相较于其他系统局限于业务的单个环节，OA和ERP从人和企业自身两端入手，通过数据交汇构建了数字化基座，从而能够连接各业务条线，赋能企业经营全流程。

二、交互形式+学习能力增强构成本轮AI革命核心

在本轮ChatGPT引发的AI浪潮中，交互形式的改变和强大的学习能力构成了核心发展方向。其中，自然语言的交互使得用户体验更加自然，同时多模态的发展更有望提高AI未来的泛化能力；而在学习能力方面，大模型在计算量、模型参数量和训练数据量的扩容下能力不断增强，微调下大模型更是能够在特定领域实现更好的适配。此外OpenAI o1及o3系列模型更是从推理侧带来了大模型学习能力提升的新方向。

2.1 自然语言交互符合用户习惯，多模态已成AI新趋势

自然语言处理技术快速发展，机器学习算法催生GPT模型。2022年底ChatGPT的推出引爆了本轮AI革命，其自然语言交互的方式亦成为学界和业界关注的焦点。实际上，自然语言处理（NLP）的研究早在1950年就已经开始，且受“飞鸟派”惯性思维影响，局限于用电脑模拟人脑思维方式。这一阶段，NLP主要由人工编写文法规则，存在规则数量大，难以解析词义等问题；二十世纪八十年代，贾里尼克提出基于统计的NLP，通过条件概率和大数定律将句子的合理性转换为词在语料库中的统计概率，但仍未解决词义相似度、数据稀疏等缺陷；二十一世纪以来，大数据、人工智能方面的研究在NLP领域迅速落地，词向量、CNN、RNN、LSTM、Transformer等机器学习算法使得NLP存在的各类问题得以改善，最终催生出以ChatGPT为代表的预训练大语言模型，引领新一轮AI浪潮。

自然调度方式符合用户需求，ChatGPT访问量高速增长。哈尔滨工业大学《ChatGPT调研报告》将大模型称为继关系数据库和互联网之后，下一代知识表示和知识调用方式。具体而言，从数据库需要SQL语言调用，再到互联网通过关键词搜索，最终大模型可以根据用户描述模糊理解，大幅提高了知识调用的自然度。反映到用户需求，据AI产品榜，2023年9月至2024年11月，ChatGPT web端月度访问量由15亿增长至39.2亿，除2023年12月及2024年7月分别因圣诞假期及暑期访问量有所下行外，环比均保持稳定增长。我们认为，NLP加持下知识表示和调用的演进方向与降低用户使用门槛的天然需求高度一致，有望促进以ChatGPT为代表的新一代AI工具流量持续增长。

多模态交互已成为AI发展新趋势。人类的信息获取窗口多样，因而有观点认为只靠语言难以实现通用人工智能。同时，相较于公开的文本数据，图像、视频、音频等数据的总量更大，且包含的信息量也更丰富，如果能够让大模型理解更多的模态，或将提升大模型的复杂推理能力。年初，OpenAI的Sora为行业指明了DiT路线，带动了视觉模型的涌现。随着国内外视频生成模型逐步落地，豆包及Sora实现实时视频交互能力（豆包视频交互能力为发布会演示效果），多模态交互已成为AI落地新趋势。我们认为，目前多模态的技术路径仍未统一，尤其还有更多维度的信息尚未囊括，预计多模态一定可以带来模型交互能力的提升，从而提高模型的泛化能力。

2.2 训练、推理及微调多侧技术发展，大模型学习能力不断提升

训练侧Scaling law推动模型能力持续提升，但仍面临技术、算力、数据的制约。早在2020年，OpenAI即在论文中提出了“Scaling law”，其内涵在于大模型的最终性能主要与计算量、模型参数量和训练数据量三者的大小相关，而与模型的具体结构（层数/深度/宽度）基本无关。在“Scaling law”的思路下，业内追求在训练侧用更多的高质量数据，训练更大参数规模的模型，尤其在MoE架构并行计算的加持下，大模型参数甚至能够提升至万亿以上，极大程度提高了模型的效果。

然而，受限于技术、算力、数据的制约，训练侧“Scaling law”正面临瓶颈：1）更高参数规模的模型训练比较复杂：当参数规模提升到万亿规模，模型进一步调整的技术方式仍待突破；2）算力规模一定程度制约了模型发展：英伟达 H100目前可以做到单一集群 3.2 万张卡充分互联，每2小时会出错一次（Founder Park访谈拾象科技 CEO 李广密）。一旦算力集群增加到10万卡，可能每20-30分钟即会出错一次，对数据中心的运维能力要求较高，否则会导致算力利用率明显下降。此时需要性能更强的算力卡出现。3）高质量数据缺失：早有消息称大模型训练已经耗尽了高质量数据，因此如果只是简单提升训练集规模，往往重复的数据占据了主要部分，从而对模型能力的提升有限。而数据合成的技术仍未能突破，同样一定程度上制约了模型的发展。

微调、RAG等技术手段进一步强化大模型学习能力。受到预训练数据的限制，ChatGPT等通用大模型缺乏最近事件的知识，回答问题的时效性较弱；同时，通用大模型在文本总结、对话问答、逻辑推理等普适性场景下表现更佳，更适合广大C端用户，但处理特定领域任务相对较弱，在B端场景商业化价值不足。业界普遍在通用大模型的基础上通过微调、RAG等技术手段实现对模型能力的提升，其中微调指利用具体行业或场景的专业语料库对模型进行迭代，能够将企业Know-how融入模型能力，增强特定领域回答效果；RAG则使模型能够在外部数据库中检索相关信息，利用增量信息强化模型的生成效果，极大地提升了内容的准确性和相关性。

思维链等方式打开推理侧大模型能力提升空间。当训练侧“Scaling law”进度相对放缓，OpenAI与2024年9月发布了系列新模型o1，其利用强化学习技术，通过提高推理侧的思考时间，大幅优化了模型表现；还能够在训练过程中生成高质量数据，解决天然数据缺失的问题。以思维链技术为例，其类比人类思考过程，使大模型在推理过程中把复杂问题拆解成若干简单步骤，从用户提出的问题出发，逐步生成正确答案。我们认为，OpenAI o1模型性能随着训练时间和测试时间计算而平稳提升，推理阶段思考深度（时间）或将成为 “Reasoning Scaling law”。

推理侧模型迭代迅速，OpenAI 推出o3系列模型。在OpenAI圣诞系列发布会的最后一天（2024年12月21日），OpenAI发布最新推理模型o3及o3-mini，实现性能进一步提升：

1）代码能力：在SWE-Bench Verified基准测试中，o3的准确率达到了71.7%，比o1的48.9%高出20%以上；在CodeForce竞技编程中ELO得分2727，相当于榜单175名，高于o1模型的1891分，也超过OpenAI现任首席科学家（2655分）。

2）数学能力：在AIME 2024测试中，o3获得了大约96.7%的准确率，高于o1的83.3%；在GPQA Diamond基础测试中，o3实现了87.7%的准确率，比o1的78%高出约10%（专业博士通常能实现约70%的准确率）；在公认当今最困难的数学基准测试Frontier Math中，GPT-4、Gemini 1.5 Pro等成功率不足2%，o3的准确率达到25.2%。

3）AGI能力： ARC AGI测试要求AI识别网格色块规律并解决新问题，o3在低计算量下实现75.7%的准确率，在高计算量下实现了87.5%的准确率，高于人类阈值85%，也高于o1模型30%准确率的水平。

此外，在o3模型基础上训练的轻量级版本o3-mini模型提供低、中和高三种推理强度选项，实现了低成本、高性能。以代码能力为例，在CodeForce测试中，o3-mini low/medium/high ELO得分依次提升，均高于o1-mini，medium/high版本得分高于模型；而在成本侧，low/medium/high成本均低于o1，其中low/medium版本成本低于o1-mini。

三、Agent助力AI落地，赋能OA/ERP成为企业入口级平台

大模型发展如火如荼，Agent有望成为应用侧落地抓手。OpenAI将AI Agent（智能体）定义为“以大语言模型为大脑驱动的系统，具备自主理解、感知、规划、记忆和使用工具的能力，能够自动化执行完成复杂任务的系统”。具体而言， Agent会将大型任务分解为子任务，规划执行任务的流程并进行评估；在执行任务的过程中，Agent具备记忆能力，其中短期记忆用于存储上下文以支持多轮对话，长期记忆则通过向量数据库实现，存储用户特征、业务数据等新信息；此外，Agent还能够通过API、插件调用外部工具，拓展应用能力。随着大模型作为Agent“大脑”不断迭代，Agent有望成为AI应用侧落地抓手，实现商业化价值。

专家Agent在B端商业场景应用更广。直接套用通用模型的 Prompt Agent难以满足垂直领域专业度的需求，在部分领域的任务通过率甚至不足50%，因此专业度更高的专家Agent应运而生。通过“垂直模型+行业数据+行业工作流”的深度耦合，专家Agent具备更多的行业Know-How，在B端商业场景应用更广；此外，组建多智能体团队还能够将不同模型及工具能力结合，进一步提高产品效果。

在企业办公场景中，大模型加持下的AI技术能辅助各类业务开展：

1）场景1：RAG+知识助手

RAG将信息检索技术与大语言模型结合，能够从外部知识库中检索信息，并将其作为Prompt输入给大型语言模型，从而增强模型处理知识密集型任务的能力，在问答、文本摘要、内容生成等方面应用广泛。对企业而言，RAG技术能够通过外挂知识库的形式，为模型提供业务领域专业知识及公司内部资料，对外可以向客户提供客服助手、信息查询等服务，对内可帮助员工查阅各类制度、理解业务文档等。

2）场景2：简化交互方式

AI作为员工副驾驶能够大幅简化工作流中的交互，例如帮助进行邮件回复、会议总结、文档撰写、PPT制作等工作。同时，受益于多模态发展，大模型能够支持文字、图片、语音、视频等多种输入方式，并提供理解和分析，公司员工通过文字或对话的形式即可要求AI完成过去需要复杂操作的任务，大幅提高工作效率。

3）场景3：辅助业务开展

在业务与研发部门，AI能够结合垂类数据辅助业务开展。例如在财务领域，大模型能够优化员工审核、报销、差旅预定流程，并为管理者提供财务全景分析以辅助决策；在人力领域，AI技术能够辅助筛选候选人简历、制定员工培训方案并提供效果评估；在研发部门，利用AI辅助代码生成、审查、修改能替代部分重复工作，使公司能够将研发资源投入更加重要的项目与方向。

直接改变用户的使用模式，OA/ERP+Agent构成企业入口级平台。如前文所述，OA和ERP分别聚焦人和企业资源，构成了企业核心数字化基座。在AI 加持下，OA和ERP凭借其聚集核心数据的特点，较其他业务系统更具备升级为Agent平台的基础。当员工用自然语言提出需求，OA和ERP能够调度各类Agent来完成任务，实现降本增效。此时，OA和ERP已经成为了新的企业入口级平台，员工可以在页面上实现所有需求的自动化。而从商业化角度看，B端企业也会为了更高价值的工作流进行额外的准确率付费。

四、Agent实现业务流程自动化，海外B端AI应用进展加速

2022年底 ChatGPT 发布以来，海外头部企业管理软件厂商生成式AI应用的商业化进展逐步加速，2023年已有产品落地；进入2024年，各厂商开始探索 Agent 形式的产品方案，例如SAP为 Joule 智能副驾驶配备 AI Agent 能力，助力该 Copilot 支持公司80%最常用的工作任务；Oracle 在云应用及云基础设施上均利用AI Agent赋能，前者在HCM、SCM、ERP等业务流程中实现端到端自动化，后者为客户提供开箱即用的 RAG 功能；Salesforce 同样于2024年9月推出 Agentforce 平台，并于12月更新2.0版本，通过提供更智能的推理引擎，帮助企业快速开发 AI Agent。

我们认为，Agent 已经成为继大模型后AI应用商业化落地的下一关键节点，当前重点在于逐步实现对原有产品功能的覆盖，实现业务流程自动化。随着 Agent 进一步融入用户工作流，根据业务实现 Agent 自主开发或将成为发展趋势，真正实现细分场景落地。

4.1 SAP（SAP.N）：Copilot+Agent助力企业核心业务与AI结合

积极向云服务转型，助力AI融入企业核心业务流程。SAP成立于1972年，首款产品SAP R/1仅覆盖财务会计模块。而后，SAP产品不断迭代，R/2系统在实时数据处理、多语言支持等方面取得进步，并最终成长为里程碑式产品R/3，功能覆盖企业各业务领域，助力SAP成为全球EPR领军企业。据公司官网介绍，SAP已经为全球25个行业32万家客户提供了数字化服务。此外，随着二十一世纪云计算、人工智能等新兴技术不断发展，SAP同步向云服务企业转型，推出系列云解决方案，助力客户一站式上云。其中在AI方面，SAP打造商业AI战略，将人工智能技术融入核心业务流程，实现财务、供应链、采购、销售、营销、人力资源和 IT 部门互联互通。

打造AI副驾驶Joule，定制Agent覆盖80%业务场景。顺应生成式人工智能趋势，SAP于2023年9月26日正式发布生成式AI智能副驾Joule，其将内置于SAP应用，为用户工作流带来智能化升级。在提高工作效率方面，Joule能够支持自然语言交互，实现功能快速导航，高效执行；同时，Joule可以即时获取业务数据并提供结合情境的洞察，辅助用户决策；Joule还可以针对不同角色需求生成定制化内容，提升企业业务成果。

2024年10月23日，SAP在 TechEd全球技术大会上宣布了Joule的升级，用户可以定制协作型AI Agent完成复杂的跨领域任务，预计将支持SAP 80%最常用的业务任务。例如在争议管理领域，用户可以通过自主AI代理分析和解决争议场景，包括发票错误或缺失、未使用的贷款额度、拒付或重复付款等问题；在财务会计场景，采用自主AI代理简化关键财务流程，通过自动化账单支付、发票处理和分类账更新，同时快速解决不一致性或错误。

4.2 Oracle（ORCL.N）：利用Agent赋能云应用与云基础设施

数据库+企业应用软件两翼布局，顺应云化趋势。经过数十年发展，Oracle已成为全球最大的企业软件公司之一，客户覆盖超过175个国家和地区。从产品维度看，Oracle以数据库业务起家，推出了史上第一款由纯软件公司开发的商用关系型数据库管理系统；二十世纪八十年代末，Oracle推出财务软件，正式进军企业应用软件领域，并逐步完善采购、库存管理、人力资源等其他模块，形成了完整的ERP解决方案；随着云计算技术快速发展，Oracle亦开始云化转型，截至目前已经形成了云应用程序和云基础设施两大产品类别，前者对应企业管理产品和行业解决方案，后者则以IaaS的形式为客户提供计算、存储、网络、数据库等服务。

随着生产式人工智能的不断发展，Oracle通过Agent赋能现有云应用软件和云基础设施两大产品模块：

1）在应用软件方面，Oracle宣布在Fusion Cloud中推出 50 多个基于角色的AI agents，帮助企业实现完全自动化的端到端业务流程，助力员工和管理层高效完成工作。例如在HCM中，排班助手能够优化员工排班，满足员工个人偏好的同时满足合规要求；在SCM中，客户销售代表指南能够提供个性化推荐方案，改善客户体验；在ERP中，文档 IO agent可以帮助企业简化与第三方的集成，通过对格式化文档进行解析，将其转换为请购单、发票或付款说明，以供员工进行人工复核和审批。

2）在云基础设施方面，Oracle已经推出了首款OCI GenAI Agents产品RAG Agent，帮助用户开箱即用的布置RAG能力。具体而言，OCI GenAI Agents 支持客户访问 Oracle Database 23ai AI Vector Search，并对数据库中存储的企业数据运行快速的相似性查询。对于订阅了基于 OCI 的 Oracle Database 23ai 的客户，GenAI Agents 服务可添加自动化层来执行 RAG 和相似性搜索功能，无需将数据移至单独的向量数据库。

4.3 Salesforce（CRM.N）：推出Agentforce平台，商业化进展迅速

全球领先的CRM企业，积极拥抱生成式人工智能时代。Salesforce成立于1999年，致力于改善企业与客户之间的关系，已被IDC连续11年评为全球排名第一的CRM SaaS供应商，2024年对应市场份额高达21.7%。目前，Salesforce产品已经覆盖销售、服务、营销、商务、数据分析等多个领域，为全球超过15万家客户提供全面的服务。同时，Salesforce积极拥抱生成式人工智能时代，2023年3月推出Einstein GPT，使用户可以直接在Salesforce CRM中用自然语言进行提问，实现自动生成坐席回复、电子邮件、安排日程等功能；2024年2月推出对话式人工智能助手Einstein Copilot，与各应用领域进行结合；2024年9月推出Agentforce，利用AI代理实现自主运行，降低企业人工成本。

Agentforce快速迭代，商业化进展迅速，在OA领域实现落地。Salesforce在2024年9月12日的Dreamforce上宣布推出Agentforce平台，企业可在其上创建所需的Agent，构建能够24小时工作的数字化员工，降低成本的同时大幅提高运营效率；10月24日，Agentforce正式上线，一周内即实现200笔交易，客户包括联邦快递、德科集团、埃森哲、IBM等头部企业；12月17日，Agentforce迅速迭代为2.0版本，一方面增强了推理引擎，具备更强的上下文感知能力，另一方面强化了No-Code特性，用户仅需通过自然语言描述即可构建相应的AI Agent。从商业化价值看，通过Agentforce构建的数字化员工单次对话仅需2美元，大幅低于人工成本。随着潜在用户在降本增效需求促进下构建更多Agent数字化员工，用量提升下商业化价值有望凸显。

此外，在OA领域，Salesforce与Workday宣布达成战略合作，双方将推出一款新型AI员工服务代理（AI Employee Service Agent），实现更智能化的员工服务。功能上，该Agent能够协调文书工作、资源配置、培训，使新员工更快速地开始工作；根据员工的角色、技能和职业兴趣，策划个性化职业发展路径；回答员工基础问题，以供了解公司基本规章制度。

五、打造企业平台级入口，Agent服务场景具体需求

国内 ERP/OA 厂商同样已经步入 AI Agent 的探索之路。金蝶国际已经打造苍穹 AI 原生底座，并进一步推出 AI 管理助手苍穹APP，用户可以通过AI自主规划或AI任务流编排开发所需的Agent应用；致远互联已将AI技术与原有COP平台结合，利用Agent全面赋能各产品线的同时，积极开发AI原生应用，智能表单产品 iForm 已经在超1300家客户落地；泛微网络则搭建了大模型+小模型+智能体的数智大脑Xiaoe.AI，将智能事务办理入口、智能数据分析平台、构建业务智能体的底座三大能力相结合，提升客户业务运营效率。

我们认为，AI加持下的 ERP/OA 平台有望成为企业管理软件的新入口，Agent则作为实现各业务流程自动化的抓手实现 AI 能力的真正落地。国内厂商基本已经实现 AI 平台的布局，有望进一步开发各类 Agent 能力，与用户各场景需求结合，提供高效服务。

六、投资建议

OA+ERP作为企业数据交汇的核心数字化基座，关注人及资源两大企业核心构成部分，与AI结合更易，预计将率先商业化。随着B端Agent进一步落地，OA+ERP有望成为新的入口级平台应用，联通各业务组件，提升用户便利度。

（1）AI产业商业化落地不及预期：目前各环节AI 产品的商业化模式尚处于探索阶段，如果各环节产品的推进节奏不及预期，或对相关企业业绩造成不利影响；（2）市场竞争风险：海外 AI 厂商凭借先发优势，以及较强的技术积累，在竞争中处于优势地位，如果国内 AI 厂商技术迭代不及预期，经营状况或将受到影响；同时，目前国内已有众多企业投入AI产品研发，后续可能存在同质化竞争风险，进而影响相关企业的收入；（3）政策风险：AI技术的发展直接受各国政策和监管影响。随着AI在各个领域的渗透，政府可能会进一步出台相应的监管政策以规范其发展。如果企业未能及时适应和遵守相关政策，可能面临相应处罚，甚至被迫调整业务策略。此外，政策的不确定性也可能导致企业战略规划和投资决策的错误，增加运营的不确定性；（4）地缘政治风险：在全球地缘政治环境的波动下，尤其美国对中国的出口限制或将直接影响国内企业算力芯片的获取，进而影响其产品研发和市场竞争力。同时，地缘政治风险也可能导致 AI 产品开拓海外市场面临障碍，影响相关企业的营收情况。 

武超则：现任中信建投证券股份有限公司研究所所长兼国际业务部负责人，董事总经理，TMT行业首席分析师。新财富白金分析师，2013-2020年连续八届新财富最佳分析师通信行业第一名；2014-2020年连续七届水晶球最佳分析师通信行业第一名，2022、2023、2024年水晶球最佳领队。上证报2022、2023、2024年最佳研究所所长，21世纪金牌分析师2024年度影响力券商研究所所长。专注于人工智能、5G、云计算、半导体等科技领域研究。中国证券业协会证券分析师、投资顾问与首席经济学家委员会委员。清华大学金融硕士行业导师。

应瑛：中信建投证券计算机行业首席分析师，伦敦国王学院硕士，5年计算机行业研究经验。2021年加入中信建投，深入覆盖医疗信息化、工业软件、云计算、网络安全等细分领域。

崔世峰：海外研究首席分析师，南京大学硕士，7年买方及卖方复合从业经历，专注于互联网及科技公司研究，擅长游戏行业研究。2022-2023年新财富港股及海外最佳研究团队入围，2019-2020年新财富传媒最佳研究团队第二名核心成员。

证券研究报告名称：《AI系列报告2：什么是Agent最先落地的B端应用？》

对外发布时间：2025年1月9日

报告发布机构：中信建投证券股份有限公司 

本报告分析师： 

武超则 SAC 编号:S1440513090003SFC 编号:BEM208

应瑛 SAC 编号:S1440521100010

崔世峰 SAC 编号:S1440521100004

SFC 编号:BUI663

研究助理：李楚涵