采用率这条线已经没什么悬念
80.8% 的人每天或更频繁地用 agent，一年前是 47.3%。这个跨度大到需要留意它的口径：报告把 AI agent 定义为「能自主采取多步行动的大模型实例」，问的是使用频率而非依赖程度，所以「每天用」和「每天离不开」是两回事。 真正有意思的是报告归纳的「大分化」：用得顺的团队和还在追赶的团队之间的差距在扩大，而且分野不在于遇到多少错误。Temporal 的发现是，成功的团队面对同样的报错率，但焦虑和压力更少；他们的优势会自我累积——用更多工具、在更广的范围里找排障线索、自己造更多开发工具。 换句话说，区分开的不是「agent 会不会出错」——都会——而是出错之后有没有一套能兜住的机制。
卡住的三个词：状态、成本、可靠性
CEO Samar Abbas 的表述值得原样记下来：工程师采用 AI agent 的速度，超过了多数团队为可靠运行它们而建设基础设施的速度；跑在前面的是那些解决了状态、成本和可靠性问题的团队。 这三个词各自对应一类具体麻烦。状态是 agent 跑到一半崩了怎么续上，而不是从头再来；成本是同一个任务不同配置的 token 花销能不能横向比较；可靠性是多步流程里某一步失败时，整条链路的行为是否可预期。Temporal 自己做的就是持久化执行，这个视角有其立场，但这三项确实是把 agent 从演示推到生产时最先撞上的墙。
读这份数据时要带上的条件
样本 554 人（原始 650 份，剔除低质量回答后剩 554），三分之二在美国、三分之一在英国及欧洲其他地区，公司规模从 50 人以下到 5000 人以上，占比最大的是中型公司（29.2%）。角色分布上，工程师/AI 工程师 25.6%、IT 副总裁或总监 13.9%、数据工程师 11.9%；行业以软件（37.5%）为主，制造业和专业服务各 9.7%。调查通过 Qualtrics 执行，筛选条件是当前正在使用 AI agent 的人——这一点很关键：它测的是使用者内部的频率变化，不是全体工程师里的渗透率。 另一个条件是时间：数据采集于 2026 年 4 月 29 日至 5 月 25 日，到发布时已经过去三个多月。在这个领域，三个月足够让工具链换一茬，所以把它当作趋势方向读比当作当前快照读更稳妥。 对读者的实际含义：如果你们团队的 agent 还停在「个人用得爽、上生产就崩」的阶段，这份报告给的方向是别再往模型上找答案——先看状态怎么持久化、失败怎么重试、花销怎么归因。