618大促刚过，某头部电商全量部署的生成式AI客服因过度承诺，退货率环比飙升近15%，投诉率上涨12%。问题根源：纯文本Agent只能处理文字，无法“看见”用户上传的实物照片。
今年夏天，多模态Agent开始从客服走向财务室和仓库。它们不再只是回答问题，还能基于图片、视频和实时数据做出具体业务动作。
财务室：拍照比对签收单
零一万物发布的万智2.5，多模态OCR字段提取准确率99.2%，支持企业自定义规则。例如，一旦识别到金额超过50万且付款方为高风险账户，自动触发二审。更重要的是，它能通过拍照比对实物签收单，识别PS伪造的印章边缘锯齿，这是纯文本模型做不到的。
供应链：看视频、读轨迹，冷库效率提升17%
小宿科技的多模态Agent实时分析仓库监控视频、ERP订单流和GPS轨迹，将某食品企业冷库周转效率提升17%，缺货率降至0.8%。其CTO解释：当Agent能看屏幕、看懂图纸、听清电话里客户的附加要求时，就从对话接口变为完整的数字员工。
据多家研究机构综合预测，2026年中国AI Agent市场规模将突破232亿元，多模态相关份额近四成。亚马逊云科技在博客中强调，AI Agent不是工具，而是行动者；不是等你操作，而是主动出击。
从建议到操作：两道现实门槛
第一是信任。纯文本Agent容易给出无法兑现的承诺。多模态Agent可让用户上传实物照片确认情况，避免“描述与实物不符”纠纷。用户发一张瑕疵图，Agent自动比对售后政策并给出赔偿方案。
第二是决策权转移。企业开始允许Agent执行“确认”与“拒绝”。2026年金融展上，长亮科技发布AIS Agent平台，风控Agent结合交易流水、客户视频核身、IP地理画像等多模态数据，实现毫秒级反洗钱处理，自动冻结可疑交易，无需人工逐笔复核。每次决策记录推理路径、置信度和多模态证据，以备审计。
三层过滤：决策安全如何保障
Agent签批付款单、调整库存时，一个错误可能造成真金白银损失。当前主流防护是三层过滤：低风险（单价<5000元）Agent全权处理；置信度低于0.95的决策自动转人工；关键决策（付款超10万）强制人类用Face ID确认。
合规层面，欧盟《AI法案》高风险合规大限2026年8月2日将至。多模态Agent用于信用评估、招聘等场景可能被划为高风险。企业可借助开源工具搭建自动化合规流水线，将检查嵌入CI/CD流程。中国《人工智能生成内容著作权保护规定》已于2026年5月28日生效，要求Agent使用外部图像数据需确保版权链条清晰。
部署云端、私有还是端侧
多模态Agent算力消耗远高于纯文本。三种常见模式：云端全托适合中小企业；私有化适合金融、政务；端侧分流非核心场景用本地模型。
MCP（Model Context Protocol）协议值得关注。作为连接Agent与工具的标准，MCP让多模态Agent动态调用摄像头、数据库、ERP接口，实现“看、读、改、批”全链路操作。2026年多个Agent平台已原生支持MCP。
能力边界：还得人类兜底
当前多模态Agent在复杂场景下仍会出错：强光或遮挡下OCR准确率下降，行业非标单据字段提取不理想；面对仓库断电、道路封闭等突发情况决策有待提高。
所谓“决策者”更准确的定义是“在明确边界内具有决策权的操作者”。企业需要划定能力边界、提供回退路径，建立持续监控机制。正如数据猿在2025年4月的盘点中所说，AI Agent不是工具，而是行动者。但这个行动者仍需要人类设定规则、处理异常。
多模态Agent进入核心业务已是2026年正在发生的现实。232亿元的市场只是起点。
