如果说有一件事能让McKinsey Global Institute、McKinsey Sustainability Practice和McKinsey Agriculture Practice在2026年5月的同一个月里，各自发布一篇深度行业报告——那这件事很可能正在重新定义经济的底层逻辑。
这三篇报告分别是：
- 《Agents, Robots, and Us: How AI Reshapes Work and Skills in Europe》 —— McKinsey Global Institute，关于欧洲10国劳动力市场
- 《Cheaper, Faster, Better: A Formula for Cleantech Scaling Success》 —— McKinsey Sustainability，关于清洁技术规模化
- 《How Agility and AI Could Rewire Agriculture Trading》 —— McKinsey Agriculture Practice，关于农业大宗商品交易
表面看，三个行业、三个部门、三套叙事。但放在一起读——你会发现它们讲的是同一个故事的不同章节。
同一组数字，三个不同的"58%"
三篇报告都有一个共同的核心数字："可自动化空间"。
在欧洲劳动力篇中，McKinsey测算：58%的当前工时在技术上可以被现有AI和自动化技术替代。这个数字和美国大致相当，但欧洲的产业结构让它的分布不同——制造业和农业占比更高，金融和专业服务占比较低。
在清洁技术篇中，一个更微妙的数据出现了：后泡沫期（2023-2025）的年均融资金额约700亿美元，是繁荣前（2015-2020）的3.8倍。这意味着清洁技术的规模化进程中同样面临大量的流程自动化需求——从材料发现到制造优化再到预测性维护，AI Agent正在渗透每个环节。
在农业交易篇中，McKinsey调查显示：超过60%的农业大宗交易商正在规划或试点AI项目，而率先部署agentic AI的企业，预期可以在2-4年内将后台交易操作（交易记账、对账、结算）的效率提升30-60%。
三个行业，三个可自动化空间——但它们的"58%"所面临的三道坎完全不同。
AI Agent的三个角色：放大器、变革者、压缩器
同一种AI技术，在不同行业扮演了完全不同的角色。理解这个差异，是理解这篇三合一报告的关键。
在欧洲劳动力中：AI是"技能放大器"
McKinsey发现了一个反直觉的事实：欧洲雇主当前寻找的75%的技能（包括问题解决、写作、研究等），既用于可自动化的工作，也用于不可自动化的工作。这种重叠意味着它们更可能与AI协同应用，而不是被取代。
AI在此扮演的是放大器——不是把人的技能变没用，而是让人在同样的技能上做得更快、更广。McKinsey的数据佐证了这一点：AI素养相关技能的需求自2023年以来增长了5倍。
在清洁技术中：AI是"价值链变革者"
清洁技术行业今天面临的核心矛盾不是技术可行性，而是单位经济模型（unit economics）。报告明确说了失败案例的教训：Nikola有雄心、有资本、有愿景，但"交易量不足以吸收成本基数"——2024年仅交付不到400辆卡车。
AI在这里的角色是变革者：贯穿"材料发现→工艺优化→预测性维护→客户获取"全链。成功的清洁技术企业并不是那些以净零为唯一目标的企业，而是那些让可持续性和生产力齐头并进的企业。
在农业交易中：AI是"决策压缩器"
农业大宗交易商正承受着来自四个方向的挤压：极端天气频发、贸易政策摇摆、新生物燃料法规、价格波动加剧。结果是，2025年农业大宗交易的利润池同比下降了15%，为四年来最低。
AI在这里的角色非常具体——决策周期压缩器：从"天级"压缩到"小时级"。具体来说，agentic AI嵌入在量化研究（quantamental research）和交易前分析中，让交易商能够更快地响应价格波动和供应冲击。
更具想象力的是McKinsey提出的一个概念——"agent变更控制委员会（agent change-control board）"：用来审查AI agent的版本发布、提示词和工具访问权限、以及回滚计划。这不再是科幻小说，而是McKinsey建议农业交易商现在就应该开始设计的治理结构。
三篇报告共通的四个瓶颈
当我把三篇报告放在一起逐行比对，有四个瓶颈反复出现——它们不属于任何单一行业，而是AI Agent普及的通用障碍。
1. 数据质量：永远的灰犀牛
农业交易篇直言不讳地列出了农业企业的数据质量七宗罪：数据孤岛、分类缺失、时点不一致、无治理、无可信度、无影响度量框架、无校验流程。
这听起来像是农业特有的问题吗？欧洲劳动力报告其实也在讲同一件事——当组织连自己的工作岗位和数据流都没有数字化时，"AI替代58%工时"的计算就没有意义。
2. 组织敏捷性
三篇报告都强调了一个观点：技术采纳的速度不取决于技术本身，而取决于组织的敏捷度。欧洲报告中称，自动化能否解锁高达1.9万亿美元的经济价值，取决于"采纳速度"——而速度由成本、法规和组织准备度共同决定。
农业交易篇更进一步，建议像能源巨头那样设立"投资组合优化团队"来调解贸易商、炼厂和客户之间的利益冲突。这已经不只是敏捷性，而是组织架构的重新布线。
3. 信任与治理
三篇报告中最引人注目的共性概念是治理设计。
- 欧洲劳动力：强调"人在回路中（human-in-the-loop）"仍然是核心原则
- 清洁技术：投资者要求看到unit economics的真实证据，AI预测需要可解释性
- 农业交易：明确提出了agent change-control board和agent-to-human handoff的问责框架
这不是巧合。当AI从建议性工具变成自主执行者，治理不再是IT部门的责任——它变成了董事会层面的议题。
4. 人才结构的裂变
欧洲劳动力报告显示，AI相关技能需求增长5倍——但需求增长不均衡，十个欧洲国家之间差异显著。
清洁技术报告展示了一个被忽视的人才缺口：既懂材料科学又懂AI工艺优化的复合型人才。
农业交易报告则揭示了一个认知偏差：农业行业的高管对AI潜力的看法比能源和金属行业更悲观，尽管只有5%的农业交易商报告AI带来的EBIT提升超过10%。
这三条线指向同一个结论：人才供应的瓶颈不在"工具使用"层面，而在"业务理解和AI翻译"的中间层。
所以，这个故事讲了什么？
如果把三篇报告合并成一幅图——这不是AI对某个行业的特定影响，而是AI Agent作为一种新的经济基础设施正在形成的证据。
农业交易商开始部署"agent-to-agent协议"来取代手动的工作流交接。清洁技术企业将AI嵌入从研发到维护的全链条。欧洲的工程师和技术人员在用AI放大器让自己的技能更有市场价值。
这三件事发生在同一个5月。
McKinsey没有把这些报告写成一套。但当你把它们放在一起读，一个更宏大的画面浮现出来：人+agent+机器人的三方协同范式，正在从McKinsey在Excel模型中的假设变量，变成一行行真实的收入数据、效率指标和利润池变动。
农业交易的利润池下降了15%，但同时AI采纳者的EBIT提升了200-500个基点。清洁技术的融资金额在"泡沫"之后仍然达到繁荣前的3.8倍。欧洲劳动力市场中58%的可自动化空间正在被逐步打开。
这不是泡沫——这是转换期。转换期的特征是：旧的确定性在消失，新的确定性尚未建立。
对于企业和个人，关键问题不是"AI会不会改变我的行业"，而是"我所属的行业最接近这三个角色中的哪一个——放大器、变革者、还是压缩器？"
答案不同，行动方案就完全不同。
参考文献
- McKinsey Global Institute (2026.05). Agents, Robots, and Us: How AI Reshapes Work and Skills in Europe.
- McKinsey Sustainability (2026.05). Cheaper, Faster, Better: A Formula for Cleantech Scaling Success.
- McKinsey Agriculture Practice (2026.05). How Agility and AI Could Rewire Agriculture Trading.
💡 这篇文章给你带来了什么启发？
humanaifit 致力于研究人与AI如何真正协同。如果你在企业AI落地、人机协同或全球化合规方面有具体问题，欢迎加入我们的讨论。
🔗 搜索「AI时代生存手册」知识星球，¥199/年——每篇深度文章配套工具模板，与作者直接交流。