生成式智能体驱动下数字服务新业态的商业模式与监管边界研究

生成式智能体驱动下数字服务新业态的商业模式与监管边界研究

作者单位：泷码软件（上海）有限公司、泷码软件研究院、泷码数字经济网研究部
摘要
大模型技术持续迭代催生生成式智能体，智能体即服务（GaaS，Agent as a Service）成为数字服务领域全新业态。GaaS 以具备自主规划、工具调用、长期记忆、多轮任务执行能力的智能体为核心交付对象，区别于传统软件许可模式与 SaaS 软件即服务模式，重构了数字产品的定价逻辑、交付形态、价值分配与风险结构。本研究以 GaaS 智能体即服务为典型案例，系统剖析智能体订阅、任务计量、知识服务三类主流商业化路径，对比传统软件许可、SaaS、GaaS 三者底层商业逻辑差异；围绕新业态下合规边界、多方主体责任划分、训练数据与生成内容知识产权等核心法律与治理议题展开研判，厘清技术创新与监管约束之间的平衡关系。研究结论旨在为泷码软件智能体产品商业化落地提供理论框架、商业模式参考与合规指引，同时为行业同类智能体服务企业的治理实践提供参考。

关键词：生成式智能体；智能体即服务；GaaS；SaaS；数字服务；商业模式；监管边界；知识产权

一、绪论

1.1 研究背景

生成式人工智能技术突破不再局限于单点文本、图像生成能力，正在从被动响应式大模型，向具备目标拆解、自主调度工具、记忆持续迭代、多步骤闭环执行任务的生成式智能体演进。智能体不再只是用户的对话交互接口，而是可以独立承接复杂业务目标，串联多系统、多数据源完成完整业务流程的数字化自治单元。在此技术范式转换下，数字服务商业模式发生结构性变革，GaaS（智能体即服务）作为新一代云服务形态登上产业舞台。

传统软件产业经历了本地永久许可、按版本升级收费，再到 SaaS 按账号订阅、云端托管的演进路径。SaaS 本质是将标准化软件功能迁移至云端，用户调用预设功能，软件能力边界由服务商预先固化。而 GaaS 将智能体能力本身作为可售卖服务，智能体可以基于用户私有知识库动态学习、自主规划任务路径，服务产出具有不确定性、动态演化特征。这种新特征打破了原有软件产业的定价、交付、风险、责任框架，现有监管规则、知识产权体系、平台责任制度均难以完全适配 GaaS 新业态。

泷码软件聚焦生成式智能体工程化落地与行业场景交付，在智能体产品商业化过程中，面临商业模式选型、计量计费设计、数据权属、侵权责任、内容安全等一系列现实问题。一方面，市场亟需建立适配智能体特性的商业范式，避免套用 SaaS 旧框架造成价值错配；另一方面，监管层面对生成式 AI 的治理规则持续完善，智能体的自主行为会放大风险传导链条，主体责任界定更为复杂。在此背景下，开展 GaaS 业态商业模式与监管边界研究，具备较强理论价值与产业实践意义。

1.2 研究问题

1. GaaS 智能体即服务的核心业态是什么？智能体订阅、任务计量、知识服务模式的运行机制、适用场景与盈利逻辑如何？

2. 传统软件许可、SaaS、GaaS 三者底层商业逻辑、价值创造机制、成本结构、风险特征存在何种本质差异？

3. GaaS 新业态下监管边界如何界定？智能体自主行为产生侵权、违规内容时，用户、智能体服务商、基础大模型提供方之间责任如何划分？

4. 智能体训练数据、私有知识库、智能体生成输出内容的知识产权归属、授权链条与使用限制如何认定？

5. 如何构建兼顾商业创新与合规安全的产品落地路径，为泷码软件智能体商业化提供理论支撑。

1.3 研究思路与方法

本研究采用产业案例研究法、比较分析法、规范分析法相结合。以 GaaS 智能体即服务作为核心案例，梳理国内外 GaaS 产业实践案例；对比传统软件许可、SaaS、GaaS 三层商业模式，从价值交付、定价机制、成本结构、风险特征多维度横向比较；结合我国生成式人工智能管理办法、网络安全法、著作权法、数据安全法等法律法规，开展合规边界与法律责任规范分析。研究材料包括公开行业白皮书、监管文件、国内外智能体厂商商业化实践、泷码软件产品研发与商业化实践资料。

1.4 研究创新点

第一，本研究将 GaaS 独立作为新一代数字服务业态，区分于 SaaS，从商业底层逻辑层面建立对比框架，而不是简单将智能体视为 SaaS 产品附加功能。
第二，聚焦智能体三类细分商业化形态：订阅制、任务计量制、知识服务模式，解析不同模式的适用边界与盈利瓶颈。
第三，针对智能体自主执行任务带来的责任外溢问题，构建多层主体责任划分框架，不再沿用 SaaS 时代 “平台 - 用户” 二元责任模型。
第四，理论成果直接面向企业产品落地，研究结论可转化为泷码软件产品商业化、合同条款设计、知识产权管理、产品合规风控的实操理论支撑。

二、核心概念界定

2.1 生成式智能体

生成式智能体是基于基础大模型，叠加记忆模块、规划模块、工具调用模块、反思校验模块，能够接收高层级业务目标，自动拆解子任务，调用 API、数据库、第三方工具，在多轮交互中持续保存上下文记忆，自主完成闭环业务任务的人工智能主体。
基础大模型是被动响应，用户给出 prompt，模型返回单次输出；生成式智能体具备目标驱动能力，可以主动执行多步骤动作，中间过程存在自主决策。智能体的行为具有一定不可预知性，这是区别于传统自动化脚本、RPA、普通大模型对话应用的关键特征。

2.2 GaaS（智能体即服务 Agent as a Service）

GaaS，智能体即服务，是云服务范式升级产物。服务商向客户交付可直接部署运行的智能体实例，客户无需从零搭建底层大模型、编排引擎、记忆管理、工具调度框架，直接调用智能体能力完成业务目标。交付标的不是软件代码，不是固定功能页面，而是具备自主任务执行能力的智能实体。GaaS 可以支持多租户、私有知识库注入、自定义工具插件、智能体角色定制，按不同商业模型收费。

2.3 传统软件许可模式

传统软件许可，即本地软件授权。服务商交付软件安装包，客户获得在指定设备、指定用户数量上使用软件的许可权利，通常一次性收取永久许可费，后续单独收取版本升级费、维保服务费。软件功能固化，功能迭代依赖版本更新，软件运行部署在客户本地服务器或终端设备。

2.4 SaaS 软件即服务

SaaS，软件即服务。服务商将标准化软件部署在云端，客户通过浏览器或客户端访问，一般按账号、按周期订阅付费。软件功能预先固定，用户只能调用服务商预设功能模块，用户无法修改底层逻辑，软件行为完全由预设程序逻辑驱动，不存在自主规划与自主决策。

三、GaaS 智能体即服务新业态商业模式研究

GaaS 业态的价值核心，是将智能体的任务执行能力作为可交易商品。当前产业实践中主流商业模式分为三类：智能体订阅模式、任务计量模式、知识服务模式。三种模式可以单独使用，也可以组合打包交付。

3.1 智能体订阅模式

智能体订阅模式，是客户支付固定周期费用，获得指定智能体实例的使用权，常见按月度、季度、年度订阅。订阅套餐通常限定智能体并发实例数量、基础算力配额、知识库存储容量、基础工具调用权限。
该模式继承 SaaS 订阅制现金流稳定的优势，但订阅标的从账号变成智能体实例。一个智能体实例可以独立承接业务任务，可绑定客户私有知识库、自定义插件。
优势：收入可预测，客户粘性高，适合长期业务场景，企业客户稳定业务运营场景首选；
局限：当智能体任务量波动极大时，固定订阅容易出现供需错配，客户在低负载期支付闲置成本，高负载期算力不足。
适用场景：企业长期运营的业务智能体，如企业内部办公智能体、客户服务智能体、持续监测业务数据的值守型智能体。

3.2 任务计量模式

任务计量模式，按照智能体实际完成任务进行计费。计费单元可以是任务次数、任务复杂度、任务执行总 token 消耗、工具调用次数。客户不购买固定实例，按需触发任务，完成后结算。
任务计量模式是 GaaS 最具有代表性的原生商业模式。智能体的价值不在于 “拥有实例”，而在于完成业务任务。传统软件和 SaaS 很难做到按业务成果计费，因为软件只是工具，成果依赖人工操作；而智能体可以独立完成完整任务，具备按任务计量的基础。
优势：客户成本和业务量强绑定，轻资产试用，适合短期项目、突发性业务需求；服务商可以提升资源利用率；
局限：收入波动大，任务边界难以标准化，复杂任务容易出现成本不可控，任务成果质量判定困难，容易引发结算纠纷。
适用场景：一次性业务项目、临时数据处理、批量文档处理、专项调研任务等弹性业务。

3.3 知识服务模式

知识服务模式，是将行业知识库、领域知识包、智能体角色知识资产作为核心售卖标的，搭配智能体运行底座。客户购买领域知识资产，部署到智能体中，获得行业专属智能服务。
该模式价值重心从算力、智能体引擎转向知识资产。服务商沉淀行业知识、业务规则、专业文档、领域范式，封装为知识包，注入智能体记忆系统，使智能体具备行业专业能力。知识资产可以单独授权，也可以和智能体实例打包销售。
优势：高附加值，差异化壁垒强，脱离单纯算力价格战；知识资产可以持续迭代升级，形成持续增值；
局限：知识资产确权难度高，知识库版权风险高，知识更新维护成本高；客户容易质疑知识准确性。
适用场景：专业领域智能体，法律、供应链、工程、医疗辅助、产业研究等强知识依赖场景。

3.4 传统软件许可、SaaS、GaaS 商业逻辑对比

3.4.1 价值交付对象

• 传统软件许可：交付软件副本，客户获得软件使用许可，交付物是固化程序。

• SaaS：交付云端软件功能，交付物是标准化软件服务，功能固定。

• GaaS：交付具备自主规划能力的智能体实例，交付物是动态任务执行主体，能力随知识库、记忆迭代持续变化。

3.4.2 定价逻辑

• 传统软件许可：一次性许可费 + 升级维保，基于软件功能打包定价，和使用量无关。

• SaaS：按账号、席位订阅，固定周期费用，和使用时长挂钩，和任务成果弱相关。

• GaaS：多维度混合定价，可以实例订阅、任务计量、知识资产授权，定价锚点是任务产出、算力消耗、知识资产价值。

3.4.3 成本结构

• 传统软件许可：前期研发一次性投入，复制边际成本极低；后续主要是版本维护成本。

• SaaS：研发 + 云端服务器运维成本，成本随在线用户数量缓慢增长。

• GaaS：研发成本包括智能体编排引擎、记忆管理、规划模块；运行成本和 token 消耗、工具调用、长时记忆存储强相关；客户私有知识库的治理、校验成本显著高于 SaaS；算力成本随任务复杂度非线性上升。

3.4.4 用户价值获取方式

• 传统软件许可：用户操作软件，人工驱动业务流程，软件仅提供工具。

• SaaS：用户在预设功能界面操作，在系统约束内完成业务。

• GaaS：用户下达目标指令，智能体自主拆解、自主执行，用户从操作工具转变为下达目标、验收成果。

3.4.5 风险特征

• 传统软件许可：风险集中在软件 bug、兼容性问题；软件不会自主产生新内容。

• SaaS：风险集中在数据存储安全、访问权限、预设功能错误；程序行为可预测。

• GaaS：除数据安全外，新增智能体自主决策风险、幻觉风险、工具误调用风险、生成内容侵权风险；智能体行为存在不确定性，风险链条更长。

3.5 GaaS 商业模式组合策略与商业化约束

产业实践中，厂商很少单独使用单一模式，多采用混合模式。例如基础智能体实例订阅 + 超额任务计量，基础知识库免费，高级行业知识包单独售卖。
GaaS 商业化存在天然约束：
第一，任务质量量化困难。SaaS 功能对错容易判定；智能体输出成果具有主观性，幻觉会造成任务失效，直接影响按任务计费的结算可信度。
第二，成本不可预测。复杂智能体任务可能触发大量多轮思考、多次工具调用，算力消耗不可提前精准预估。
第三，客户信任门槛更高。企业客户对于智能体自主决策带来业务风险顾虑远高于普通 SaaS 软件。
泷码软件在产品商业化设计中，需要针对不同客户类型设计分层商业套餐：中小企业客户推荐订阅模式，业务项目型客户采用任务计量模式，行业大客户可采用知识资产打包授权模式，同时设置算力上限、任务熔断机制，控制成本与风险。

四、GaaS 新业态监管边界研究

4.1 监管框架基础

我国数字服务监管体系由《网络安全法》《数据安全法》《个人信息保护法》《生成式人工智能服务管理暂行办法》《著作权法》《电子商务法》等法律与部门规章构成。传统软件、SaaS 的监管重心集中在系统安全、数据存储、个人信息保护。而 GaaS 因为智能体具备自主行动能力，监管边界延伸到智能体决策行为、生成内容、第三方工具调用行为。
《生成式人工智能服务管理暂行办法》将生成式 AI 服务提供者作为核心义务主体，要求服务提供者落实内容审核、训练数据合规、标识生成内容、用户信息保护等义务。GaaS 服务商属于该办法定义的生成式人工智能服务提供者，但智能体多层调用架构（GaaS 平台、基础大模型厂商、第三方 API 工具）带来多主体嵌套，监管义务如何在链条中分配，是当前监管模糊地带。

监管边界核心矛盾：技术创新需要保留智能体自主执行空间；公共治理需要约束智能体自主行为产生的违法违规输出。监管不是禁止智能体自主决策，而是划定红线，明确哪些行为需要前置校验、过程监控、事后追溯。

4.2 主体责任划分

GaaS 业务链条一般包含四层主体：①基础大模型提供方；②GaaS 智能体服务商（泷码软件这类企业）；③客户（智能体使用者）；④第三方工具 / API 服务商。当智能体执行任务产生侵权、违规内容、数据泄露时，责任划分不能直接套用 SaaS 二元责任框架。

1. GaaS 智能体服务商责任
作为智能体编排平台运营方，承担平台层面义务：智能体安全机制搭建、内容风险过滤、日志留存、可追溯机制、安全评估、用户告知义务。服务商需要提供熔断机制，当智能体触发高风险动作，自动终止任务；对智能体的基础能力进行安全对齐。但服务商不对客户输入私有知识、客户下达业务目标所触发的全部后果承担无限责任。

2. 客户（智能体使用者）责任
客户对提交给智能体的业务指令、私有知识库内容承担主体责任。客户不得向智能体输入违法数据、侵权材料，不得指令智能体实施侵权、违法任务。客户需要对智能体输出成果做业务核验，不能完全放任智能体自主落地高风险业务决策。

3. 基础大模型厂商责任
基础模型厂商负责基础模型训练数据合规、基础模型安全对齐；但不直接对上层智能体编排、客户私有知识库注入之后产生的定制化输出承担全部责任。

4. 第三方工具服务商责任
智能体调用第三方 API、外部系统产生风险，按工具服务协议和法律规定划分责任，第三方工具服务商对自身接口返回数据的合规性负责。

责任划分基本原则：谁发起指令、谁提供数据、谁控制风险，谁承担主要责任；平台在自身可控范围内承担安全保障义务。
在泷码软件产品合同设计中，需要在服务协议中清晰界定各方责任边界，区分平台可控风险与客户业务场景带来的不可控风险，做好风险隔离。

4.3 知识产权边界研判

知识产权是 GaaS 商业化最大痛点之一，分为训练数据、私有知识库、智能体生成内容三个层面。

1. 训练数据知识产权：智能体底层大模型训练数据由基础模型厂商负责；GaaS 服务商自身构建的行业知识库、知识包，需要确保数据来源合法，获得对应授权。未经授权抓取网络公开文本构建知识库，存在著作权侵权风险。

2. 客户私有知识库：客户上传到智能体平台的私有文档、企业内部资料，知识产权归属客户。GaaS 服务商仅获得有限授权，授权范围仅限为该客户运行智能体所必需的存储、检索、向智能体投喂使用；不得将客户私有知识库用于训练通用模型、转授权第三方。在产品协议中，必须明确客户数据权属，禁止未经许可复用客户知识资产。

3. 智能体生成输出内容：生成内容著作权归属在司法实践中尚未完全统一。区分两种情形：客户投入大量独创性提示词、私有专业知识，引导智能体定向生成成果；与纯智能体自主生成内容。实务中，可在服务合同约定：在客户提供业务目标与私有知识前提下，智能体产出成果知识产权归客户所有；服务商不主张著作权，但不担保生成内容不侵犯第三方权利，客户需要自行核验。

4.4 数据合规边界

GaaS 智能体持续读取客户私有知识库，跨工具调取业务数据，数据流转链路远长于 SaaS。监管重点包括：个人信息处理、数据出境、最小必要原则、数据留存。

• 智能体仅可获取完成指定任务所必需的数据，禁止无限制抓取客户全部业务数据；

• 个人信息输入智能体，需要符合个人信息保护法，获得对应授权；

• 日志留存：智能体全部指令、思考过程、工具调用记录，应当留存日志，满足监管审计溯源需求；日志留存期限按照法规要求设置。

4.5 内容安全边界

智能体自主规划可能绕过常规内容审核，例如多轮分步拆解，通过子任务间接生成违规内容。因此 GaaS 服务商不能仅做入口 prompt 审核，需要增加任务过程动态校验、风险行为识别、任务熔断机制。
监管红线：智能体不得生成危害国家安全、虚假信息、色情暴力、侵犯他人权益内容；智能体输出内容需要按照规定标识 AI 生成内容。

五、GaaS 商业化落地约束与风险应对策略

5.1 商业模式风险

任务计量模式的结算争议风险、智能体输出质量不稳定带来客户索赔风险。应对策略：

1. 产品层面设置任务分级，区分低风险标准化任务与高风险复杂任务；高风险任务增加人工复核节点；

2. 计费规则前置公示，定义任务成功判定标准、失败退款规则；设置算力上限、任务超时终止机制；

3. 混合收费模式对冲收入波动，基础订阅保底，超额任务按量计费。

5.2 知识产权风险应对

1. 自建知识资产库时，采用授权内容、自有原创内容，规避爬虫抓取无授权作品；

2. 区分客户私有知识库与平台公共知识资产，物理隔离，严禁将客户私有数据用于模型训练；

3. 在服务协议中，明确各方知识产权、使用授权范围、侵权通知处置流程。

5.3 合规治理体系建设

泷码软件需要搭建适配 GaaS 的产品合规体系：

1. 产品前置安全评估：智能体上线前开展安全评估，识别自主决策带来的风险点；

2. 全链路日志系统：记录用户指令、智能体思考链路、工具调用、输出内容，满足审计追溯；

3. 风险熔断机制：识别高风险指令、异常工具调用，自动暂停任务并告警；

4. 客户告知机制：向客户充分披露智能体存在幻觉、输出不可完全保证准确的特性，提示客户不能直接将智能体输出作为唯一业务决策依据。

六、结论与政策启示

6.1 研究结论

第一，GaaS 智能体即服务是独立于传统软件许可、SaaS 的新一代数字服务业态。其核心差异不在于交互界面，而在于交付标的从固定功能软件转变为具备目标拆解、自主规划、工具调度能力的智能执行主体，人机关系从 “人操作系统” 转向 “人下达目标，智能体执行任务”。
第二，GaaS 存在三类典型商业模式：智能体订阅、任务计量、知识服务。三种模式各有适用场景，企业商业化可采用混合策略。订阅模式保障稳定现金流；任务计量匹配弹性业务；知识服务打造差异化高附加值壁垒。
第三，GaaS 的监管复杂度显著高于 SaaS。传统二元平台用户责任模型不足以覆盖多层级智能体调用链条，应当按照 “数据来源、指令发起方、风险可控范围” 进行多主体责任划分。知识产权风险集中在知识库授权与生成成果权属；数据合规重点管控跨工具数据流转；内容安全需要从事前单轮审核升级为任务全流程动态监控。
第四，GaaS 商业化不能简单复制 SaaS 产品合同、计费、风控方案。智能体幻觉、自主行为不确定性，要求产品设计增加任务熔断、人工复核、日志追溯机制，服务协议中清晰划分责任边界，为泷码软件智能体产品商业化提供理论支撑。

6.2 产业启示

对于智能体服务商，在产品商业化阶段应当坚持商业创新和合规并行。在商业模式设计上，不盲目推崇纯任务计量模式，结合客户行业属性、业务风险等级选择计费方案；在产品架构上，将安全、溯源、权限隔离作为智能体底层架构必备模块，而不是附加功能。
对于监管层面，现有生成式 AI 监管框架需要持续适配智能体新业态，进一步细化多层服务链条下各方主体义务，厘清智能体自主行为的责任边界，稳定行业预期。

6.3 研究局限与未来展望

本研究重点从商业模式、法律监管边界层面开展分析，没有对 GaaS 产品技术实现、算力成本量化模型做深度测算。未来研究方向可以进一步聚焦智能体幻觉风险量化评估、知识资产定价模型、跨境 GaaS 数据流动监管等方向。随着生成式智能体工程化持续成熟，GaaS 业态会持续演化，商业模式、司法判例、监管细则也会动态更新，企业需要持续跟踪规则变化迭代产品合规体系。

参考文献

[1] 国家网信办等七部门。生成式人工智能服务管理暂行办法 [Z].2023.
[2] 中华人民共和国著作权法 [Z].2020 修订.
[3] 中华人民共和国数据安全法 [Z].2021.
[4] 中华人民共和国个人信息保护法 [Z].2021.
[5] 中国信通院。生成式人工智能产业白皮书.
[6] 中国信通院。智能体技术与产业发展研究报告.
[7] 相关学术文献：大语言模型驱动智能体的技术架构、云服务商业模式研究文献。
[8] 行业公开资料：国内外 GaaS、Agent 服务厂商商业实践公开披露材料。
[9] 泷码软件研究院内部产业调研材料，智能体产品商业化需求文档。

数据来源

1. 公开监管文件：国家网信办、工信部、公安部等官方发布法律法规、部门规章、规范性文件。

2. 行业白皮书与研究报告：中国信息通信研究院等权威机构发布的人工智能、智能体产业公开研究报告。

3. 产业公开信息：全球智能体服务商、大模型厂商公开产品介绍、定价文档、技术博客、行业发布会公开资料。

4. 企业内部资料：泷码软件研究院、泷码数字经济网研究部产业调研访谈记录、产品商业化需求分析材料。

5. 学术文献：国内核心期刊、预印本平台公开的生成式智能体、AI 服务商业模式相关学术论文。

免责声明

本报告由泷码软件（上海）有限公司、泷码软件研究院、泷码数字经济网研究部撰写，仅作为内部产业理论研究、产品商业化参考资料，不构成法律意见、投资建议、商业决策的唯一依据。
报告中观点、研判基于当前公开法律法规、行业实践、技术发展现状作出，相关法律规则、监管政策、产业环境存在动态调整可能，本报告不保证内容永久有效。报告中涉及商业模式、知识产权、责任划分等内容仅为学术层面理论推演，具体业务落地应当结合业务场景另行聘请专业法律、财税顾问开展专项评估。
报告引用第三方公开资料仅用于学术研究，不代表本机构认同第三方观点。未经泷码软件书面许可，本报告全文或部分内容不得对外转载、分发、引用用于商业宣传。报告中所有结论不得直接作为诉讼、仲裁等法律程序证据。