过去几年，人们对生成式AI的体验大多停留在聊天框里。如今，这种关系正在变化。2026年以来，国内外科技企业密集推出面向组织的AI智能体产品。它们能够连接邮箱、日历、文档、客户关系管理系统和企业数据库，围绕目标连续执行多项任务，还可以定时运行、调用工具、等待审批并记录结果。飞书、钉钉等多个办公平台也都把智能体嵌入日常协同场景之中。

AI开始从聊天框走进企业后台，这一变化听起来只是产品功能的升级，实际上触及了企业运行的基本单元。此前企业购买AI，主要考虑员工能否更快搜索资料、制作表格、完成报告。智能体进入工作流以后，管理者需要面对一个更复杂的问题：哪些任务可以交给AI连续执行，哪些节点必须由人介入，谁为执行结果负责？AI真正“上班”之后，企业需要重新设计工作。

产品能力的变化：从回答一个问题，到完成一件事情

聊天机器人与智能体之间的差别，可以用一个常见的销售场景来说明：

面对“帮我写一封客户跟进邮件”的要求，聊天机器人会生成一封措辞得体的邮件。员工还要自己寻找客户资料，核对上次沟通内容，判断客户意向，复制邮件，填写收件人，再更新客户管理系统。而AI智能体接到的任务则可能是：“筛选过去一周尚未跟进的高意向客户，并完成第一轮联系。”

为了实现这个目标，它需要进入客户管理系统，读取沟通记录，按照企业规则判断优先级，查询产品信息，分别生成邮件，提交敏感内容供销售人员确认，发送后再把结果写回系统。若客户回复，它还可能自动分类，将复杂问题转交给员工。衡量工作的单位由一次回答变成一个结果。

这也是近期企业AI产品共同强调的方向。AI不再满足于生成一段内容，而要理解上下文、调用工具、跨越多个系统，并沿着流程走到交付环节。德勤AI研究院今年发布的报告《企业人工智能现状：尚待开发的前沿》记录了若干新案例：金融机构用智能体提取会议中的待办事项、起草提醒信息并追踪后续进展；航空公司让智能体处理改签和行李改送等常见事务；制造业企业则尝试让AI在研发过程中平衡成本、性能和上市时间。

这些工作过去已经存在自动化，只是传统自动化高度依赖固定规则。只要表格格式改变、客户表达换一种说法，流程就可能中断。智能体增加了语言理解、推理和动态规划能力，可以处理边界相对模糊的任务。它介于传统软件与员工之间：拥有软件的执行速度，又带有一定的情境判断能力。

由此带来的产业机会十分诱人。企业每年花费大量时间在信息搬运、系统切换、进度催促和格式整理上。这些事情往往难以创造直接价值，却维系着组织的日常运转。智能体首先进入的，正是这些流程缝隙。

组织设计的变化：最先需要改造的是任务结构

由此很容易引发一个熟悉的讨论：哪些岗位会被AI取代？在笔者看来，未来一段时间里，企业未必会出现大规模的“无人部门”，却会不断出现人与智能体混合完成的工作流。客户咨询由AI完成初步识别，复杂投诉交给人工；AI生成财务分析底稿，财务人员核查异常并作出解释；智能体持续监控供应链数据，管理者处理超出规则的事件。人类员工的工作重心会逐渐转向设定目标、解释情境、处理例外和承担责任。

微软2026年《工作趋势指数》显示，在受访的AI使用者中，质量控制和批判性思维被认为是AI承担更多工作之后最重要的两项人类能力。AI越能独立执行，人越需要保持判断力。过去员工通过亲自完成每一步来保证质量，未来则要学会检查一条由机器运行的任务链。

这将改变管理者的职责。传统的企业管理围绕人展开：确定分工、检查进度、协调部门、评价绩效。智能体进入之后，管理者还要设计另一套分工：AI可以读取哪些信息，拥有多大权限，何时必须停止，什么结果需要抽检，发生错误如何回溯。企业管理由“盯着员工做事”逐渐扩展到“设计人与机器共同做事的系统”。

这也解释了为什么一些企业购买了最先进的模型，实际效果依然有限。AI能力与企业生产力之间隔着一整套组织基础：清晰的流程、可调用的数据、持续更新的知识、规范的权限和明确的责任。企业流程越混乱，智能体越容易放大混乱。文件版本无人维护，AI就会引用过期规定；各部门使用不同数据口径，AI生成的报表只会让争议来得更快。

许多企业以为自己缺少一个更强的模型，智能体落地后才发现，真正稀缺的是一套说得清、找得到、可执行的工作规则。

风险治理的变化：AI同事也需要权限边界

企业对智能体的期待正在从“给建议”转向“替我完成”，安全问题也随之从内容准确性扩展到系统权限。让智能体发挥价值，需要赋予它行动能力；行动能力越强，错误可能造成的影响也越大。

目前流行的解决方式是“人在回路中”：当智能体执行敏感操作时，弹出窗口请员工确认。然而，频繁确认会产生新的形式主义。员工若每天面对几十次授权提示，很快会养成机械点击的习惯。Anthropic公布的数据显示，用户批准了大约93%的权限请求。人的存在并不自动等于有效监督。

更可靠的思路，是把风险控制写进系统结构。智能体只能进入与任务相关的文件夹，只能调用经过批准的工具，转账、删除和对外发布等操作则被设置更高门槛。企业还需要为智能体建立独立身份，记录它读取了什么、调用了什么、修改了什么，出现问题时能够追溯。

这有点像给一位新员工配置账号。公司不能因为他能力强，就把财务系统、客户隐私和核心代码全部开放。智能体同样需要最小权限、岗位边界、操作日志和离岗机制。

更复杂的问题是责任。员工依据AI建议作出错误决定，责任由谁承担？智能体自动发送了不当内容，是使用者、开发者、平台还是企业负责？当多个智能体协作完成一项任务，错误又该如何定位？企业不能把这些问题留到事故发生之后。每一条智能体工作流都要有明确的责任所有者。AI可以执行任务，却无法承担法律和组织意义上的责任。最终签字的人，仍然要有能力理解和质疑机器给出的结果。

人才培养的变化：初级工作被抽走后员工如何成长？

在效率导向的企业管理叙事中，重复性工作常常被视为应该尽快消除的负担，将这些工作交给AI顺理成章。问题在于，许多看起来“低价值”的工作，同时承担着训练新人的功能。

这些任务繁琐，却构成职业成长的入口。一个人能够识别异常情况，是因为他见过大量普通情况；能够判断一份报告是否可靠，也往往因为他曾经亲手处理过原始材料。

智能体接管初级工作之后，新员工可能从进入公司的第一天起，就被要求审核AI生成的结果。但一个缺乏实践经验的人，很难发现一份看似完整、语言流畅的答案究竟错在何处。

由此会出现一种新的组织矛盾：AI承担的工作越多，企业越需要员工监督AI；员工亲自处理基础任务的机会越少，监督AI所需要的经验又越难形成。如果企业只计算智能体节省了多少工时，就可能忽略经验如何积累、专业判断如何形成，以及组织知识如何传递。

这并不意味着企业必须保留所有低效流程。更现实的做法，是重新设计新人参与工作的方式。

例如，智能体可以先完成资料整理，年轻员工负责抽样核验，并追踪错误来自哪个环节；AI可以生成初步报告，员工需要解释结论所依据的数据，并指出可能遗漏的信息；企业还可以保留一定数量的人工任务，让新人接触未经机器筛选的原始案例。

失败案例尤其重要。只看AI顺利完成的任务，很难建立风险意识。让员工参与智能体错误的复盘，分析它为何误解指令、为何遗漏信息、为何调用了错误工具，可能会成为未来职业培训的重要组成部分。

随着智能体承担越来越多执行工作，人类员工的价值会更多体现在判断和责任上。但判断力无法仅靠观看AI工作获得，它仍然需要实践、反馈和时间。企业可以把重复劳动交给智能体，却不能把形成判断力的过程一并外包。

总之，智能体进入企业，带来的变化远不止多了一种提高效率的工具。它正在重新划分任务、权限与责任，也在改变员工学习工作的方式。未来企业之间的差距，未必取决于部署了多少智能体，更取决于能否为人机协作建立清晰的规则。AI开始“上班”之后，人类的责任并没有减轻，反而变得更加集中。真正成熟的企业，不会只追求机器完成了多少任务，还会持续追问：人是否仍然理解这些任务，并有能力在关键时刻作出判断、承担后果。

（作者王翔为复旦大学数字与移动治理实验室研究员）

来源：王翔