几年前提到生成式AI，很多人第一时间想到的，还是那个能在对话框里聊天的机器人。但到了2026年，风向已然转变——国内外科技公司开始密集推出面向组织的AI智能体。这些智能体不仅能聊天，还可以连接邮箱、日历、文档、客户关系管理系统和企业数据库，围绕一个明确目标连续执行多项任务，定时运行、调用工具、等待审批、记录结果，一应俱全。飞书、钉钉等办公平台也纷纷将智能体嵌入到日常协作场景中。
AI从聊天界面走进企业后台，表面上看似只是一次产品功能升级，但实际上它触及了企业运行的基本单元。过去企业购买AI，更多是希望帮助员工更快查资料、更省力做表格、更高效写报告。但当智能体进入工作流之后，管理者不得不面对一系列更棘手的问题：哪些任务可以放心交给AI连续执行？哪些节点必须有人盯防？出了问题谁来负责？AI真正开始“上班”，企业就必须重新设计工作方式。
产品能力的变化：从回答一个问题，到完成一件事情
聊天机器人和智能体的本质区别在哪？以销售场景为例，就很容易理解。
同样是“帮我写一封客户跟进邮件”，聊天机器人会生成一封措辞得体的邮件——但接下来的操作还得你亲自完成：查找客户资料、核对上次沟通、判断客户意向、复制粘贴、填写收件人、更新客户管理系统……而AI智能体接到的任务可能变成：“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，智能体需要自己进入CRM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，将敏感内容提交给销售确认，发送后还要把结果写回系统。如果客户回复了，它还能自动分类，将复杂问题转交给人类同事。衡量工作的单位从“回答一个问题”变成了“完成一件事”。
这正是近期企业AI产品共同强调的方向——AI不再满足于生成一段内容，而是要理解上下文、调用工具、跨越多个系统，沿着流程一直走到交付环节。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》中记录了不少新案例：金融机构用智能体提取会议待办、起草提醒信息、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。
这些工作过去也有自动化，但传统自动化高度依赖固定规则。表格格式一变、客户换个说法，流程就可能中断。智能体多了语言理解、推理和动态规划能力，能处理边界模糊的任务。它介于传统软件和员工之间——既有软件的执行速度，又带有一定情境判断能力。
这带来的产业机会相当诱人。企业每年在信息搬运、系统切换、进度催促、格式整理上花费大量时间——这些工作很难直接创造价值，却又维系着组织的日常运转。智能体最先切入的，恰恰就是这些流程缝隙。
组织设计的变化：最先需要改造的是任务结构
这很容易让人联想到一个老话题：哪些岗位会被AI取代？未来一段时间，企业未必会出现大规模的“无人部门”，但人与智能体混合完成的工作流会越来越多。比如客户咨询由AI做初步识别，复杂投诉交给人工处理；AI生成财务分析底稿，财务人员核查异常并解释原因；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将逐渐转向设定目标、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承担更多工作后人类最重要的两项能力。AI越独立，人越需要判断力。过去员工通过亲手完成每一步来保证质量，未来要学会检查一条由机器跑出来的任务链。
这会改变管理者的职责。传统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。智能体进来后，管理者还得设计另一套分工：AI可以读取哪些信息，有多大权限，什么时候必须停下来，哪些结果需要抽检，出错怎么回溯。企业管理从“盯着员工做事”慢慢扩展到“设计人与机器一起做事的系统”。
这也解释了为什么一些企业买了最先进的模型，效果却不尽如人意。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、明确的责任。企业流程越乱，智能体越容易放大混乱。文件版本没人管，AI就会引用过期规定；各部门数据口径不统一，AI生成的报表只会让争议来得更快。
很多企业一开始以为自己缺的是一个更强的模型，等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”变成“替我干完”，安全问题也随之从内容准确性扩展到了系统权限。要让智能体发挥作用，就必须赋予它行动能力；行动能力越强，一旦出错，影响也越大。
目前流行的做法是“人在回路中”——智能体执行敏感操作时，弹出窗口让员工确认。但频繁确认会催生新的形式主义。员工每天面对几十次授权提示，很快就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。人在回路并不自动等于有效监督。
更靠谱的思路，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、删除和对外发布这类操作设置更高门槛。企业还要为智能体建立独立身份，记录它读了多少、调用了什么、改了什么，出问题时能追溯。
这有点像给新员工配账号。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建议做出错误决定，责任算谁的？智能体自动发送了不当内容，是使用者、开发者、平台还是企业来负责？多个智能体协作完成任务，出错又怎么定位？这些问题不能等出了事故再考虑。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，但承担不了法律和组织意义上的责任。最后签字的人，仍然要有能力理解并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？
在效率至上的企业管理叙事中，重复性工作常被看作应该尽快消除的负担，交给AI似乎顺理成章。但问题在于，很多看起来“低价值”的工作，其实还承担着训练新人的功能。
这些任务虽然繁琐，却是职业成长的入口。一个人能识别异常，是因为他见过大量正常情况；能判断报告是否可靠，往往因为他亲手处理过原始材料。
智能体接管初级工作后，新员工可能从入职第一天起就要审核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、语言流畅的答案到底错在哪里。
这就产生了一种新的组织矛盾：AI承担的工作越多，企业越需要员工去监督AI；但员工亲手处理基础任务的机会越少，监督AI所需要的经验就越难形成。如果企业只算智能体省了多少工时，就可能忽略经验怎么积累、专业判断怎么形成、组织知识怎么传递。
这当然不是说企业要保留所有低效流程。更现实的做法，是重新设计新人参与工作的方式。
比如，智能体先完成资料整理，年轻员工负责抽样核验，追踪错误来自哪个环节；AI生成初步报告，员工需要解释结论依据的数据，指出可能遗漏的信息；企业还可以保留一些人工任务，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，分析它为什么误解指令、为什么遗漏信息、为什么调用错误工具——这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的执行工作，人类员工的价值会更多体现在判断和责任上。但判断力不可能光靠看AI工作就能获得，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，但不能把形成判断力的过程一起外包。
总的来说，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，可能不取决于部署了多少智能体，而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，反而更集中了。真正成熟的企业，不会只盯着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，有没有能力在关键时刻做出判断、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）
