企业级 Agent 落地困难，已成为行业普遍共识。火山引擎副总裁张鑫在 FORCE 原动力大会上提出了一项颇具启发性的思路——将 Agent 视作员工来经营。这一理念背后，对应着三大核心痛点：日抛型 Agent 无人使用、高成本低回报难以量化、以及个人与企业场景之间的复杂度鸿沟。要解决这些问题，需要的不仅是更多技术工具，而是一套完整的数字员工经营体系。

我们习惯用类比来描述工业革命：AI 就像是新的蒸汽机或发电机。这个类比没错，但还不够完整。蒸汽机进入工厂，改变的不仅是机器的转速，还有工厂的组织架构和生产方式。泰勒在 1911 年出版的《科学管理原理》正是这种变革的产物——用科学化、标准化的管理取代经验管理，以实现劳动生产率最大化。这套体系被视为第二次工业革命的必然产物。

Agent 热潮过后，企业中的“数字员工”占比越来越高，类似的管理科学问题正在重新浮现。黄仁勋在 CES 2025 上有一个判断：技术部门将成为数字劳动力的人力资源部门，未来将同时存在生物劳动力和数字劳动力。这个新兴的人力资源部门，显然需要全新的体系和工具。

张鑫的团队在这次发布中贯穿的理念正是：把 Agent 当员工来经营，他称之为数字员工的经营体系。

一套系统，如何匹配全球业务的复杂度

日抛型 Agent 是一个行业性现象。过去一年，Agent 的构建门槛急剧降低，零代码配置 Agent 已成为现实。但为个人打造 Agent 和为企业打造 Agent 是两码事。

个人使用 AI 工具提效，路径很清晰：一个人、一个明确的目标、一堆自己完全有权限的上下文。张鑫指出，个人场景下的 Agent 之所以好用，“本质上就是因为从生产到验证，流程中只有一个人”。而企业则完全不同：企业中的 Agent 面对的是一群人，还往往叠加着——一个不那么清晰、甚至需要跨团队协同制定的目标；一堆陈旧的系统；以及从未被记录下来的隐性规则和知识。

他举了个例子：去问销售团队“把你 Top Sales 的最佳卖点告诉我，你是怎么一步一步做的”，从没有人讲清楚过，更不会沉淀到文档里。

这引出了一对关键概念：AI 驱动的超级个体和企业的数字员工。超级个体的优势在于敏捷，个人拿着工具就能跑。但问题也很明显：员工的流动和流失，会带走业务的上下文。知识跟着人走，不跟着组织走。

微软 CEO 纳德拉也在播客中谈过这个问题，他提出了“人力资本”和“Token 资本”两个概念，核心观点是：你可以外包一项任务甚至一份工作，但永远不能外包你的（知识）学习。

将超级个体的知识转化为组织可沉淀的资产，是数字员工区别于个人助手的核心要求。但采集知识的方式如果出了偏差，后果同样严重。今年以来，有一个刷屏级的 AI 事件：Meta 在美国员工的电脑上安装追踪软件，记录键盘敲击、鼠标移动和屏幕截图来训练 AI，超过 1500 名员工签署了抗议请愿书。背后是一个非常简单的心理学机制：我把知识贡献出来，会不会被取代？

彼得·德鲁克 1959 年提出“知识工人”概念时就观察到：知识工人和体力劳动者需要完全不同的管理方式。体力劳动者可以通过计件和监控来管理，知识工人只能通过设定目标和赋予自主性来激发。监控一个知识工人的键盘敲击，和在流水线上计件是同一种思维。

张鑫在落地实践中的心得与德鲁克方向一致：不要上来就向业务人员索取，先用当前 Agent 能达到的程度，帮他解决重复繁琐的工作，让他先尝到甜头。其次，要让知识贡献和个人回报可见可衡量——“你孵化出四个数字员工，它们产出越多，归因到你身上的也越多”。关键词是归因：人贡献经验形成 skills，Agent 基于 skills 产出价值，价值可追溯归因到人。人从执行者升级为 Agent 的优化者和管理者。

这让人想起一句话：企业主和员工之间要互相给安全感。

CEO 的真实痛点

除了心理学机制，还有经济学机制。对 CEO 来说，一个更直接的痛点是钱：Agent 的 token 预算占企业 IT 支出越来越高。CEO 不一定怕花钱，但希望投入和回报能被计算。“今年投了 100 万做 Agent 项目，到底给我带来了多少收益？你们号称用 AI，效率到底提升了多少？”这是管理者问得最多的问题。

过去的 Agent 平台更多停留在技术管理层面：管权限、管接入、看日志。但既然 Agent 成了一种员工，CEO 需要的就不仅是技术指标，还有经营指标：产出了多少、节省了多少人效、投入产出比是多少。

张鑫称之为“从 Agent 管理，上升到数字员工经营”。

“数字员工”这个概念并不新鲜，Copilot 时代就在讲。之所以有“说了多少年了”的感觉，正是因为数字员工没有真正在企业内部被量化、被度量、被看见。只有在产品上建立了经营体系，能看到招聘、上岗、绩效产出，能做 PIP 和调优，数字员工才能从一个漂浮的概念变成可被操作的组织单元。

绩效数据还有一层更深的价值。Agent 运行中产生的轨迹、日志、指标和人类反馈，可以回流进 Learning Loop，驱动 Agent 持续自我优化。张鑫用生物学做类比：如果把上下文（Context）比作大脑、Harness 比作躯干和四肢，那 Learning Loop 就是新陈代谢系统。绩效度量不只是给 CEO 看的报表，它同时也是 Agent 进化的燃料。丰田生产方式在 1970 年代提出“改善”（kaizen）的核心理念——不追求一步到位的完美设计，而是通过持续的小幅改进和现场反馈形成闭环。Agent 的 Learning Loop 本质上就是一种数字化的 kaizen。

不过，Learning Loop 中最具想象力的强化学习方向目前也最难落地。难点在于奖励函数：有标准答案的客观题好打分，但企业里大量任务是主观的、模糊的。“你在这个场景训好了它能判断，下一个场景怎么办？”张鑫说，“我们自己的强化学习还在路上，大家都在路上。”

从构建到经营：四个产品，两层逻辑

无论是心理学机制还是经济学机制，有了体系，还需要工具。从知识沉淀到绩效度量再到持续迭代，这套经营体系都需要一整套产品来承载。

火山引擎这次在 Agent 开发和运营上，带来了几个重要产品的全新升级。其中 TRAE 大家可能相对熟悉。TRAE 最初面向程序员，是一个 coding IDE，理论上非研发人员也能用。但非研发人员一打开满屏代码，反而不符合他的使用习惯。所以 TRAE WORK 作为独立端发布，主界面是自然语言交互，面向更广泛的日常工作场景。

HiAgent 和 AgentSphere 则构成另一层逻辑，更贴切地回应今天的主题。当企业自有 Agent 数量达到数百上千，IT 部门需要一套底座来统一管理这些 Agent 的开发、运行和持续迭代，这是 HiAgent 的角色，它管的是 Agent 的技术生命周期。而 AgentSphere 就是 HiAgent 之上的经营视角：统一调度、绩效看板、价值度量。AgentSphere 的定位是“数字员工派遣站”。

AgentSphere 将数字员工的生命周期拆解为招聘、上岗、进化、退岗四个阶段，配套全局概览、业务产出、产物评分、投入成本四张看板。如果绩效好，像人类员工一样可能有 promotion，在 Agent 世界里可能是分配更多的 tokens。如果绩效不好，人可能要走 PIP，Agent 里面可能就是通过数据回流去迭代。

对比 Anthropic 只有 Claude Code 加 Cowork，OpenAI 言必称 CodeX，火山引擎的构建工具选择显得稍显复杂。张鑫的解释是：不同角色面对同一个能力时，需要完全不同的界面。他还用编程语言的多产品并存演进来做类比：最早有了 C 语言，为什么后来还有 C++、Python、Go？大概能讲清楚每个语言更擅长什么，但 Python 就真不能用来写其他的应用吗？也未必。

多产品策略的背后还有一个技术层面的原因：Agent 和模型在现阶段无法完全解耦。OpenClaw 之所以能成功，是因为模型达到了一定的 tipping point。把 OpenClaw 去适配一个弱模型是不奏效的。但当模型趋于商品化、能力趋于稳定以后，解耦有可能实现，可能变成今天的容器，能够更好地做标准化接口。

从构建到绩效，火山引擎提供的是一整套工具。

Agent 的组织方式可能和人不同

回到一个更宏观的问题：Agent 的组织行为学。在人类世界，专业分工是一切经济行为的基础。Agent 会沿用人类体系吗？

不一定。先说比较类似的：张鑫认为 Agent 至少可以从两个维度来细分——一种是稳态 Agent，处理规则明确、准确性要求高的流程性任务；另一种是敏态 Agent，应对开放性、探索性的场景。这正是“不要用 Agent 战略的勤奋掩盖战术的懒惰”——好像一个企业说“我在落地 Agent”就万事大吉，实际上稳态和敏态需要完全不同的建设路径。

再说区别比较大的。人的知识边界是窄的，所以人类组织需要按专业分工。但模型对知识的吸取能力远超个人，未必需要照搬横向 BU 制。走访企业时观察到：企业本能地按职能给 Agent 分岗——营销 Agent、客服 Agent、HR Agent，但这样做的实质是在用提示词约束模型能力，客观上拆出了大量功能重叠的 Agent。张鑫用了一个比喻：这是“每个萝卜都拆一个坑”。他认为，真正要做的是“组织去适配新的 AI 能力，而不是 AI 适配现有组织”。

他用自己团队的变化做例证：原来研发按前端、后端、SRE、QA、架构师、产品经理划分岗位，现在围绕你要做的产品，用一个不大的团队，借助 Agent 端到端完成从产品设计到 coding 各个环节。TRAE 团队 94% 的代码已经由 AI 生成。横向职能在收敛，纵向深度在增加。

这意味着在一个 Agent 充分参与的组织里，IT 部门和业务部门的关系也会重构。IT 负责保证 Agent 基础设施的稳定运行和安全围栏，业务部门基于这些脚手架自行构建和迭代面向场景的 Agent。两者从原来需求-排期-交付的串行关系，转向基础设施与应用的纵向协同。

管理科学用了一个世纪从泰勒走到丰田，但科学就意味着没有最终的标准答案。每一次生产力工具的代际更替，都催生出上一代管理框架回答不了的新问题。张鑫说强化学习“还在路上，大家都在路上”，组织适配也才刚有雏形。Agent 的经营体系不会有一个终极形态，它会和 Agent 的能力一起演化，和使用它的组织一起变形。