FrontierFirm.Fund · 洞察研究 · Industry Framework

从AI工具到
数字劳动力

AI办公Agent的 Evolution × Delegation 产业框架——高价值工作、Evals、工作经验复利与组织智能的系统研究。

过去十年,AI办公的主线是让人工作得更高效;未来十年,主线将转向让Agent承担越来越多的工作,并在工作中不断进化。真正的产品代际差异,将来自 能力增长机制,而不是功能数量。本报告给出这套机制的完整结构,以及它在企业侧可被验证、可被证伪的度量方式。

AI Tool · Copilot→ Agent · 自主闭环执行→ Digital Workforce · 数字劳动力
Core · 内核 · 三十秒读完全篇
它不是越来越自动,是越来越会工作。
进化什么
AI 已经会做、但还明显不够好的那一档工作
设 d 为任务难度、τ 为"够用阈值"、c 为能力前沿,最优区间是 τ < d < c。太简单没有边际收益,太难探索成本过高。
在哪进化
办公,而且是 B 端的办公
办公同时具备高频、经验密集、高度可观测、反馈密集、技能可跨任务迁移五个条件。它不是应用场,是进化场。
靠什么证明
同类任务上 Evals 的改善速度
不看 Token 消耗,不看部署数量。只看单位成本是否下降、质量是否提升、人工介入是否减少、业务结果是否改善。
L1 委派在放大的不是数量,是单位——企业交给 Agent 的最小完整单位沿 Task → Workflow → Work → Role 上移。用"任务"描述一份销售报价,会丢掉全部判断与协商环节,从而系统性低估 Agent 需要的能力,也低估企业需要让渡的授权。
L2 真正稀缺的那一层——Work → Experience → Eval → Reflection → Learning → Skill。缺任何一环,前一环的产出都只是数据而不是能力。做得多不等于变强:没有评价环节的"多做",只是数据堆积。
L3 治理不在回路里,但决定回路的半径——Control Plane 是纵向平面,Delegation = f(Trust, Governance, Reliability, Permission)。
两条主线是乘数关系,不是加法。Agent Productivity = Delegation × Evolution。只有委派,Agent 会在高价值工作上反复暴露同样的失败;只有进化,Agent 永远没有真实工作的输入。任何一项为零,生产力即为零。
授权扩张必须以可验证的进化闭环为前提。若 Evolution ↑、Delegation ↑ 而 Governance 不变,系统一定会在某个节点上以事故的形式重新校准授权——事故性的回撤,比缓慢的授权扩张代价高得多。
For Operators & Investors · 对企业与投资者
该跟的只有四个量,其中只有一个是导数。
高价值工作密度反馈信号密度场景融合深度学习速度

前三个是存量,能被一次尽调看清;只有 Learning Velocity(同类任务 Evals 的改善速度)是导数——它是唯一能区分"已经很好的产品"与"会越来越好的公司"的变量。一个 Evals 分数很高但改善速度为零的 Agent,是一个好工具,不是一个进化系统。

企业今年就能做 · 不需要新预算
  1. 先定 3—5 个甜点区任务,而不是采购一个"万能助手"
  2. 为每个任务写死 Success Criteria 与 Baseline(Evals 必须在部署之前)
  3. 把 Task / Context / Trajectory / Outcome / Feedback / Reflection 六层数据管道打通
投资者要问的一件事

同一类任务上,三个月前后的 Evals 分数差是多少?如果拿不出这条曲线,"持续进化"就只是叙事。

产品公司要想清楚的一件事

产品核心架构是围绕 Task → Eval → Data → Learning → Improvement 设计的,还是围绕功能清单设计的。

进化不是叙事,是一条可以被证伪的斜率。
Contents · 目录
00Findings · 结论摘要

九条核心结论

本报告的全部推演,可以压缩成以下九条。每一条在正文中都有完整的机制说明与可验证的度量方式。

阶段谁是执行主体能力增长来自哪里代际分野
AI Tool人厂商版本迭代功能数量
Copilot人(AI 参与工作)厂商版本迭代上下文接入
AgentAgent 自主闭环厂商迭代 + 工程调优执行边界
Evolving AgentAgent,且在工作中学习真实工作 → 评价 → 策略更新能力增长机制
两条主线是乘数关系,不是并列的两个卖点

Agent Productivity = Delegation × Evolution。委派回答"敢不敢交给它",进化回答"它会不会变强"。任何一项为零,Agent 生产力即为零——这条恒等式不可直接测量,作用是为下层所有指标提供归属。

在放大的不是 Agent 数量,是委派单位本身

企业交给 Agent 的最小完整单位沿 Task → Workflow → Work → Role 上移。这也是本报告使用"高价值工作"而非"高价值任务"的原因——停在 Task 层会系统性低估 Agent 的委派上限。

进化甜点区是 τ < d < c,但那只是必要条件

还需同时满足可验证、可低成本探索、明确业务价值、高频四项过滤。甜点区回答"进化什么",四个过滤条件回答"从哪一个开始"。

办公的战略价值不在高频,在五个条件同时成立

高频工作 × 经验密集 × 高度可观测 × 反馈密集 × 技能可跨任务迁移。第五条最容易被低估,也正是它让办公 Agent 有可能不只是一个应用 Agent,而是通用工作能力的进化平台。

Evals 不属于任何一侧,它是两个回路唯一的共享基础设施

对 Agent 它回答"这次做得好不好",对企业它回答"能不能放心让你做更多"。没有 Evals,Agent 只能积累经验;有了 Evals,经验才可能被系统性地转化成能力。

新的企业数据资产是 Work Experience Base,不是 Knowledge Base

Task / Context / Trajectory / Outcome / Feedback / Reflection 六层。Reflection 是唯一由 Agent 自己生成而非从工作中采集的一层——它把前五层从"记录"变成"学习"。

回流不是一条,是两条,时间常数相差一个数量级

快回路让同类任务的经验立即复用;慢回路经由 Experience Compounding 与 Cross-Task Transfer 形成组织级能力。只画一条数据飞轮的图,会漏掉复利真正发生的那一条。

Governance 不是限制增长的东西,是 Delegation 得以增长的基础设施

Delegation = f(Trust, Governance, Reliability, Permission)。Control Plane 不在回路之内,而是决定回路能转到多大半径的纵向平面。

唯一的导数指标是 Learning Velocity

能力、数据、商业三层度量的都是存量,只有它度量变化率。它是唯一同时出现在三层度量中的变量,也是唯一能区分"已经很好的产品"与"会越来越好的公司"的量。

结论先给:AI办公的产业机会不是一次 SaaS 升级,而是一次人类工作经验的数字化与机器能力的进化。竞争最终不落在"谁接了更多工具",而落在谁建立了一个持续运转的系统——让 Agent 获得真实工作、积累经验、接受评价、形成技能、跨任务迁移,并在此基础上不断获得更多信任与权限。

01Paradigm Shift · 范式迁移

分野不在功能数量,在谁是工作的执行主体

AI办公经历了清晰的阶段迁移。每一次代际跃迁改变的都不是能力清单,而是"工作由谁来做"这个前提。

1.1从 Copilot 到 Agent:从"辅助工作"走向"承担工作"

Stage 01

AI Tool

写作、总结、翻译、搜索、生成PPT、分析数据。人做工作,AI提供帮助。

Stage 02

Copilot

AI进入办公软件与企业工作流,开始理解文档、邮件、日历、客户、项目与企业知识。从"回答问题"变成"参与工作",但主体仍是人。

Stage 03

Agent

围绕目标自主闭环:Plan → Act → Observe → Evaluate → Re-plan。不再告诉人应该怎么做,而是真正执行工作。

Stage 04

Evolving Agent

在执行中积累轨迹、接受评价、形成技能,并把一次工作的经验迁移到下一类工作。

传统AI办公
  • 用户主动调用
  • 单次生成与问答
  • 能力依赖厂商版本迭代
  • 数据更多是使用日志
  • 用户迁移成本相对较低
进化型 Agent
  • 围绕任务主动执行
  • 持续观察结果与反馈
  • 策略随使用不断优化
  • 数据直接驱动能力改善
  • 逐渐沉淀企业专属工作经验
关键区别不是"有没有AI",而是产品是否拥有从真实任务中获得反馈、更新策略并改善未来行为的能力增长机制。

1.2Agent 首先争夺的是"工作委派权"

Agent 表面上竞争的是模型、工具、Workflow、Memory 和 UI;但从企业视角看,真正的问题只有一个:"我愿意把什么工作交给它?"因此 Agent 成熟度可以理解为一条不断向上扩大的委派阶梯。

AI TOOL完成一个动作
COPILOT参与一个任务
TASK AGENT独立完成一个任务
WORKFLOW AGENT独立完成一个流程
AGENT TEAM协作完成复杂工作
AGENTIC ENTERPRISEAgent成为组织生产力的一部分
衡量Agent成熟度的关键指标,不是企业部署了多少Agent,而是企业愿意把多少高价值工作委派给Agent。

但这条阶梯真正在爬升的是什么?是委派单位本身。企业交给 Agent 的最小完整单位,会随能力提升而不断放大——这也是本报告使用"高价值工作"而非"高价值任务"的原因。

Unit 01

Task

一次可界定的动作或产出。起点,但若理论停在这里会低估Agent的委派上限。

Unit 02

Workflow

一条有前后依赖的流程,跨多个工具与角色。

Unit 03

Work

一个完整业务闭环,含判断与协商,以业务结果收敛。

Unit 04

Role

一段持续存在的岗位职责,而非一次交付。委派的终点形态。

以销售报价为例:客户需求理解 → 历史报价分析 → 产品组合 → 价格策略 → 审批 → 报价生成 → 客户沟通 → 跟进 → 成交结果。用"Task"描述它会丢失全部的判断与协商环节,从而系统性低估 Agent 需要具备的能力,也低估企业需要让渡的授权。

v3.1 补充 · Role 需要一个技术形式。阶梯的前两格(Task / Workflow)可以由一个"以使用者身份运行"的 Agent 承担;但 Work 与 Role 不行。Work 要求 Agent 持有一个跨会话、跨人的工作上下文;Role 更进一步——它要求一个持续存在的职责承担者:有自己的账号、自己的记忆、自己的预算额度、可被审计也可被撤销。

这正是 2026 年上半年被称为 agent identity 的那套模型所提供的东西。它的实践含义很直接:当 Agent 仍在借用某个人的身份行动时,委派阶梯在架构上就封顶在第二格——不是能力不足,是没有一个可以承载"职责"的主体。相关论证见配套研究《隔舱:Native AI 办公 Agent 的权限换根》。

1.3"能被委派"还不够:两条主线缺一不可

仅仅扩大委派边界并不能构成长期能力。一个 Agent 如果永远依赖同样的策略、无法从失败中学习、无法吸收人的反馈、无法形成新的技能、无法把经验迁移到其他任务,它的能力终将撞上上限。

Axis 01 · Delegation

Agent能承担多少工作?

由信任、权限、可靠性与治理边界决定。回答的是"敢不敢交给它"。

Axis 02 · Evolution

Agent能不能越来越会做?

由经验、评价、学习与技能迁移决定。回答的是"它会不会变强"。

AGENT PRODUCTIVITY = DELEGATION × EVOLUTION

只有 Delegation,Agent 会在高价值任务上反复暴露同样的失败;只有 Evolution,Agent 的能力永远没有真实工作的输入。两者是乘数关系——任何一项为零,Agent 生产力即为零。

02Defining Evolution · 什么是进化

"记忆""个性化""自动化"都不必然构成进化

真正的进化必须能被观察、验证和复现。因此第一步不是找方法,而是先给出一个可证伪的工作定义,再回答"应该进化什么"。

2.1自进化的严格定义

Working Definition

智能体自进化 = 利用任务结果、用户反馈与环境信息,持续调整未来行为策略,并在同类任务的可验证指标上获得稳定改善。

任务执行→结果 / 反馈→策略改变→未来同类任务改善

这个定义的关键约束在最后半句:改善必须发生在"同类任务"上,并且必须是"可验证指标"。只在单次任务中表现更好是运气,只在主观感受上更好是错觉——两者都不是进化。

2.2必须区分 Memory / Experience / Skill / Evolution

Agent"记住过去"并不等于 Agent"真正进化"。四个概念常被混用,但它们处在完全不同的层级上。

Layer 01

Memory

记住过去发生过什么。

Layer 02

Experience

知道过去什么方法有效。

Layer 03

Skill

能够稳定复现有效的方法。

Layer 04

Evolution

基于真实任务与反馈,持续改变执行策略并形成新的能力。

Real Work→Trajectory→Outcome→Feedback→ Evaluation→Learning→Skill→ Better Strategy→Better Execution

核心不是"存储更多数据",而是把工作经验转化成可复用、可验证、可迁移的能力。

2.3进化甜点区:Agent 到底应该进化什么

任务越难并不意味着越值得优化。设 d 为任务难度、τ 为"AI已足够好"的阈值、c 为当前能力前沿,则最优进化区间是 τ < d < c——AI 已经会做,但还明显不够好的任务。

成熟区 d ≤ τ · 边际收益有限 进化甜点区 τ < d < c · 反馈最有价值 前沿区 d ≥ c · 探索成本高 τ c 能力前沿 任务难度 d → 边际进化收益
Fig. 01 — 进化甜点区:曲线为示意,表达边际进化收益随任务难度的单峰分布

但 τ < d < c 只是必要条件。一个真正值得投入的进化任务还必须同时满足三项:

Filter 01

可验证

存在明确的成功标准,改善能够被指标捕捉,而不只是被感受到。

Filter 02

可低成本探索

失败代价可控,允许Agent在真实工作中试错并回滚。

Filter 03

明确业务价值

指标改善能够连接到时间、成本、收入或风险中的至少一项。

Filter 04

高频

样本量足以让改善从噪声中被区分出来——低频任务无法形成学习信号。

这四个过滤条件构成了落地路线中"Find Work"阶段的实际筛选器:甜点区回答"进化什么",四个过滤条件回答"从哪一个开始"。

03The Evolution Ground · 进化场

办公不是应用场,是进化场

过去谈AI办公通常只强调"高频场景",但高频本身不足以解释办公的战略价值。真正特殊的是,办公同时具备五个条件——而 B 端决定这五个条件能否闭合成回路。

3.1办公同时具备五个条件

Condition 01

高频工作

邮件、会议、文档、汇报、数据分析、销售、客服、项目管理、信息整理、流程执行——Agent可以持续获得真实任务。

Condition 02

极其丰富的经验与技能

写作、分析、沟通、商务判断、项目管理、销售技巧、汇报技巧、决策经验、专业知识;且已大量沉淀为Email / PPT / Doc / Spreadsheet / Meeting / CRM / Knowledge Base / Approval / Historical Cases 等数字资产。

Condition 03

工作过程高度可观测

形成完整轨迹而非单次问答:Goal → Context → Plan → Tool → Action → Observation → Decision → Result → Human Feedback。

Condition 04

反馈密度极高

用户修改、Manager修改、客户回复、审批结果、销售结果、项目结果、KPI、最终Business Outcome——Agent能不断回答"我刚才这样做,到底好不好"。

Condition 05 · 最容易被低估

技能可以跨任务迁移 · Cross-Task Skill Transfer

邮件中习得的信息组织能力可迁移到PPT、报告、客服与销售;项目管理中习得的优先级判断能力可迁移到邮件、日程、客户管理与工作规划。这意味着办公Agent可能不只是一个应用Agent,而是通用工作能力的进化平台。

办公不是一个技能稀缺的环境,而是人类经验与技能高度密集、并且高度数字化的环境。

3.2B 端为什么是关键竞争场

办公回答的是"哪一类工作",B 端回答的是"在谁那里"。两者叠加,才构成完整的进化环境。

B端的进化优势
  • 复杂任务密度高
  • 专家经验密集
  • 业务结果可衡量
  • 工作流连续
  • 企业上下文丰富
因此形成的三重壁垒
  • 数据壁垒——任务、行为、反馈、结果四者相连,而非孤立日志
  • 能力壁垒——策略在客户真实工作中被打磨,无法离线复制
  • 迁移壁垒——企业专属工作经验一旦沉淀,切换即等于清零
B端真正的优势不是客单价高,而是更容易形成完整的"任务—反馈—结果—进化"闭环。
04The Twin Flywheels · 双飞轮

两个回路,一个共享的基础设施

进化与委派各自成环,但它们共享同一个输入(高价值工作)、同一个汇合点(更多真实工作),以及同一个目标函数——Evals。这一节把它们合成为一张图。

4.1Evals:从"感觉更聪明"到"证明更聪明"

Evals 不是开发结束后的测试工具,而是 Agent 持续进化过程中的目标函数。它同时回答两个不同主体的问题——对 Agent:"你这次做得好不好?"对企业:"我是否可以放心让你做更多?"

但 Evals 不是单一层次。可执行的 Evals 体系至少分三层,评估方式与成本各不相同:

Layer 01 · 自动评估

任务质量层

正确性、完整性、格式、事实一致性、合规性。成本最低,可全量覆盖。

Layer 02 · 混合评估

专家质量层

逻辑性、专业判断、策略合理性、个性化程度。需要抽样与人工校准。

Layer 03 · Outcome

业务结果层

成交率、风险漏检率、项目延期率、处理时间、成本。滞后但唯一真实。

对齐问题

三层必须挂钩

若第一层改善而第三层不动,说明Evals在优化代理指标而非真实价值——这是最常见的失败模式。

EVALS EVOLUTION TRUST CAPABILITY PERMISSION AUTONOMY
Fig. 02 — Evals一端推动Agent进化,另一端推动企业扩大授权
没有Evals,Agent只能积累经验;有了Evals,经验才有可能被系统性地转化成能力。

4.2两个相互强化的飞轮

Flywheel A · Evolution

Agent如何越来越强?

真实工作 → 工作轨迹 → 结果 → 反馈 → Evals → 失败分析 → 策略优化 → Skill形成 → 能力提升 → 更好的执行 ↺

Flywheel B · Delegation

企业为何越来越敢让它做?

Agent执行 → 结果验证 → 可靠性提升 → Trust → Permission → Autonomy → 更高价值工作 → 更高Business Outcome ↺

这里有一个容易被忽略的前提:Agent 做得越多,并不意味着它自然变强。只有当工作结果被系统性评价,并进一步转化为策略、技能与能力时,Work Experience 才会真正变成 Agent Evolution。缺少评价环节的"多做",只是数据堆积。

4.3合成:Agent Productivity Flywheel

两个回路共享同一个输入(高价值工作)与同一个汇合点(More Real Work),因此可以合成为一张总图。这也是整份报告若只保留一张图时应保留的那张。

与常见的单一数据飞轮相比,这张图有三处结构性差异:其一,回流不是一条而是两条——快回路让同类任务的经验立即复用,慢回路经由跨任务迁移形成组织级能力,两者时间常数相差一个数量级;其二,Evals 不属于任何一侧,它横跨两个回路,是唯一的共享基础设施;其三,Control Plane 不在回路之内,而是一个决定回路能转到多大半径的纵向平面。

CONTROL PLANE 治理与授权平面 IDENTITY PERMISSION RISK EVALUATION AUDIT HUMAN OVERRIDE DELEGATION = f(TRUST, GOVERNANCE, RELIABILITY, PERMISSION) HUMAN GOAL 目标 · 判断 · 责任 HIGH-VALUE WORK TASK → WORKFLOW → WORK → ROLE AGENT EXECUTION Agent执行 EVOLUTION LOOP · Agent越来越会做 DELEGATION LOOP · 企业越来越敢让做 WORK EXPERIENCE工作经验 TRAJECTORY DATA高信号密度数据 LEARNING反思 · 归因 · 策略更新 SKILL可复现的技能 BETTER EXECUTION能力提升 OUTCOME业务结果 EVALS三层 · 共同基础设施 TRUST可靠性 · 信任 PERMISSION授权边界 AUTONOMYOptimal, 非 Maximum EVALS → LEARNING MORE REAL WORK 更多 · 更高价值的真实工作 快回路 · 同类任务复利 EXPERIENCE COMPOUNDING经验复利 CROSS-TASK TRANSFER跨任务技能迁移 ORGANIZATIONAL SKILL组织级能力 慢回路 · 跨任务复利 DIGITAL WORKFORCE → AGENTIC ENTERPRISE 数字劳动力 → 智能体化企业 终态是回路长期运转的结果,不在回路之内
Fig. 03 — Agent Work Evolution Framework:双回路在 More Real Work 处汇合,并分出快回路(同类任务复利)与慢回路(跨任务复利);Control Plane 作为纵向平面,决定 Delegation 能扩张到哪里

4.4场景融合:决定飞轮转速的耦合项

两个飞轮之间还缺一个变量:Agent 嵌入真实工作的深度。它既决定 Evolution 能拿到多完整的上下文,也决定 Delegation 能扩展到多深的流程——因此它是双飞轮的耦合项,而非某一侧的子项。

Fusion 01

工作流融合

从"用户打开AI"变成"AI在任务发生时主动介入"。

Fusion 02

数据融合

连接CRM、ERP、邮件、文档、BI与知识库,获得完整上下文。

Fusion 03

组织融合

进入人与人、Agent与Agent的协作网络,获得组织级经验。

效应

转速而非方向

融合深度不改变飞轮结构,只改变它转多快——这也是它容易被误当作"集成能力"的原因。

融合更深→上下文更完整→反馈信号更强→进化更快→授权更多任务↺

4.5为什么 Autonomy 不是起点,而是结果

很多人把 Agent 的目标理解为 Maximum Autonomy。但企业真正需要的是 Optimal Autonomy——在风险、可靠性与治理边界内,最大化有效自主性。

Experience+Capability+Evals+Trust+Permission→Autonomy

Autonomy 并不是模型天然拥有的属性,而是能力、经验、验证、信任与授权共同形成的系统属性。把它当作起点去设计产品,通常导致企业侧的信任透支;把它当作结果去经营,才可能持续扩大边界。

05Assets, Moat & Governance · 资产与壁垒

"企业数据很多"并不等于拥有壁垒

关键在于数据是否与任务、行为、反馈和业务结果建立连接。传统企业AI关注 Knowledge Base;Agent 时代关注 Work Experience Base。

5.1真正的资产是高信号密度的"工作经验"

层次核心问题沉淀内容对进化的价值
Task做什么?目标、任务类型、成功标准、约束定义学习对象
Context为什么做?角色、项目、历史文档、业务环境理解真实情境
Trajectory怎么做?工具、动作序列、决策路径、观察结果分析策略
Outcome做得怎么样?交付物、业务结果、后续影响、KPI连接真正业务价值
Feedback人怎么看?修改、拒绝、采纳、人工纠正、审批提供高密度学习信号
Reflection为什么好或不好?失败归因、策略比较、自我评估驱动策略更新
合并说明:Reflection 是唯一由 Agent 自己生成而非从工作中采集的一层。它把前五层从"记录"变成"学习",因此不能与 Feedback 合并——前者是 Agent 对自己的解释,后者是人对 Agent 的判决。
Task + Context + Trajectory + Outcome + Feedback + Reflection ——这是一种新的企业数据资产:可验证的工作经验。它比知识库更接近"企业到底是怎么工作的"。

5.2壁垒从"数据"转向 Experience Moat

传统软件

网络效应

用户 → 数据 → 网络效应

传统AI

模型能力

模型 → 数据 → 模型能力

Agent

Experience Moat

真实工作 → 工作经验 → 技能 → 更好执行 → 更多真实工作

+ 迁移

Experience Compounding

若经验能跨任务迁移,则随工作覆盖范围扩大产生复利。

More Work→More Experience→More Skills→ Better Agent→Higher Success Rate→More Trust→More Work

5.3竞争不是"接了多少工具",而是"理解多少工作"

一个 Agent 连接 100 个 SaaS,并不意味着它真正理解企业。Agent 能力至少应分为六层,而集成只是最底下的一层。

Level 01

Application

知道软件怎么操作。

Level 02

Knowledge

知道企业有什么知识。

Level 03

Workflow

知道工作如何流转。

Level 04

Experience

知道过去什么方法有效。

Level 05

Skill

能够稳定执行。

Level 06

Judgment

知道什么情况下应该采用什么方法。

真正的进化方向不是从一个App连接到更多App,而是从 Application Integration 走向 Work Intelligence——Agent不只是知道企业有什么软件,而是知道企业如何完成工作。

5.4从单体智能到组织智能

Multi-Agent 既不是理论起点,也不是终点。它是当单体 Agent 的 Work Intelligence 不足以覆盖工作复杂度之后,出现的组织化能力——因此它在本框架中被放在 Skill 与 Cross-Task Transfer 之后,而不是作为架构选型的起手式。

Single Agent→Skill→Cross-Task Transfer→Work Intelligence→ Multi-Agent→Organizational Skill→Digital Workforce

真正重要的不是 Agent 数量增加,而是学习的对象发生了变化。

单体 Agent · Learning How to Do
  • 任务拆解
  • 工具调用
  • 策略选择
  • 输出优化
Agent 组织 · Learning How to Organize
  • 动态分工
  • 能力路由
  • 通信协议
  • 信任与审核
  • 组织记忆
多Agent的终局不是"Agent数量增加",而是形成能够自我优化的Agent组织——组织本身成为被进化的对象。

v3.1 补充 · 组织智能需要一个聚合单位。本报告此前留下过一处未解的张力:可证伪的进化需要足够的样本密度,而单个使用者在单个场景上的月样本量,往往不足以把改善从噪声中区分出来;若向上聚合到全公司,又会撞上数据隔离与合规边界。这一度被判定为无解。

补充的答案是:不必在"个人"与"公司"之间二选一。学习信号的聚合单位应当是一个比人大、比公司小的工作空间——一个四十人的销售空间,样本密度是单人的四十倍,而其合规边界比全公司清晰得多。

由此得到一条更准确的表述:Evolution 回路在"以设备或个人为边界"的架构下不成立,但在"以工作空间为边界"的架构下成立。关键不是数据出不出设备,而是有没有一个可以承载聚合的中间层。仍未解决的部分是跨企业的模型级进化——那是另一个量级的问题。

5.5Control Plane 决定 Agent 能否在企业规模化

Agent 越强,权限越大;权限越大,风险越高。因此存在一条硬约束:Evolution 越快,Governance 越重要;Delegation 越大,Control Plane 越重要。

身份与边界

Identity / Permission / Policy

Agent是谁、能碰什么、在什么策略下行动。

能力接入

Tool Access / Memory

工具授权范围与记忆的读写边界。

验证与观测

Evals / Observability / Audit

过程可观测、结果可验证、事后可追溯。

兜底

Human Escalation

何时必须交回人手,以及交回给谁。

Capability→Risk→Governance→Trust→Permission→Autonomy
DELEGATION = f( TRUST, GOVERNANCE, RELIABILITY, PERMISSION )

这个展开式修正了一个常见误解:Governance 不是限制 Agent 增长的东西,而是 Delegation 得以增长的基础设施。若 Evolution ↑、Delegation ↑ 而 Governance 不变,系统一定在某个节点上以事故的形式重新校准授权——而事故性的回撤,比缓慢的授权扩张代价高得多。

所以企业级 Agent 最终要回答的不是"Agent 能不能做",而是"Agent 能做什么、在什么条件下做、做到什么程度、出了问题谁负责"。

v3.1 补充 · 展开式的四项第一次全部可配置。这个式子长期以来有一个实践缺口:Governance 与 Permission 在多数产品里是厂商预置的常量——安全确认策略不可调、权限只能给到账号级全量,于是 Reliability 提升并不会换来 Permission 扩张,展开式实际退化成了一个静态配置。

2026 年落地的分级授权模型改变了这一点:管理员在组织级定义基线身份,每个工作空间默认继承并可覆盖;同一服务在不同空间可以持有不同权限等级的凭据;并进一步走向即时授权(当下批准单次敏感操作而不永久扩大范围)与双重校验(空间配置与请求者本人权限同时满足才行动)。

当四项都可配置,Delegation 才真正成为一个随 Reliability 增长的函数,而不是一次性的授权决定。Governance 是增长的基础设施——这句话到此才有了完整的技术形态。
06Measurement & Model · 度量与模式

怎么证明它真的在进化

前面所有论证都停留在"应该如何"。这一节回答"如何验证",以及验证结果如何反过来改变成熟度判断与商业模式。

6.1工程化验证体系:四个层级

四个层级各自回答一个不同的问题,缺任一层,进化叙事都无法被证伪。

层级关键指标核心问题
能力Task Success、Evals Score、纠正率、重试率Agent现在做得怎么样?
进化同类任务的Evals改善速度(Learning Velocity)Agent是否真的越来越好?
数据反馈率、Outcome覆盖率、有效样本率是否拥有足够的学习信号?
商业节省时间、任务单位成本、收入、风险、留存能力改善是否转化为业务价值?
Key Test

Agent是否真正进化,不看它调用了多少Token,而看同类任务的单位成本是否下降、质量是否提升、人工介入是否减少、业务结果是否改善。

其中"进化层"是唯一的导数指标——其余三层度量的是状态(stock),只有它度量的是变化率(flow)。一个 Evals 分数很高但改善速度为零的 Agent,是一个好工具,不是一个进化系统。

6.2成熟度应同时看两个维度

只看自主程度会误判。更合理的模型是把工作委派与Agent进化作为两个正交维度同时评估。

阶段工作委派 · DelegationAgent进化 · Evolution企业状态
M0无无AI实验
M1辅助静态Copilot
M2单任务有限学习Task Agent
M3Workflow持续优化Workflow Agent
M4多任务技能迁移Agent Team
M5高价值工作持续进化Agent Workforce
M6组织级跨任务 + 组织级进化Agentic Enterprise
真正成熟的企业不是"部署了很多Agent",而是"Agent承担了大量高价值工作,并且在持续工作中越来越强"。

6.3商业模式从 Seat 走向 Outcome

SaaS · Seat→AI SaaS · Usage / Token→Agent · Task→Mature Agent · Outcome

SaaS 卖软件,AI 卖智能使用量,Agent 最终卖工作结果。同时,Agent 引入了一个传统软件没有的价值变量:Future Capability Value——如果 Agent 能随客户真实工作不断进化,客户购买的就不只是今天的自动化能力,也包括未来不断增长的工作能力。

AGENT LTV = CURRENT TASK VALUE × f(LEARNING VELOCITY, RETENTION)
修订说明:此式原为加法(Current + Future)。但若 Future Capability Value 来自复利式的能力增长,它对现有任务价值的作用是乘数而非独立加项——加法写法会系统性低估进化型 Agent 的长期价值,也无法解释为何 Learning Velocity 是核心估值变量。这是与前文乘法结构保持一致的必要修订。

这也是"持续进化"必须成为商业模式组成部分、而不只是技术叙事的原因。

6.4办公软件本身将发生根本变化

传统办公

System of Record

记录企业发生了什么。

AI办公

System of Intelligence

帮助企业理解发生了什么。

Agent办公

System of Work

直接参与工作如何发生。

进化态

System of Learning

记录工作 → 执行工作 → 评价工作 → 学习工作 → 优化工作。

未来办公软件最重要的变化,可能不是功能越来越多,而是软件开始理解、执行并学习企业的工作。

6.5终局不是"更好的软件",而是"数字组织"

AI Tool→Copilot→Agent→Agent Team→Digital Workforce→Agentic Enterprise
Human

人负责

目标 · 判断 · 责任 · 复杂关系 · 战略决策

Agent

Agent负责

信息处理 · 执行 · 协作 · 分析 · 沟通 · 流程 · 专业任务——并在过程中持续学习

组织形态从 Manager → Employees → Software 转向 Human Leadership → Human + Agents → Agent Orchestration → Digital Workforce → Business Outcome → Continuous Learning ↺。

Agent的终局不是简单替代某一个岗位,而是成为组织中的一种新的生产要素。
07Judgment, Roadmap & Lens · 判断与路线

把框架放回可执行的顺序里

这一节做三件事:给出最终的产业判断、显式分层框架的四层构件与三个公式、把它落成企业可执行的九阶段路线与不同参与者的视角。

7.1最终的产业判断

如果只把 AI 办公看成一个软件市场,它是一个巨大的 SaaS 升级机会。但从 Agent Evolution 的角度看,它更可能是一个巨大的"人类工作经验数字化与机器能力进化"机会。

办公的条件对Agent的意义
高频工作提供大量真实任务,让改善能从噪声中被区分
丰富经验提供大量专业技能与甜点区任务
高度数字化产生大量可观测轨迹
持续反馈提供高密度学习信号
跨任务迁移让能力产生复利
高价值工作支撑不断扩大委派边界

7.2框架的四层结构与三个公式

本报告的构件分属四个不同层次。混层是最常见的表述失误——把工程模型当产业理论用,会显得单薄;把产业理论当工程指标用,则无法落地。因此在此显式分层。

Layer 1产业理论 · 说明为什么 AGENT PRODUCTIVITY = DELEGATION × EVOLUTION 顶层恒等式。不可直接测量,作用是说明两条主线缺一不可,并为下层指标提供归属。其中 DELEGATION = f( TRUST, GOVERNANCE, RELIABILITY, PERMISSION )。
Layer 2进化机制 · 说明怎么变强 WORK → EXPERIENCE → EVAL → REFLECTION → LEARNING → SKILL 因果链,非公式。它规定了"经验转化为能力"必须经过的环节;任何一环缺失,前一环的产出都只是数据而非能力。
Layer 3工作选择 · 说明从哪开始 HIGH-VALUE WORK = ( τ < d < c ) ∧ 可验证 ∧ 可低成本探索 ∧ 明确业务价值 ∧ 高频 工程筛选模型。它不是整篇报告的总理论,而是回答"Evolution 的起点应该选在哪个工作上"。委派单位可为 Task / Workflow / Work / Role 中的任一层级。
Layer 4工程系统 · 说明怎么验证 AGENT 竞争力 ≈ 高价值工作密度 × 反馈信号密度 × 场景融合深度 × 学习速度 可观测的度量式,对应 6.1 的四层验证体系。任务密度属 Delegation 侧,反馈密度与学习速度属 Evolution 侧,场景融合深度是两者的耦合项——这是 Layer 1 落到可跟踪指标上的形式。
附 · 谨慎使用壁垒盘点式 MOAT = MODEL × DATA × EXPERIENCE × EVALS × WORKFLOW × TRUST × PERMISSION × SKILL TRANSFER 八项之间存在明显重叠(Data 与 Experience、Trust 与 Permission、Evals 与 Skill Transfer 均非正交),且无一项可独立量化。作为盘点清单有效,作为公式则缺乏解释力——建议仅在定性讨论中使用,跟踪与估值以 Layer 4 为准。
关于术语:本框架描述的是组织机制与因果回路,不含价格、均衡或约束下的最优化,因此不宜称为"经济模型"。称其为组织—能力增长模型更准确,也更经得起同行审阅。
未来真正重要的可能不是 Model Intelligence,而是 Learning Velocity——它是唯一同时出现在能力、数据与商业三层度量中的变量。

7.3落地路线:九个阶段

企业不应该从"部署多少 Agent"开始,而应该从"什么工作值得交给 Agent"开始。

P1 · FIND WORK建立 High-Value Task Map:按 τ < d < c 定位甜点区,再用可验证 / 可低成本探索 / 明确业务价值 / 高频 四项过滤
P2 · DEFINE EVALS为每个核心任务建立 Success Criteria 与 Baseline,三层Evals同时挂钩,避免只优化代理指标
P3 · DEPLOY AGENT让Agent进入真实工作流,而非沙盒演示
P4 · DATA LOOP打通 Task / Context / Trajectory / Outcome / Feedback / Reflection 六层高信号密度数据管道
P5 · EVOLUTION LOOP实现 Observe → Evaluate → Reflect → Update → Validate 的单体持续策略优化
P6 · WORKFLOW FUSION深入 CRM / ERP / OA / 审批 / 项目管理,用融合深度提升飞轮转速
P7 · EXPAND PERMISSION随可靠性提高,从低风险任务走向高价值任务——授权扩张以可验证的进化闭环为前提
P8 · MULTI-AGENT & TRANSFER学习动态分工、能力路由、通信与审核;同时让技能跨任务迁移
P9 · ORG REDESIGN将个人经验、团队流程与Agent协作经验沉淀为数字组织能力,重新设计 岗位 · 流程 · KPI · 管理 · 人机分工

顺序本身携带信息:P2 必须在 P3 之前——没有 Evals 定义的成功标准,后续所有经验沉淀都无法转化为能力;P7 必须在 P5 之后——授权扩张若不以可验证的进化闭环为前提,就是把风险当成信任。

7.4不同参与者应该看什么

产品公司

架构问题

是否围绕 Task → Eval → Data → Learning → Improvement 设计产品核心架构,而非围绕功能清单?

技术团队

基础设施问题

是否具备 Eval Infrastructure、Feedback Pipeline、Observability 与 Learning Loop 四件套?

销售 / 实施

叙事问题

能否从"功能销售"转向"Evals与业务结果销售"?能否与客户共同定义Baseline?

企业客户

起点问题

是否先确定3—5个可验证的甜点区任务,而不是采购一个"万能助手"?

投资者

尽调应跟踪 Layer 4 的四个量

High-Value Task Density(甜点区任务密度)· Feedback Density(反馈信号密度)· Workflow Penetration(场景融合深度)· Learning Velocity(同类任务Evals改善速度)。前三者是存量,最后一项是导数——只有它能区分"已经很好的产品"与"会越来越好的公司"。

7.5总框架回顾

Evolution Flywheel

Agent越来越会做

Work → Experience → Eval → Reflection → Learning → Skill → Better Execution

Delegation Flywheel

企业越来越敢让它做

Execution → Outcome → Trust → Permission → Autonomy → More Valuable Work

AGENT PRODUCTIVITY = DELEGATION × EVOLUTION

委派单位沿 Task → Workflow → Work → Role 放大;耦合项是场景融合深度;可观测的核心变量是Learning Velocity;扩张边界由 Control Plane 决定;起点是进化甜点区里的一件工作。

08Conclusion · 结语

Agent 不是越来越自动,而是越来越会工作

过去,AI 帮助人工作;现在,Agent 开始替人工作;下一阶段,Agent 在替人工作的过程中,学习如何把工作做得更好。

更多工作 → 更多经验 → 更强能力 → 更高可靠性 → 更多信任 → 更大权限 → 更高价值工作 → 更多经验 ↺

因此,Agent 时代真正的竞争不只是"谁能让企业把更多工作交给 AI",而是谁能建立一个持续运转的系统,让 Agent 获得真实工作、积累经验、接受评价、形成技能、跨任务迁移,并在此基础上不断获得更多信任与权限。

而办公之所以具有特殊战略价值,是因为它同时拥有:高频工作 × 丰富经验 × 显性知识 × 数字轨迹 × 持续反馈 × 跨任务技能迁移。

所以,AI 办公的终局不只是更智能的软件,也不只是更自主的 Agent,而是一个能够持续学习企业工作方式、优化执行策略、协调多个数字角色,并不断沉淀组织经验的数字劳动力系统。人负责目标、判断与责任;Agent 负责执行、协作与学习;企业围绕 Human + Agent 重新组织工作。

这就是 Agentic Enterprise。
Method & Limitations · 方法与边界 文中"进化甜点区"曲线、τ / c 阈值、各项乘法式及 M0–M6 成熟度分级均为战略分析框架与示意表达,不代表经过统计验证的市场规模、行业基准或公司排名数据。Layer 4 度量式中的四个变量需在具体业务上下文中重新定义口径后方可用于跟踪。本文为 FrontierFirm.Fund 洞察研究系列的产业框架篇,欢迎以可证伪的方式反驳。