当 Agent 进入组织

编程之后，AI 的下一个大市场在哪里？产业界眼下的答案是「企业级 Agent」。但同一时间窗口里，两组材料给出了方向相反的画面：一组说落地又浅又碎，另一组说核心流程已经跑通。矛盾本身就是线索。

一、热需求下的冷落差

亚马逊 CEO Andy Jassy 在二季度财报会上提出过一个「需求杠铃」的框架：一端是 Anthropic、OpenAI 等前沿实验室对训练算力的巨大消耗，另一端是业务自动化、反欺诈、智能客服这类场景化推理需求；夹在中间的企业工作流，Agent 渗透率偏低，需求尚未释放。他的推论是，企业场景的规模远大于编程本身，云服务因此有望成为万亿美元收入级别的业务。出租算力的人乐于渲染需求，立场自不必说，但这个框架确实点出了当前的不对称。

不对称的程度可以量化，而且不同口径之间存在有趣的张力。德勤对 3235 家企业的调研显示，只有 21% 的组织拥有成熟的 Agent 系统，而且「大多仍是单点的、孤立的」；麦肯锡去年的报告也发现，即便在有意推动规模化落地的企业里，落地范围也多停留在一到两个职能领域。但 Anthropic 在《2026 State of AI Agents Report》里给出的另一组数字是：57% 的受访组织已经用 Agent 处理多阶段工作流，16% 进入了跨职能乃至端到端的流程。两组数据并不打架——它说明分布严重两极化：少数组织已经深入主干流程，大多数仍停在边缘场景的单点尝试。会议纪要、文档检索这类薄上下文场景之所以先跑起来，正是因为凭文档和对话就能运转，碰不到核心系统，也不牵动权限。

中国市场同样热度高涨。据工业和信息化部数据，2025 年中国 AI 核心产业规模已超过 1.2 万亿元，重点行业渗透率突破 80%；Gartner 与 IDC 预测，2026 年中国企业级 AI Agent 市场规模将达 449 亿元，同比增长 112%（转引自 36 氪报道）。预算与意愿都不是问题，问题在别处。

二、瓶颈的机制：三重错配

其一，模型通用，知识私有

基座模型的能力是通用的，谁都能调用；企业真正稀缺的东西，却只存在于这家公司内部：历史项目的来龙去脉、各部门的业务口径、流程里的例外情况、多年协作沉淀下来的惯例。这些内容有个统一的名字——上下文（context）。Snowflake CEO Sridhar Ramaswamy 在 SaaS Mag 峰会上的判断很直接：对手同样买得到模型，模型本身给不了竞争优势；真正的壁垒，要从自有数据里长出来。

2024 年底的那场隔空交锋，本质争的就是上下文的存放地。微软 CEO 纳德拉在访谈中说，SaaS 服务可能在 Agent 时代走向崩溃——在他看来，这类产品不过是包着一层业务逻辑的 CRUD 数据库。Salesforce 创始人 Marc Benioff 随即反驳——他 1999 年创办公司时提出的口号正是「软件已死」，如今这柄枪口被调转对准了自己。一年多后两人双双改口：纳德拉称 SaaS 不会死，但商业模式需要重构；Benioff 宣布开放 API，让产品对 Agent 友好。转变不难理解：企业的上下文大量沉淀在 SaaS 系统里，Agent 无论多能干，够不到这些上下文就无从谈起。

其二，个人用法，生产要求

员工用 AI 写周报、查资料，是典型的个人工具：上下文薄，出错代价小。生产负载的要求则是另一个量级。

数据安全的教训来得很快。2023 年 4 月，三星电子接连发生三起敏感内容流入 ChatGPT 的事件：员工把有问题的源代码贴进去请求把关、把良率相关代码放进去请求优化、把会议速记放进去请求生成纪要。对制造企业而言，这类内容属于核心机密；风波过后，风控与法务对「把数据交给外部模型」只会更加谨慎。个人可以试错，生产系统没有这层宽容。

其三，智能化预算，数字化底子

第三重错配最朴素：Agent 调不动不存在的东西。数据放在服务器里还是 A4 纸上，流程沉淀在系统里还是口头惯例里，直接决定 Agent 能参与到多深。德勤的报告对此有一段很清楚的描述：组织知识大多装在 ERP 系统中，业务逻辑一半写在代码里、一半留在员工的日常沟通中——让 Agent 读懂一家企业，本身就是一项工程。业务流程真正大面积上网不过是最近几年的事，由此可以立一条朴素的标准：数据的价值，要看它能否被 Agent 调用。只沉淀考勤记录的企业，Agent 顶多帮忙管考勤。

三、范式收敛：Agent 成为组织成员

产品侧的回应高度一致：把 Agent 从一对一助手改造成组织里的参与者。2026 年 6 月，Anthropic 发布 Claude Tag：以独立身份接入企业的 Slack 频道，拥有频道级的记忆与权限，任何人 @ 它都能派活，它也能自主拆解步骤、异步推进，并在主动模式下跟进悬而未决的讨论。按照 Anthropic 的说法，其产品团队 65% 的代码已由内部版 Claude Tag 生成。Karpathy 的评价是，这类产品把 AI 交互推进到了第三阶段——AI Co-worker：先是人向工具发指令，接着是人跟助理一对一对话，现在是 Agent 以同事身份加入协作网络。

国内三家大厂在 2026 年 9 月给出了三种略有差异的做法（据 36 氪报道）：9 月 15 日飞书未来无限大会发布飞书 8.0 与「豆包工作伙伴」——后者是国内首个团队级智能体，拥有专属账号体系，可像真人员工一样被拉进群聊、受邀参会、访问授权范围内的文档；权限完全沿用飞书的组织架构规则，管理员可统一配置访问范围、设定用量上限、追溯操作日志；更关键的是持续的团队记忆——群聊历史、文档内容、会议结论、项目进展不随人员流动流失，可跨群调用、跨项目复用。WorkBuddy 走的是另一条路：借助企业微信 8 月开放的 CLI 接口，直接驱动企微体系内的文档、表格、邮件、日程，嵌入企业既有工作链路。阿里则把千问办公原生嵌入钉钉，打通 25 个业务模块、超过 1000 条命令，AI 以能力组件的形态注入流程节点。三条路线一句话概括：一个新增「AI 同事」，一个嵌入「工作链路」，一个注入「流程节点」——共同点都是让 Agent 够得着组织上下文，并接受组织权限的治理。

支撑这一切的是「Agent + 容器」架构：办公套件或 SaaS 工具充当容器，向 Agent 提供两样东西。一是可靠性——权限体系、数据边界、审计能力都经过多年生产环境验证；二是原生接口——Agent 需要结构化、可验证的调用方式，而不仅是给人看的按钮与菜单。金融业甚至已经有了现成的组织级模板：Anthropic 于 2026 年 5 月发布了十个面向金融服务的 Agent 模板，覆盖路演材料制作、KYC 文件筛查、月末结账等耗时环节，可在数天内把 Claude 部署到真实金融工作上。

四、组织侧的答案：Agent First

容器解决的是 Agent「进得来」的问题，真正决定它能走多远的，是组织自己怎么变。这一侧最有分量的材料来自银行业：2026 年外滩大会上，网商银行行长冯亮系统阐述了该行正在推进的 Agent First 组织形态。他的起点判断是一句朴素的话：「个人的提效，不会自动汇成组织的进化。」AI 编程让工程师写得更快，但产品从需求到上线要经过设计、分析、编码、测试、合规多个环节，若只有编码环节被 AI 加速，环节之间的信息传递损耗依旧，组织效率并不会有本质变化。他提醒，把 AI 当插件装进旧流程而不重造流程，智能投入可能沦为「成本黑洞」。

Agent First 的核心，是把组织的组织方式倒过来：工业时代的分工逻辑是先问「这件事归哪个部门」，再沿岗位与层级传递；现在要先问「达成目标需要哪些能力、人和 Agent 如何组合」。具体落到四条：能交给 Agent 的工作默认 Agent 先行；Agent 进入工作流承担任务，而不只是给员工当助手；交付的结果不仅人能读，也要能被其他 Agent 理解与调用；制度和系统围绕 Agent 的工作方式重新适配。冯亮把这条方向的落点概括为，银行的竞争力正从「人才密度」转向「智能密度」——不只看有多少专家，更要看专家经验能否变成组织可调用、可组合的能力。

落地抓手有四个，每一个都对应着上文的一重错配。第一，给 Agent 定「OKR」：人负责定义高价值目标与验收标准，Agent 执行，按标准评价纠偏。第二，建企业的「图书馆」：把业务知识、制度规则、专家经验整理成 Agent 有据可依的底座，连同「什么情况适用、需要哪些证据、何时必须交给人」这类方法论一起入库。第三，划清人与 Agent 的权责边界：日常调度交给系统与 Agent，关键处由人听出偏差、作出纠正，最终责任仍然由人承担。第四，保障可靠运行：可信执行环境让异常能被及时发现与处置，安全治理明确 Agent 能看什么、能做什么，执行过程全程可追溯。

五、信贷核心区的实证

更值得记录的是场景选择。多数企业的 AI 转型习惯从客服、营销这类边缘环节试水，网商银行却把 Agent 直接推进了信贷——风控与审批，银行业价值最高、也最难被 AI 撼动的环节，同时推进的还有研发。普惠金融侧的数据构成背景：截至 2026 年 6 月，全国人民币普惠小微贷款余额达 38.9 万亿元，2017 年这个数字是 6.8 万亿元；普惠小微授信用户数超过 6200 万，覆盖约三分之一经营主体。需求侧的痛点同样具体——网商银行从 6388 条用户反馈中提炼出的关键词是「额度低」「流程繁琐」「还款不灵活」「缺抵押」。

审批环节的变化最能说明经验如何变成资产。网商银行的信贷审批专家牛学峰做了 25 年审批，如今的角色是「AI 教练」：把什么情况能批、什么风险不能放、复杂案例怎么权衡这些判断，逐条整理出来教给 AI——怎么读材料、怎么找证据、怎么列疑点；AI 初判之后他逐条核对，偏差当场纠正，每次纠正再沉淀回知识库。结果是复杂信贷审批的处理能力提升近 20 倍：判断保持在专家水准，速度不再受限于人的工时。

风控侧的改进同样可量化：分析单位从「客群」细化到「具体客户」之后，约 160 万带着历史「瑕疵」标签但经营正常的客户重新获得被看见的机会，被误判拦截的正常客户减少约 40%。研发侧，AI coding 占比提升 1 倍，端到端开发实现率达到 15%。面向客户的成果是百灵 2.0——据称为全球首个小微普惠金融 Agent，向 4200 万小微经营者开放信贷、票据和财税服务，官方概括为「会说话、看得清、能办事」：问询像问诊一样问到点上，多模态理解把合同、发票、门店视频、电话尽调、交易流水相互印证，再像组织一场专家会诊那样调用银行内部的多专业能力形成方案。

六、从哪里下手：飞书侧的六步路径

前五节讲的是「为什么难」和「别人跑到了哪」，这一节回答「自己从哪里开始」。以飞书为例——它把容器、权限与团队记忆放进了同一个平台，是当前国内试水组织级 Agent 门槛较低的入口之一。以下六步按依赖顺序排列，前一步是后一步的前提；功能可用性与额度因企业版本而异，以官方帮助中心为准。

1. 先把上下文搬进容器

   团队文档迁入云文档，业务台账迁入多维表格；在视频会议设置中勾选「自动开启 AI 总结」，会后智能纪要文档会自动推送给参会人。涉及敏感信息的会议，建议勾选「仅主持人可开启或关闭 AI 总结」，或只开启录制、由主持人控制妙记的分享范围。这一步不碰任何 AI 配置，只让知识先落在可被调用的地方。

2. 治理先行，再谈智能

   由管理员统一配置访问范围（沿用组织架构）、AI 用量上限与操作日志追溯。注意 AI 能力有每人每月的免费额度，超出需另行购买，试点范围宜先小后大——正好对应第二节「生产要求」的纪律。

3. 认领第一位工作伙伴

   入口在 aily.feishu.cn（2026 年 8 月 14 日起，「飞书 aily」已更名为「豆包工作伙伴」）。可添加四类伙伴：专属伙伴（自定义名字与人设）、从市场招募的官方或企业伙伴、自定义伙伴、第三方智能体。把「团队使用」的自定义伙伴拉进工作群，它即共享群内上下文、供全员调用。头两周只布置薄上下文任务：纪要整理、资料归集、例行周报。

4. 让数据表自己干活

   在多维表格中新建字段，字段类型选择「探索字段捷径 > 智能体」，用自然语言填写任务，@ 可引用文档、技能或表中其他字段；支持整列批量执行（单次上限一万行），开启「自动更新」后，被引用的字段一变，智能体自动重跑。这一步的意义在于：把「能被 Agent 调用的数据」从口号变成每周都在增长的表格列。

5. 复杂任务上小队，重复任务上自动化

   多环节任务可组建工作小队——至少两名成员、其中一名任队长，从路由、专家会诊、红蓝对抗等八种协作模板中选择一种。重复性工作建自动化任务，支持定时、事件与 Webhook 三种触发方式，例如收到特定邮件时自动摘要并提醒。执行所用的模型可在伙伴详情中切换。

6. 建纠偏回流，让资产复利

   以「项目」为容器：项目指令、参考知识与协作者聚在一处，任务上下文不再散落。人核验后的每一次修正，都写回项目知识或云文档——这正是图 4 那个闭环的日常形态。跑满一个季度后回头盘点：哪些判断已经不需要人重复做，哪些仍必须留给人。

七、三点观察

结语

把产业分析与这场银行实验对照着看，企业级 Agent 的故事可以压缩成一句话：模型决定了可能性，组织决定了现实性。容器与协议让 Agent 进得了门，权限与审计让它留得下来，而经验沉淀的闭环决定它最终能长成什么。工具厂商的竞争才刚开始；对企业自己而言，能做的准备其实相当朴素——把文档写进系统、把口径落成表格、把资深同事的判断一条条教给 AI。这些动作今天就能开始，而且不依赖任何一次模型发布。