OpenAI 最新发布的《企业信号》显示，企业 AI 正从辅助转向执行，但不同企业的转型速度差异显著。如今，前沿企业（AI 使用量排名前 10% 的企业）每位活跃用户生成的输出词元数量是普通企业的 8.3 倍，高于今年 1 月的 2.6 倍。不断扩大的差距反映出更深层的运营转变：领先企业将智能体接入公司情境和工具，向其委派更具实质性的工作，并让成功的工作流更易复用。
对领导者而言，挑战在于将这种深度转化为人们能够信任、衡量和改进的工作。领导者还应为实验留出空间，包括尝试那些价值无法在首次使用时显现的用例。
初创公司 Basis（在新窗口中打开）、Clay（在新窗口中打开） 和 Exa Labs（在新窗口中打开） 已将智能体融入员工入职、客户管理和开发者生态系统拓展。它们的工作流各不相同，但演进路径值得借鉴：先教会智能体执行稳定的流程，再随着工作变化持续为其提供情境，最后让它把机会转化为经过验证的行动。
这些案例共同展示了团队如何将智能体融入熟悉的工作，并持续改进流程。
长期以来，入职流程对雇主和员工而言都十分繁琐。Basis 为会计师事务所开发 AI 智能体。如今，该公司的首日入职流程从两小时缩短至 30 分钟，让人力资源团队能投入更多时间建设文化并提供支持。
入职第一天，员工即可使用 Codex 和一项公司专属的入职技能（针对特定工作流的一套可复用指令和资源）。Codex 会欢迎新员工、介绍公司的关键概念，并使用其计算机在后台完成集成设置。遇到反复出现的问题或例外情况时，人力资源团队可在下一批员工入职前更新这项技能。
Basis 只需演示一次入职流程，随后便将其转化为一项可复用的技能，其中包含明确的触发条件、已知步骤、适用工具的访问权限，以及对“完成”的清晰定义。该流程不再取决于某个人能否到场，同时团队仍可介入处理例外情况或复杂问题。现在，入职流程更加一致、可重复且更易改进，新员工也能立即掌握与 AI 协作的范式。
Clay 致力于为市场进入团队打造可自我学习的营收引擎。它面临着一个常见的销售难题：交易的关键情境分散在 CRM 记录、电子邮件、Slack、通话、演示文稿、短信，以及与内部团队和客户支持者的对话中。
为确保这些情境始终保持最新，Clay 的一名 GTM 工程师尝试了更好的方法：为每个客户建立一个持久工作空间，并配备专属子智能体。每个子智能体都会审阅一手资料，并在夜间更新对应的交易文件夹。每天早上，一个协调智能体会汇总她所有客户的更新，生成一份简短的优先行动清单：回答客户尚未解决的问题、补齐采购委员会中的关键角色，或为潜在客户提供重新接洽的理由。
据 Clay 称，这套工作流每晚能为她节省约一小时的收件箱整理时间。每日优先事项可帮助她落实各种细小行动，而这些行动会在漫长的企业销售周期中积少成多。每项建议都附有相关佐证，方便销售人员在采取行动前核查一手资料。在遵循现有客户权限的前提下，企业可以将这种共享情境扩展至客户经理、业务拓展代表、解决方案工程师和销售领导者。
Clay 展示了不断演变的工作要实现规模化所需的条件：一致的结构、实用的更新节奏、共享的证据，以及行动时的人类判断。
Exa Labs 为 AI 智能体构建网络搜索基础设施，希望让开发者在任何需要的地方都能使用其搜索 API。团队将这一目标称为“Exa 无处不在”。过去，为实现这一目标，开发者关系和客户团队需要监控代码仓库及更广泛的生态系统、识别有潜力的集成机会、收集情境，并跨系统协调工作。虽然机会各不相同，但从发现到实施的路径遵循着一致的步骤。Exa 将这些步骤转化为一套专为 Codex 定义的工作流，其中包含明确的优先事项、必要资料的访问权限，并要求所有内容在发布前经过人工审核。
如今，Codex 会监控高优先级的集成机会、收集相关情境、创建拉取请求、运行测试，并利用 Slack 和 Notion 等来源准备每周更新。适当时，它还可以起草下一步内容，包括初版公告，供团队审核。这套工作流将机会从信号转化为经过测试的成果，同时减少研究、工程和沟通环节之间的交接。
哪些机会值得把握、Exa 应做出哪些承诺，以及如何管理外部关系，仍由人来决定。测试和审核节点可在发布前让智能体的工作清晰可见。测试结果和人工审核可帮助团队确定下次运行前需要调整工作流的哪些环节。随着工作的重要性不断提高，权限、证据和决策权在工作流设计中所占的比重也会增加。
Basis、Clay 和 Exa 共同将我们在《企业信号》中观察到的模式转化为实际运营方式。Basis 将经过验证的流程转化为可复用的技能。Clay 为智能体提供情境和持久性，使其能够持续更新不断演变的工作内容。Exa 加入工具、测试和审核，让智能体能在明确边界内将信号转化为行动。三家公司都将改进融入工作流：入职过程中的例外情况可揭示技能有待完善之处；新的客户动态和销售人员的验证可让交易情境保持最新；测试和人工审核则能进一步明确未来执行的边界。每家公司都从一项具体工作入手，并留出足够的测试空间。随着实际应用，人与智能体之间的分工会越发清晰；工作流得到验证后，智能体承担的职责也会逐步扩大。
随着前沿企业与其他企业的差距扩大，企业领导者需要让员工有空间测试重要工作流、衡量成效，并将效果最佳的实验转化为可重复的实践。
- 选择一个重要的价值切入点。从一套端到端工作流入手，确保它涵盖战略重点、系统、交接、控制措施和可衡量的关键成果。这项工作应足够频繁，以便从中学习；也应足够重要，值得重新设计。
- 明确预期成果及其衡量方式。明确负责人、关键绩效指标、基准和护栏。通过已完成任务、接入的情境和工具、例外情况及审核工作量来跟踪应用深度。通过周期时长、质量、成本、收入或风险来跟踪价值。输出量可以表明人们正让 AI 承担更多工作；工作流成果则能说明这些工作是否真正重要。
- 编写智能体的工作说明。明确工作的触发条件、预期成果、所需情境、工具和权限，以及智能体应以多大持续性推进工作直至完成。明确它必须提供哪些证据，以及必须在哪些环节停下接受人工审核。
- 围绕智能体构建人员协作体系。让最熟悉工作流的人员参与设计。明确业务成果、领域逻辑、访问与控制、推广采用和日常使用各由谁负责。初创公司可由少数几人集中承担这些职责；随着工作流规模扩大，企业则需要明确决策权。
- 让实验过程可见、成果可复用。OpenAI 的研究发现，采用 AI 六个月后，职业生涯早期员工每周发送的消息比高管多 13 条。为员工留出空间测试新用例，然后记录有效实践背后的流程和证据，并将其封装为技能、插件或共享工作空间。聊天、工作和 Codex（在新窗口中打开）分别支持不同模式：聊天适合提问和快速协作，工作适合多步骤知识工作和制作完整交付成果，Codex 则适合技术执行。
- 将有效的运营模式延续下去。保留已验证有效的情境、权限、评估、审核节点、负责人、衡量指标和赋能措施，再将其应用于下一个价值切入点。每次新实验都应为下一个团队提供更好的起点。
