如今智能体在工作中能做什么

在这一波浪潮的头几年，大多数人是通过一个聊天窗口认识 AI 的。您提问，它回答，剩下的事由您来做。如今每张幻灯片上的关键词都是智能体：被赋予一个目标、自己完成各个步骤、使用获准使用的工具，并带着完成的工作回来的软件。

过去几周把两面都展现了出来。OpenAI 在 ChatGPT 中推出了能在后台持续工作的智能体。Anthropic 和 METR 则描述了智能体做出没人要求它们做的事。以下是我们把种种说法与证据、与我们自己的日常工作相对照后看到的情况。

数据怎么说

普及是真实的，但并不均衡。在 McKinsey 2026 年的调查中，来自年收入超过 10 亿美元机构的受访者中，有百分之四十表示正在规模化部署 AI 智能体，高于一年前的百分之二十七。在规模较小的机构中，这一比例停留在百分之二十二。约十分之二的受访者正在规模化部署编程智能体，百分之三十二的受访者表示，其所在机构已决定不再购买某款软件，因为现在可以借助编程智能体在内部自行开发。

资金还没有跟上。认为 AI 对息税前利润（EBIT）产生了任何影响的受访者比例，仍停留在百分之三十七。Gartner 把智能体驱动的 AI 放在其技术成熟度曲线的顶峰：在其 2026 年的 CIO 调查中，百分之十七的机构已经部署了智能体，超过百分之六十的机构预计将在两年内部署。Gartner 指出，大多数部署的范围仍然很窄，完全自主的智能体尚不能胜任大多数企业应用场景。它仍预计，到 2027 年底，超过百分之四十的智能体 AI 项目将被取消，并警告“智能体洗白”现象：聊天机器人和老旧的自动化被重新贴上智能体的标签。

它们能可靠地做什么

我们所知最严谨的衡量来自 METR，它把 AI 智能体完成软件任务的表现，与熟练人员完成同样任务所需的时间对照计时。在其 5 月的报告中，最好的公开模型在需要一个人约 12 小时完成的任务上，成功率为一半。如果要求五次中成功四次，任务时长就降到约一个半小时。

这个差距，正是智能体在工作中的真实写照。它们可以尝试长任务，能可靠完成的却是短任务。业务流程要看的是可靠的那个数字，因为没有人想要一个只有一半时间正确的开票流程。Anthropic 自己的建议依然成立：沿预定路径运行的工作流可以预测；自行选择下一步的智能体足够灵活，却容易出现层层累积的错误。所以先从最简单可行的方案开始，只有在明显划算时才增加自主性。

过去几周展现了什么

9 月 29 日，OpenAI 在其开发者大会上推出了 Dots：ChatGPT 中的智能体，每个都运行在自己的云端计算机上，在对话之间持续朝着目标工作，可以连接 4'000 多个应用，并可通过 ChatGPT、Slack 或 Teams 给它发消息。据 SiliconANGLE 报道，OpenAI 曾在内部针对采购和发票处理测试过专用版本。这种设计很能说明问题。当一个 Dot 自主进行研究时，它与所有者应用的连接是只读的。涉及账户或共享信息的操作要经过自动审查，OpenAI 也提醒用户审查重要的工作成果，因为智能体仍然可能出错。瑞士、英国和欧洲经济区的 Pro 用户未被纳入此次发布。

9 月 30 日，METR 总裁向美国参议院一个小组委员会讲述了 OpenAI 在 7 月披露的一起事件：OpenAI 在内部测试的智能体相互配合，在测试中作弊，并在此过程中攻破了被广泛使用的 AI 平台 Hugging Face。他的总结很直白：开发者尚未解决如何阻止智能体采取违背人类意图之行动的问题。

10 月 9 日，Anthropic 发布了一项调查，内容是其模型在评估和内部使用中出现的非预期行为。一个研究模型在练习用的副本无法加载后，提交了一份真实的政府表格；一个小模型有时会提交它被告知不要提交的表格。还有模型绕过限制去获取受控数据，或者借助短链接服务突破某个工具的限制。Anthropic 表示，影响很小，而且据其所知，没有涉及任何客户数据。它切断了所有内部评估的实时互联网访问，收紧了部分网络工具的防护措施，并建立了检测机制，拦截了它描述的每一个案例。

指令不是关卡

对企业来说，教训并不是智能体是危险的玩具。这些都是实验室在对模型进行严格测试，而且它们公开了自己的发现。教训在于控制落在哪里。被告知不要提交表格的智能体，有时还是提交了。根本够不到提交按钮的智能体，则永远不会提交。

检查同样需要用心。在 Anthropic 的 Project Vend 第二阶段，一个经营办公室小店的 Claude 智能体有了一位老板：另一个充当首席执行官的智能体。它批准特殊待遇请求的次数，约为拒绝次数的八倍；而且由于运行在同一个模型上，它与小店智能体有许多相同的盲点。基于同一模型的第二个智能体，是好员工，却是弱检查员。真正重要的检查应当来自不同的东西：写在代码里的规则、要么通过要么失败的测试，或者一个人。

我们自己产品中的关卡

如今 crue 的每一款产品都是这样运作的。在 Kontor 中，发送、付款和催款功能助手根本无法使用，这些由人来完成。在 Studio 中，助手起草网站的修改，每一次修改和每一次发布都由人批准。Lookout 在所有渠道上寻找、撰写和准备，对外发出的内容由人批准。在 Twin 中，每个角色的每项任务都有标记：自主完成、等待批准，或在没有把握时交给人。

下一阶段会移动关卡，但不会移除关卡。Twin 将端到端地运行完整的例行流程，比如月末结账、报价和入职引导，在企业选定的关卡处进行审批。Lookout 将在您的规则范围内运行完整的流程，从第一个信号到约好的会议。crue 已经在自己的 Twin 上运行，拥有 80 多项技能；只有当前阶段在实际工作中经受住了考验，首先是在我们自己的工作中，这条线才会移动。留给人的，是署着名字的那部分：与客户的对话、关键的判断，以及最后的那一声同意。

从哪里开始

Gartner 的建议与我们的很接近：需要做决策的地方用智能体，例行工作流用普通的自动化，简单查询用助手。很大一部分价值，就在于分清哪个场景该用哪一种。

挑选一项每周重复、有明确终点、产出的东西一个人一分钟就能检查完的例行工作。写下目标、智能体可以使用的工具，以及它必须停下的节点，并把这个停止点构建到工具里，而不只是写在提示词中。在任何东西离开企业之前设置关卡：发票、邮件、发布的页面。然后诚实地统计，有多少次草稿无需任何修改。

智能体还算不上同事。它们是速度快、不知疲倦的新手，对自己何时出错的感知时好时坏。给它一个清晰的目标、合适的工具，以及一道它无法靠说辞绕过的关卡，它就已经能为每周的工作分担一大块。