OpenAI 最近发布的《How agents are transforming work》，值得每一位企业管理者认真阅读。

这篇文章说，在 OpenAI 内几乎所有部门，Codex 已经是最主要的 AI 工作工具。从工程团队率先采用，但真正值得关注的是法律、财务、招聘这些非技术部门。这两个月从经常使用 ChatGPT 过渡到了 Codex，而且，业务用户的增长速度甚至超过了开发者。

Agentic AI 的价值，正在从写代码，延伸到各个领域的真实工作。

回顾我过去几年 AI 应用的经历，以前大模型能力、Agent 工具智能程度更低，但企业 AI 落地的本质问题当时就已经在那里了。困难的不是让模型回答问题，而是让 AI 进入真实的业务环境：理解上下文，完成可追溯、可追责的工作。

一、企业落地 AI，首要问题不是模型有多强，而是业务系统能不能打通

很多人讨论 AI 落地时，习惯先问：模型聪明吗？参数多不多？推理能力强不强？

但在真实的企业环境里，这往往不是第一优先级。

真正的问题是：你的业务系统能否对接？ 合同、案件是否可被安全读取？订单、供应商数据能否被检索？这些业务数据能否在合规的前提下，被 Agent 准确地调取？

模型可以帮你总结一份文档、生成一份报告，但如果无法真正融入业务流程就难以发挥威力。它不知道当前用户有没有权限查看某个案件，不清楚合同审批流转到了哪一步，更多的不知道最终就成了一个带智能的聊天工具而已。

在我过去在构建和落地 AI 过程中最深的感触是：企业 AI 不是把 ChatGPT 搬进公司，而是将 AI 接入企业的“神经系统”。一个由数据、流程等等共同构成的领域。

以全球法务场景为例，AI 不能只会“回答法律问题”，它必须能理解案件背景，了解案件所在区域、内外部是否有历史相似案例等等，它还要知道哪些内容可以给业务人员看，哪些需要脱敏，哪些必须保留引用来源。

全球物流场景同样如此。AI 的核心价值不是解释问题，而是从处理跨国家、跨语言、跨法规的风险开始，要能自动翻译订单、合同相关沟通内容，还需要识别不同国家地区的敏感信息、合规禁区与表达误差，更大的需求是提前预警潜在清关、制裁、隐私或客户承诺风险。

这是企业 AI 的真实落脚点。不是单点智能，而是系统能力。

二、Agent 要进入企业核心，必须解决好身份、权限、安全与合规

OpenAI 指出，Agent 正在改变知识工作：过去是单次问答交互，现在是长周期任务。过去是一问一答，而 Codex 现在可以自主运行数分钟甚至数小时，直至完成任务。

在企业内部，Agent 的身份与权限不是附加功能，而是基础设施。真正可用的企业 AI，至少需要处理好这些：

用户身份：Agent 必须知道“谁在使用”。不同职级、地区、部门等可访问的数据截然不同。

Agent 自己的身份：不能只是一个匿名的模型调用。有的 Agent 只能读取，有的可以发起审批，有的只能生成建议。

工具权限：必须严格遵循各系统既有的权限规则，而不是绕过企业已有的安全模型。

除了这些，还需要完整的审计日志，很多跨境业务的公司还需要满足全球合规、隐私保护等等。这些都可能决定 Agent 能否投产。

正因如此，企业 Agent 真正的难点，不仅仅在于提示词是否精妙，也不仅在于有没有挂载一套知识库，而在于能否将 AI 纳入企业的整体治理体系。这也是为什么许多 Demo 看上去惊艳，却始终无法上线。在生产系统里，AI 的每一次动作，都处在责任链之中。

三、AI 竞争焦点已经转移：不仅是比谁的模型更聪明，而是比谁组合得更好

过去两年，大家都在在进行模型竞争。谁的推理更强、上下文窗口更长谁就占据优势。

现在呢？模型能力当然至关重要，它是基石。但当模型跨过可用性门槛之后，企业竞争的关键就会迅速转向另一个维度：谁能把私有上下文、信息检索、工作流、安全治理等在内部业务系统中组合得最好。

所以这篇论文中提到的 Codex 使用数据也印证了这一点。AI 的价值，并不只是模型会写代码，而是它能在真实的业务环境里运行。理解代码库、不断迭代、处理长周期任务。换言之，它不只是“回答器”，更是要能干具体的活。

真正有价值的 AI 系统，通常并非一个孤立模型，而是一组能力的组合体：

上下文：了解企业自身的客户、流程、制度、项目、历史案例和业务规则。

检索能力：能从海量的文档、记录、工单、邮件、合同和数据库中精准提取相关信息。

工具调用：能够进入真实系统完成查询、校验、生成、提交和主动提醒。

治理能力：知道哪些动作需要审批，哪些回答必须注明出处，哪些场景必须保守，哪些数据必须脱敏。

协作能力：在人、系统、AI 之间形成可控的协同流程。

这就是为什么企业 AI 的护城河，不局限于模型本身，也在于上下文工程、业务流程重构以及使用习惯的培养。同样的模型，在不同的企业里，效果会天差地别。在数据混乱、系统割裂的公司，AI 很容易沦为问答框；而在知识中台、数字化程度较高的企业，AI 才有可能变成真正的生产力系统。

很多项目表面上是在做大模型，实际上是在偿还过去十几年数字化欠下的债。企业 AI 的关键，不是把模型接进来就结束，而是把混乱的业务逐步重构成 AI 可理解、可执行、可治理的数字化系统。

四、OpenAI 的应用经验：真正的生产力飞跃，不是替代一个环节，而是重构工作流

OpenAI 文章中给出了一个有趣的指标：当模型真正可用之后，工作日的负载会远超周末。

这个指标说明 AI 不再只是个人兴趣、学习探索或效率工具，而是开始进入组织的真实工作节奏。员工在处理任务，部门在推进流程，团队在交付结果时，都开始把 Agent 当作工作系统的一部分。

企业 AI 落地，如果只是替代现有流程中的某一个单点环节，它带来的提升往往是有限的。

比如，过去法务人工审查合同，物流运营人工翻译跨国沟通内容，业务团队人工统计数据、分析报表，现在 AI 都能显著提效。这提效些当然能节省时间，但本质上只是把旧流程中的某一步变快了。但其协作方式没有变，组织的生产力上限也不会真正改变。

真正的生产力飞跃，还需要重新设计工作流。

以法务为例，AI 不仅仅是查询内外部合同案例，而且参与从合同案件、风险识别，从内外相似案例检索、到引入外部律师和业务反馈，AI 的参与不仅是多了一些信息，而是在赋能于人。人成了负责判断高风险问题、确认责任边界和做最终决策的。

以全球物流为例，AI 不应该只是翻译邮件或处理风险特例，而应该把订单、报关、物流，以及跨国合规要求放在同一系统里，自动识别异常类型，判断风险等级，提示责任方，形成人审核的处理建议。

这才是 Agent 进入企业后的真正变化。它不是简单减少某个人的工作量，而是重新划分人、AI 和系统之间的职责边界。

这也是这一篇论文最值得关注的地方。它证明的不是某个工具有多强，而是 Agent 一旦进入真实工作场景，就会让企业开始重新思考工作本身。

AI 替代一个环节，只会带来局部效率提升；AI 重构一个领域内的完整流程，才可能带来组织级生产力飞跃。真正困难的不是让 AI 做快某一步，而是让企业重新设计流程、重新分配职责、沉淀知识，从而逐步形成可治理、可扩展的智能系统。

五、当 AI 进入企业内部后，工作的边界势必被影响

AI 让越来越多的人具备了处理复杂信息、自动化流程和跨边界执行任务的可能。但它改变的不仅只是个人的效率，还会涉及到工作的分工方式。

过去，组织里的很多岗位是按职能划分的：法务负责合同，物流负责订单，财务负责数据，工程负责系统，管理者负责汇报与决策。每个部门守着自己的流程和经验，协作依赖会议、邮件、表格和人工推动。

但 Agent 进入之后，这种边界会开始松动。

AI 可以理解内容、生成初步判断，协调多个系统之间的信息。而有许多员工价值会从“处理信息”转向“定义目标、判断例外、确认责任和优化流程”。

法务不再只是写法律意见，而是管理风险判断；物流不再只是处理异常订单，而是管理跨系统协同；管理者也不再只是看汇报，而是设计哪些判断可以自动化，哪些责任必须由人承担，哪些经验应该沉淀为组织能力。

这些问题，决定了 AI 是停留在效率工具，还是成为组织级生产力系统。

真正的变化不是“一个人用 AI 做得更快”，而是企业开始落地 AI 并且开始重新划分任务、判断、责任和协作方式。

六、关键的经验：企业内 AI 的本质，是组织运行方式升级

从 OpenAI Codex 的内部实践，到我过去参与全球法务、全球物流和知识中台等等十来年 AI 产品、项目建设的经历，都指向同一个结论：AI 的下一阶段，不是单点工具，而是进入企业核心流程的智能工作层。

真正的 AI 落地，不是把模型接进来，而是重构成 Agent 可以理解、可以执行、可以审计的生产系统。这，就是未来企业核心的竞争力。

当然，这也是为什么很多企业 AI 项目看起来在做模型，实际上是在补数字化的旧账。文档没有结构，数据没有口径，流程没有沉淀，系统彼此割裂，业务经验还只存在于少数人的脑子里。

所以，每一家企业自己的上下文、流程、知识经验和组织协作方式，不会自动生长出来。这些才是企业 AI 最难复制的部分，也会成为新的竞争壁垒。

因此，企业 AI 不是一次工具采购，而是一次操作系统升级。

它要求企业重新设计数据如何流动，任务如何分配，责任如何记录，系统如何重构。当系统完成了这些，AI 才能从一个更聪明的聊天框，变成一个真正嵌入业务的生产力基础设施。

真正的企业级 AI，是能不能在真实系统、真实流程中持续运行。

这，才是 AI 从“好用”走向“有用”，从个人工具走向企业生产力基础设施的关键一步。