文 | Alter

谈到AI与职场的关系，很多人最先想到的往往是程序员。

Codex、Claude Code、Cursor等工具，深度改变了代码生产方式。原本需要程序员一行行敲出来的代码，变成了一句需求，剩余工作交给AI自动生成、修改、测试乃至提交。

但OpenAI最近对Codex的更新，向外界释放了一个关键信号。

OpenAI发布了六款面向特定职业场景的插件，包括数据分析、创意生产、销售、产品设计、股权投资和投资银行业务，每个插件都整合了相关技能、指令和工作流程，让Codex能够模拟特定岗位的工作方式。

原因并不难解释。

在Codex的周活跃用户中，知识型工作者目前已占用户总数的约20%，且增速是开发者群体的三倍以上。

不只是OpenAI，Claude Cowork以及Kimi最近推出的Kimi Work，也把本地文件、网页、代码执行、工作空间、任务进度和Skills放在了同一个桌面应用里，将目标用户从开发人员扩大到了知识工作者。

一场事关职场人的隐形分化已然拉开序幕：有人还在问AI助手，有人已经开始指挥Agent团队完成复杂任务。

01 职场人用AI的三个段位，你在第几层？

过去判断一个人的职场竞争力，主要看三个指标：学历、履历和岗位。

毕业于什么学校，进过什么公司，负责过什么业务，基本就能确定一个人的能力画像。但在AI进入工作流后，评价体系中加入了一个新的变量——和AI的协作方式。

对应的不是使用习惯，而是生产关系。

第一类职场人，把AI当作“更聪明的搜索引擎”。

“这个概念是什么意思？”“帮我查一下资料”“这段话怎么写得更正式？”“帮我总结一下这篇文章”……AI进一步降低了信息获取门槛，缩短了搜索、筛选、整理的工作流程。

问题在于，生产力仍然停留在“获取答案”的层面。

提出一个问题，AI返回一段内容；提出下一个问题，AI再返回下一段内容。整个过程看似高效，本质上还是一问一答。AI扮演的是外部知识库，而不是工作执行者，解决的是“我不知道什么”，而非“我要完成什么”。

第二类职场人，把AI当成“外脑”和“陪练”。

不只是问资料，还会让AI帮自己梳理逻辑、搭建框架、生成方案、修改表达、分析利弊，甚至辅助写代码、做推演、找漏洞。到了这个阶段，AI已经不是纯粹的信息检索工具，开始参与思考过程。

依然有一个瓶颈：AI并未真正接管工作流。

AI提供的是素材、框架和建议，最终的推进仍然高度依赖人，要不断追问、修正、复制、粘贴、整合、排版、转格式。AI提供了多个思考视角，让某些环节变快了，但没有改变整个任务的组织方式。

第三类职场人，开始把AI当成“可调度的执行团队”。

最鲜明的差别是提问方式，不是“帮我写一段竞品分析”，而是“基于这些资料，完成一份新能源汽车出海竞品研究，输出一份Word深度报告、一张Excel竞品对比表、一份15页PPT，以及一页纸管理层摘要。”

得到的不止答案、建议和素材，还有可交付的结果。

区别在于对AI能力的认知：过去两年里，大模型的能力集中在“回答”，到了2026年中，“交付”已经是模型能力的现在进行时。直接的例子就是近期备受讨论的Kimi Work，直接把Agent集群的能力提高到调用300个Agent同时干活，比如调研Agent、数据分析Agent、产品Agent、美术Agent等等，协同完成用户指定的任务。

相当长的一段时间里，使用AI的要领都是提示词。

但Agent集群出现之后，Prompt只是入口，真正重要的是任务管理能力。从简单使用工具，到管理一个Agent团队，职场人的能力评价体系正在从“会不会写提示词”，迅速拉大到“会不会拆解任务、分配任务、验收结果”。

02 告别一问一答，让Agent团队自主协作

对职场人而言，学会指挥Agent团队，已经是一道必选题。

在对话阶段，人和AI的关系很简单：你问一句，它答一句；你补一个要求，它改一版；你发现不满意，再继续追问。整个过程看似是AI在帮你工作，但底层仍然是串行的，也是很多人没有感受到“十倍生产力”的原因。

因为AI提升了单点效率，却没有重构工作流程，很多人仍然被锁在了繁琐且低效的工作链条里。

同样是“完成一份AI产业链投资机会研究”。

如果是豆包或DeepSeek，需要先让它“总结AI产业链主要环节”，再“列出核心公司”，接着“分析商业模式”，然后“整理估值指标”。需要自己判断哪些能用，哪些要删，哪些要改，最后再拼成报告、表格和PPT。

OpenClaw代表的单Agent产品，可以在一定程度上自主规划步骤。但在多数情况下，只是一个能力很强的个人助理：先做任务1，再做任务2，再做任务3。一旦任务比较复杂，串行模式的瓶颈就会暴露出来。

一是注意力被拉长。任务链条越长，越容易出现前后口径不一致、早期设定被遗忘、细节在后半程丢失的问题。

二是能力会被平均化。一个Agent既要做调研、做数据、写报告，还要排版，很容易变成“什么都能做一点，但每个环节都不够专注”。

三是容错能力偏弱。前面某一步判断错了，后面的分析、表格和PPT都可能被带偏；中间某个环节失败，整个交付质量都会受到影响。

Codex、Kimi Work等桌面端应用，弥补了单Agent的短板。

以Kimi Work的Agent集群为例，执行逻辑不是把一个Agent训练成无所不能的“超级员工”，而是把一个复杂任务自动拆成多个子任务，让不同专长的Agent并行处理。

某种程度上说，多Agent协同更符合人类社会的协作。就像一个公司做项目，不会让一个人同时负责行业研究、数据分析、产品判断、视觉设计、汇报撰写和最终审核。

回到“AI产业链投资机会研究”的任务上，Agent集群的工作模式是多个Agent同时开工：

调研Agent负责产业链结构和政策背景；

数据分析Agent负责公司收入、毛利率、估值、研发投入；

产品Agent负责业务布局和竞争格局；

写作Agent负责报告结构和观点表达；

美术Agent负责 PPT 版式和信息呈现；

校验Agent负责交叉检查数据、事实和逻辑漏洞。

可以理解为一种“分布式群体智能”，有分工、有协作、有并行、有复核，即使某个Agent出了错，也可以在校验阶段提前发现，避免污染整个报告的可信度。特别是大体量、长流程、多产物的任务，输出的是可交付的结果，对效率的提升是指数级的。

03 时代变了，学会适应“指挥官”的角色

可能很多人已经开始焦虑：“我的价值会被Agent集群替代吗？”

Vibe Coding流行时，程序员们有过同样的困扰；时间已经证明：正确的做法不是和AI比赛写代码，曾经熬夜写代码的人，变成了定义需求、拆解模块、审查架构、把控质量的人。

相似的一幕，正在知识工作者的身上重演。

Codex、Kimi Work等产品，将多Agent协作、自动化工作流、工具调用等原本属于技术团队的“特权”，用一个即装即用的客户端还给了每一个普通职场人，让Vibe Working成为新的工作范式，即用自然语言让Agent去查资料、做表格、写文档、出PPT、做校验。

表面上看，是效率的跃升；再深一层，是个人生产力的组织化。

过去，一个职场人的产出上限，基本由自己的时间、经验和精力决定。一天只有24小时，精力再旺盛，也不可能同时做调研、清数据、写报告、改PPT、查错漏、做复盘。

有300个Agent可以被调度时，查资料、改格式、写初稿、整理表格、生成PPT等工作可交给Agent，让自己的精力集中在任务的决策上，“多快好省”的完成更有价值的工作。

一句话概括，Agent时代的职场人，需要学会的是拆任务、派任务、验收结果，而非无效内卷。

先说拆任务。

比如做一份“新能源汽车出海竞品研究”，可以拆成市场背景、主要玩家、产品定位、价格体系、渠道策略、用户反馈、风险因素、机会判断、Excel对比表、PPT汇报稿等几个部分。

也就是职场里常说的MECE原则，拆得越清楚，Agent之间越容易分工；任务边界越明确，最终交付越不容易混乱。

再说派任务。

交付物越多，越需要提前定义标准，社交媒体上被提及最多的窍门是“上下文高墙”和“格式铁律”，前者让Agent知道它在什么业务场景里工作，避免泛泛而谈；后者让Agent知道最终要交付什么，避免只输出一堆看似完整、实际无法使用的内容。

最后是验收结果。

数据有没有来源？逻辑有没有跳跃？风险有没有遗漏？PPT的每一页是不是只表达一个核心信息？报告里的结论，能不能经得起老板或客户追问？都需要人来把关。

比较成熟的做法是，把验收也作为工作流的一部分：比如一个Agent负责生成报告，另一个Agent负责挑逻辑漏洞；一个Agent负责整理数据，另一个Agent负责检查字段缺失；一个 Agent负责写PPT大纲，另一个Agent模拟老板或客户提出质疑……

做一个总结的话，未来有竞争力的职场人，不是和300个Agent抢活干，而是学会从执行者，变成指挥官。

04 写在最后

职场人的隐形分化，本质上是工作范式的分化。

无论是向知识工作平台演进的Codex，还是将300个Agent带进办公场景的Kimi Work，一个清晰的趋势已经浮现：AI正在从回答问题，走向完成任务；从聊天窗口，变成一套可调度的生产力系统。

未来职场最现实的出路——学会指挥Agent执行，让AI成为自己的“手和脚”。