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 "。