我们已经习惯了用类比来描述眼下这场新工业革命。比如把AI比作蒸汽机或发电机。这个类比自然恰当,但我感觉并不完整。
因为蒸汽机进入工厂之后,改变的不只是机器的转速,还有工厂的组织方式和生产方式。于是,泰勒在1911年出版的《科学管理原理》成了现代管理学的奠基之作。这本书的主旨就是用科学化、标准化的管理方法代替传统的经验管理,以实现劳动生产率的最大化。这套体系被认为是第二次工业革命的必然产物。
今年春节过后,一波Agent热潮之后,Agent落地越来越多,“数字员工”在企业中的占比也越来越高,这也就意味着同一类管理科学问题正在回归。记得黄仁勋在CES 2025上有过一个判断:“技术部门将成为数字劳动力的人力资源部门,以后我们会有生物劳动力和数字劳动力。”这个新人力资源部门,显然,需要新的体系和工具。
FORCE原动力大会期间,我专访了火山引擎副总裁张鑫。他的团队这次发布了一系列Agent产品升级,贯穿其中的理念正是:把Agent当员工来经营。张鑫称之为数字员工的经营体系。
管理领域有一句话叫:你衡量什么,你得到什么。所以,我们先从衡量谈起。
张鑫提到一个调研中的发现:“有企业Agent做得很多,但看token调用量微乎其微,好多属于日抛型Agent,DAU甚至小于等于1。”
日抛型Agent是问题的一面:建了但没人用。另一面同样棘手:有些Agent确实在大量运行,token预算越来越高,但CEO同样说不清这笔投入带来了多少回报。两种情况背后是同一种缺失:企业缺乏衡量Agent价值的手段,进一步投入AI预算也就有了顾虑。
要补上这个缺失,需要先理解企业Agent为什么比个人Agent难这么多。这也是我最先问张鑫的问题。
*一套系统,如何匹配全球业务的复杂度*
日抛型Agent是一个行业性现象,其中有一个客观背景:OpenClaw龙虾一波热潮之后,过去一年Agent的构建门槛急剧降低。以OpenClaw为标志,vibe coding让零代码配置Agent成为现实。
但是为个人造Agent和为企业造Agent是两码事。
深层的原因在于企业场景本身的复杂度。个人使用AI工具提效,路径很清晰,一个人、一个清晰目标、一堆自己完全有权限的上下文。张鑫说,个人场景下的Agent之所以好用,“本质上就是因为从生产到验证,流程中只有一个人”。
但企业就完全不同了。
“企业中的Agent面对的是一群人,还往往叠加着,一个不那么清晰、甚至需要跨团队去协同制定的目标;一堆陈旧的系统;甚至是从来没有被写出来的隐性规则和知识。”他举了个例子:你去问销售团队“把你Top Sales的最佳卖点告诉我,你是怎么一步一步做的”,这个东西没有人讲清楚过,更不会有人沉淀到文档里。
这引出了张鑫提出的一对关键区分:AI驱动的超级个体和企业的数字员工。超级个体的优势是敏捷,个人拿着工具就能跑。但问题也明显:“员工的流动和流失,也就带走了业务的上下文。”知识跟着人走,不跟着组织走。
这也让我想起微软CEO纳德拉前几天的一场播客,他也把这件事上升到了企业竞争力的高度。他提出“人力资本”和“Token资本”两个概念,核心观点是: “你可以外包一项任务,甚至一份工作,但永远不能外包你的(知识)学习。”
把超级个体的知识转化成组织可沉淀的资产,这是数字员工区别于个人助手的核心要求。但采集知识的方式如果出了偏差,后果同样严重。
这个月有一个刷屏级的AI事件:今年4月起,Meta在美国员工的电脑上安装追踪软件,记录键盘敲击、鼠标移动和屏幕截图来训练AI,超过1500名员工签署了抗议请愿书,Meta CTO Andrew Bosworth承认员工士气“接近20年来最差”。
我想其实这是一个非常简单的心理学机制,对于员工来说,“我把知识贡献出来,会不会被取代?”
彼得·德鲁克1959年提出“知识工人”概念时就观察到:知识工人和体力劳动者需要完全不同的管理方式。体力劳动者可以通过计件和监控来管理,知识工人只能通过设定目标和赋予自主性来激发。监控一个知识工人的键盘敲击,和在流水线上计件是同一种思维。
张鑫在落地实践中的心得和德鲁克方向一致:首先不要上来就向业务人员索取,“先用当前Agent能达到的程度,帮他解决重复繁琐的工作,让他先尝到甜头”。其次,要让知识贡献和个人回报可见可衡量,“你孵化出四个数字员工,它们产出越多,归因到你身上的也越多”。
关键词是归因:人贡献经验形成skills,Agent基于skills产出价值,价值可追溯归因到人。人从执行者升级为Agent的优化者和管理者。
我在采访中做了一个总结:“企业主和员工之间要互相给安全感,老板要给员工安全感,员工要给老板安全感。”
*CEO的真实痛点*
企业Agent落地的…