模型能力决定Agent能划多快空头结构，企业上下文和基础设施决定它能否上船，人的判断、责任与野心则决定船开往哪里。
如果聊天是AI产品的第一个时代，Agent是第二个时代，那么第三个时代可能是什么？
OpenAI Codex与ChatGPT Work产品负责人Tara Seshan给出的答案是：一个能够长期工作、与你反复协作的AI同事。
在8月30日上线的一期Lenny’s Podcast中，Seshan谈到，AI正在把知识工作从“划桨”变成“掌舵”：Agent承担越来越多执行，人负责设定方向、判断结果和修正航线。等执行能力变得普遍，真正拉开人与企业差距的，将不再是“能不能做”，而是判断力、品位和野心。
这不是OpenAI正式发布的产品路线图，而是一位身处前沿产品一线的负责人对未来工作方式的判断。更值得追问的是：编程Agent为什么开始进入知识工作，企业为什么不能只采购一个聊天入口，以及AI越能干，管理者为什么反而越重要。
AI同事与聊天机器人的区别
股票配资在线Seshan把AI产品分成三个阶段：第一阶段是聊天，第二阶段是与Agent合作，接下来则是“持续工作的AI同事”。
聊天机器人的典型交互是一次提问、一次回答；Agent可以围绕目标连续执行；AI同事则更像团队成员：它先独立工作一段时间，人提供反馈，它再继续推进，双方按不同节奏查看进行中的工作并同步。Seshan称之为“让Agent继续做菜”（let the agent cook），人不必规定每一步，而是在更高抽象层级上提供方向。
这种关系还要从“一人一Agent”走向多人协作。今天，OpenAI内部员工有时会在Slack里互发Codex线程截图，解释某个数字是怎样得出的。但截图并不是自然的协作界面。未来需要解决的是：我的Agent完成分析后，能否让同事的Agent检查，并把人和多个Agent放进同一项工作，而不是形成彼此隔离的个人自动化。
不过，持续工作并不只取决于模型更聪明。Seshan用了一个直观比喻：把一名新同事锁在房间里，不给他Google Docs、Slack和公司数据库，再聪明也没有用。云端Agent同样需要企业数据、第三方系统、云基础设施和可靠性保障。所谓“AI同事”，首先是一套获得适当上下文、权限和工具的工作环境。
从划桨到掌舵，人的工作向上移动
“划桨”是亲自完成具体任务，“掌舵”是决定船往哪里走，并根据反馈调整方向。
Seshan认为，Agent承担的循环会越来越长，人的控制点则会从补全一行代码，上移到交付物、目标乃至更高层级。但掌舵并不等于只写一句目标后等待结果。数据可以提供方向，很多关键选择仍依赖人的判断、直觉和对未来的主动设想：不是因为另一条路不可行，而是人希望产品和世界成为某种样子。
她把软件比作电影，而不是房地产。房地产投入更多资本，往往能对应更多资产；电影预算再高，也不保证作品成功。软件同样需要作者表达、取舍和品位。当每家公司都能调用相似的模型和Agent，工具本身趋于同质化，人的“主张”反而成为差异。
这对企业的影响，不只是岗位少做多少执行工作，而是绩效与组织分工需要改变。过去奖励熟练完成任务的人，未来还要识别谁能提出更好的问题、设定更高质量的目标、判断Agent何时偏航，并对最终结果负责。
执行变便宜之后，野心成为新瓶颈
Seshan观察到，最有效的AI使用者并不只是自动化重复劳动，而是扩大自己能够尝试的事情。过去，同时懂产品、设计和工程的人是少见的“独角兽”；现在，一个人可以快速生成设计、构建原型、推演定价模型和不同场景，过去超出能力范围的工作开始进入个人射程。
因此，约束从执行能力转向“能否想得更大”。她建议管理者不断追问：有没有更有野心的版本？能否更快尝试？能否把规模扩大10倍？在她看来，提升团队成员的野心，正在成为产品经理的重要工作。
OpenAI内部的几句流行语很能说明这种文化：“这已经最大化加速了吗？”（Is this maximally accelerated?），“你把它当主线工具全天使用了吗？”（Are you mainlining it yet?）。前一句追问速度，后一句要求产品团队高强度使用自己的产品，用真实工作缩短反馈循环。
更激进的是产品规划。Seshan称，为今天的模型能力设计会失败，为一年后的想象设计也会失败；OpenAI试图瞄准两三个月后的模型能力。产品团队需要紧贴研究路线，同时“让开位置”，避免用旧模型时代的产品结构限制新能力。
这套方法适合前沿模型厂，却不能被普通企业原样照搬。两三个月窗口依赖研发与模型团队之间的内部信息；“野心成为瓶颈”也是厂商负责人的判断，而非经过量化验证的普遍规律。企业更可借鉴的是：少在模型即将内化的临时限制上重投入，把资源放在自身流程、数据、权限和业务验收上。
ChatGPT Work为什么“藏着”Codex
这期访谈还解释了OpenAI把编程Agent推向知识工作的产品思路。
按Seshan的介绍，ChatGPT的Work模式底层使用Codex的执行能力，但移除了工作树等偏编程界面。用户可以让它构建复杂财务模型等知识工作任务；如果在Codex中提出同一任务，能力并不会更弱，差异主要在执行过程中向用户展示什么界面和技术细节。
OpenAI的理想状态，是用户不再理解Chat、Work、Codex、模型和Harness之间的区别。人只描述任务，系统自动选择合适的模型与执行框架。现在的多个入口，是产品从聊天向Agent迁移时的过渡形态。
真正困难之处，是知识工作不能照搬编程Agent的验收方式。代码能否通过测试，往往可以从输出判断；一份战略报告或财务分析即使看起来完整，也不能仅凭最终文件认定“90%正确”。用户还需要看过程、输入、引用和中间工作，理解结论如何形成。
因此，知识工作Agent不能只交付答案，还要让人参与形成答案的旅程：看到使用了哪些资料、引用是否支持结论、关键假设如何变化、哪里需要人工判断。对于B端产品，这意味着可追溯、过程协作和业务验收不是附加功能，而是从Coding Agent进入企业核心工作流的门槛。
企业要提供的，不只是一个账号
持续工作的AI同事进入企业，至少需要四类条件。
首先是上下文。它能否在权限范围内理解文档、邮件、会议和业务数据，而不是每次让员工重新搬运背景。其次是行动能力：调用哪些系统、以谁的身份操作、写入失败后怎样回滚。第三是协作机制：人什么时候检查，Agent什么时候暂停，其他员工和Agent怎样接手。最后是责任：输出质量由谁验收，高风险决定由谁批准。
这也会改变B端AI供应商的竞争位置。模型负责提供通用能力，真正难复制的价值将更多落在连接器、身份权限、企业上下文、长任务可靠性、过程证据和团队协作。一个“什么都能演示”的Agent，不一定比一个能稳定进入具体流程、接受审计和人工接管的Agent更有价值。
企业选型时，也不应只测试它一次能做出多漂亮的结果。更有效的方法是选取真实历史任务，让产品在真实权限、数据冲突和异常条件下运行，记录端到端完成率、人工介入、引用可追溯性、失败恢复和合格任务成本。AI同事的价值，不在于从不需要人，而在于人能否以更少的操作掌握更大的工作范围。
不能外包的，是“用于思考的写作”
当Agent接管执行，Seshan仍给自己保留了一块明确的人工区域：用于思考的写作。
她把写作分成两类。周报、状态同步和格式转换属于“作为汇报的写作”，可以尽量交给模型；产品方向、战略判断和有争议的观点属于“作为思考的写作”，她坚持自己完成，因为列提纲、写成文字、删改和接受他人攻击，本身就是把想法想清楚的过程。
她概括自己的用法是：“由自己开始，也由自己结束。”AI可以在中间帮助研究、补充数据或挑战观点，但不替她生成第一版结论。与此同时，OpenAI内部的共享成果正从“文档”转向“原型和结果”——mocks, not docs；prototypes, not docs。长文档已经可以轻易生成，不再天然代表思考深度，可交互的原型和实验结果更能推动决策。
这恰好构成AI时代工作的两面：执行交给Agent，判断不能因此萎缩；汇报可以自动化，形成观点的过程仍需保留。否则，企业可能得到更多文件，却失去真正能够掌舵的人。
第三时代真正考验的是组织
“持续工作的AI同事”目前仍是Seshan描述的演进方向，而不是已经成熟交付的统一产品。ChatGPT Work、Codex和多Agent协作仍处于产品整合与交互探索中。
元股证券:ygzq.hk
但方向已经足够清楚：AI产品正在从回答问题，走向执行任务，再走向长期参与工作。模型能力决定它能划多快，企业上下文和基础设施决定它能否上船，人的判断、责任与野心则决定船开往哪里。
AI第三时代的关键，不是企业拥有多少Agent，而是能否建立一种新的协作方式：让AI持续工作，让人真正掌舵。
本文来自微信公众号「AI原生Lab」，持续拆解真实AI落地案例，分享企业AI实践与方法论。
]article_adlist-->市场有风险，投资需谨慎。本文不构成个人投资建议，也未考虑到个别用户特殊的投资目标、财务状况或需要。用户应考虑本文中的任何意见、观点或结论是否符合其特定状况。据此投资空头结构，责任自负。
优选实盘网提示：本文来自互联网，不代表本网站观点。
