AI原生企业如何将工作流转化为运营能力

OpenAI 最新发布的 Enterprise Signals 报告显示，企业 AI 正从辅助走向执行，但速度差异越来越明显。AI 使用率最高的前 10% 前沿企业，平均每个活跃用户生成的输出 token 数已是普通企业的 8.3 倍，而 1 月份这一数字仅为 2.6 倍。不断拉大的差距背后是运营模式的深层转变：领先企业将 AI 智能体接入公司上下文和工具，委派更实质性的工作，并让成功的工作流更容易复制。

对管理者而言，挑战在于将这种深度转化为员工可信、可衡量、可改进的工作。同时，要给实验留出空间，包括那些初次尝试时价值并不明显的用例。

创业公司 Basis、Clay 和 Exa Labs 已将智能体融入员工入职、客户管理和开发者生态增长。尽管工作流各不相同，但演进路径很有启发性：先教会智能体一个稳定流程，随着工作变化为其提供持续上下文，再让它把机会推进到经过检验的行动。这些案例展示了团队如何将智能体嵌入日常工作，并随着时间推移持续改进流程。

Basis：让入职流程可传授

入职流程一直让雇主和员工都感到繁琐。在专门为会计师事务所构建 AI 智能体的 Basis，新员工第一天的入职时间从两小时缩短到 30 分钟，让 HR 有更多时间关注文化建设和员工支持。

入职当天，新员工立即获得 Codex 权限和一套公司专属的入职技能（针对特定工作流的可复用指令和资源）。Codex 会欢迎新员工，介绍公司核心概念，并在后台操作电脑完成集成配置。当出现常见问题或异常时，HR 可以在下批员工入职前更新这套技能。

Basis 演示了一次入职流程，然后将其转化为可复用技能，包含明确的触发条件、固定步骤、所需工具以及清晰的“完成”定义。这一流程不再依赖某个人的时间，团队仍可介入处理异常或复杂问题。入职因此变得更一致、可重复、易改进，新员工也获得了与 AI 协作的即时范式。

Clay：为分散的工作提供持久基地

Clay 是一家为市场团队构建自学习营收引擎的公司，面临典型的销售挑战：关键交易信息分散在 CRM 记录、邮件、Slack、电话、演示文稿、短信以及内部团队和客户支持者的对话中。

为了保持信息同步，Clay 的一位市场工程师尝试了一种更好的方法：为每个客户建立一个持久工作区和专属子智能体。子智能体每晚检查一手来源并更新交易文件夹。每天早上，一个协调智能体会将她所有客户的更新汇总成一份优先行动清单，比如回答客户遗留问题、弥补采购委员会的信息空白，或给潜在客户一个重新接触的理由。

据 Clay 透露，这个工作流每晚为她节省约一小时的收件箱整理时间。每日优先事项帮助她坚持执行那些在漫长企业销售周期中不断积累的小动作。每条建议都附有支持证据，销售人员可以在行动前核查原始来源。企业也可以在现有客户权限允许范围内，将这种共享上下文扩展到客户经理、销售开发代表、解决方案工程师和销售主管。

Clay 的案例展示了动态工作规模化所需的要素：一致的结构、合理的刷新节奏、共享证据，以及在行动节点保留人的判断。

Exa：将机会推进到经过检验的行动

Exa Labs 为 AI 智能体构建网络搜索基础设施，希望让搜索 API 触达所有可能的开发者场景，团队称之为“Exa everywhere”。过去，实现这一目标需要开发者关系和客户团队监控代码仓库及整个生态，识别有潜力的集成机会，收集上下文并跨系统协调工作。机会虽各不相同，但从发现到实施的路径遵循固定顺序。Exa 将该顺序定义为 Codex 的明确工作流，包括清晰的优先级、必要的来源访问权限，以及一切上线前的人工审核。

现在，Codex 负责监控高优先级集成机会，收集相关上下文，创建 pull request，运行测试，并利用 Slack 和 Notion 等来源准备每周更新。在合适的时候，它还能起草下一步（包括初始公告）供团队审核。这个工作流将机会从信号推进为经过测试的成果物，同时减少了研究、工程和沟通之间的交接。

人仍然决定哪些机会重要、Exa 应该做出哪些承诺、以及如何管理外部关系。测试和审核节点让智能体的工作在交付前完全可见。测试结果和人工审核可以帮助团队在下一次运行前调整工作流。随着工作影响扩大，权限、证据和决策权成为工作流设计中更重要的部分。

三种模式，同一个逻辑

Basis、Clay 和 Exa 的实践，将 Enterprise Signals 中看到的规律转化为可操作的模式。Basis 把已验证的流程变成可复用技能；Clay 为智能体提供持续上下文，让动态工作保持更新；Exa 加入工具、测试和审核，让智能体在受控范围内执行。三家公司都把改进内置到工作流中：入职异常暴露技能需要优化的地方；新客户活动和销售验证让交易上下文保持最新；测试和人工审核为未来执行划定边界。每个案例都从具体工作出发，并留有足够的试验空间。分工在使用中越来越清晰，责任随工作流被验证而逐步扩大。

现在就开始实验的六个步骤

在前沿差距不断拉大的背景下，企业管理者需要给员工空间去测试重要工作流、衡量成功，并将最有效的实验转化为可重复的实践。

• 选择一个重要的价值场景。 从一个端到端的工作流开始，让战略优先级、系统、交接、控制和可衡量的成果交汇。它应该频繁到足以学习，重要到值得重新设计。
• 明确结果和衡量标准。 确定负责人、KPI、基线和护栏。通过完成任务、连接上下文和工具、异常以及审核量来追踪深度；通过周期时间、质量、成本、收入或风险来追踪价值。
• 编写智能体的岗位描述。 定义触发条件、预期结果、所需上下文、工具、权限，以及智能体应多持续地工作。明确它必须提供什么证据、在何处停下等待人工审核。
• 围绕智能体构建人类系统。 让最接近工作流的人参与设计。指定谁负责业务结果、领域逻辑、访问控制、采纳和日常使用。创业公司将这些职责集中到少数人身上，而企业则需要随着工作流扩展明确决策权。
• 让实验可见且可复用。 OpenAI 研究发现，采用 AI 六个月后，早期职业员工每周比高管多发 13 条信息。给员工空间试验新用例，捕捉有效过程并打包成技能、插件或共享工作区。Chat、Work 和 Codex 支持不同模式：Chat 用于提问和快速协作，Work 用于多步骤知识工作和完整交付物，Codex 用于技术执行。
• 延续可运作的模式。 保留有效的上下文、权限、评估、审核点、负责人、指标和赋能方式，并应用到下一个价值场景。每个新实验都应让下一个团队有更好的起点。