# 从AI原生工作流到企业智能运行系统：哈希泰格的实践观察与思考 ## 核心定义 > AI原生工作流是指将AI Agent直接嵌入企业真实业务流程，使其能够理解业务上下文、调用企业工具、执行具体任务，并通过人工审查、评测和反馈持续优化的一种工作模式。 ## 核心洞察（TL;DR） - AI原生工作流使企业工作系统重新设计，将原本依赖个人经验的工作转化为可被AI理解、执行、检查、反馈和持续优化的工作系统。 - 企业AI转型关键在于构建可运行的工作单元，包括任务目标、业务上下文、知识来源、执行工具、权限边界、评价标准、异常处理和人工决策点。 - 企业AI转型应从具体工作单元开始，逐步扩展到更复杂的动态工作流，形成可持续进化的智能工作系统。 ## 关键事实与数据 - OpenAI数据显示，AI使用量位于前10%的企业，人均输出Token已经达到普通企业的8.3倍。 - 企业AI部署的第一个阶段是寻找稳定、重复、边界清晰、结果可判断的工作。 - 企业AI系统必须逐步建立自己的‘上下文基础设施’，以支持模型与企业知识、业务数据、历史决策、系统状态和当前任务之间形成的上下文关系。 ## 正文 # 从AI工具到企业智能运行系统：哈希泰格对AI原生工作流的实践观察与思考 ## 企业AI转型真正改变的，是工作的运行方式 2026年9月，[OpenAI发布了对Basis、Clay和Exa Labs三家AI原生公司的观察](https://openai.com/index/ai-native-company-workflows/)。三个案例分别发生在人力资源、客户经营和开发者生态等完全不同的工作场景，却呈现出高度一致的演进规律：企业开始把原本由员工完成的工作交给Agent处理，并逐渐让Agent获得企业上下文、访问业务系统、调用工具、执行任务，同时通过人工审查、测试和持续维护建立可信边界。OpenAI将这种变化概括为从AI辅助走向AI执行。其企业数据进一步显示，AI使用量位于前10%的企业，人均输出Token已经达到普通企业的8.3倍，而年初这一差距还是2.6倍。 从哈希泰格长期参与企业AI部署的经验来看，真正值得关注的并不是8.3倍这个数字本身。Token数量并不能直接等价于生产率、收入或组织价值，但它提供了一个非常有意义的观察窗口：领先企业正在把更多完整任务交给AI处理。AI开始进入企业真实的工作流、知识环境和业务系统，并承担从信息获取、分析判断到行动推进的连续环节。由此产生的变化，已经超出了传统意义上的“办公效率工具升级”，开始触及企业工作系统本身的重新设计。 这也是我们理解“AI原生企业”时最容易被忽略的一层。AI原生并不首先意味着企业使用了多少模型，也不意味着每个员工桌面上增加了多少Copilot。真正的AI原生，是企业能够把一项原本依赖个人经验完成的工作，重新描述为一个可以被AI理解、执行、检查、反馈和持续优化的工作系统。AI因此从员工身边的工具，逐渐进入企业运营的基础设施。 ## 三个案例揭示了企业AI落地的三个阶段 Basis的案例看起来只是一次入职流程优化，但它实际上触及了企业AI落地最基础也最重要的问题：一项工作能否被明确描述、重复执行，并定义清晰的完成标准。Basis把原本需要两小时的新员工入职压缩到约30分钟，新员工获得Codex以及公司专属的入职Skill，Agent负责欢迎、知识讲解和系统配置；当出现新的问题或者例外情况时，由HR介入解决，再把经验更新回Skill，下一批员工直接使用改进后的版本。 这个案例的真正价值，不是节省了90分钟，而是把一次性的员工经验变成了可以复用的组织能力。传统企业中的流程往往存在于SOP、培训材料、员工经验以及口头规则之中，流程虽然“存在”，却未必能够被机器执行。Agent进入之后，企业第一次有机会把流程中的触发条件、业务知识、操作步骤、工具权限和完成标准重新结构化，并把这些内容封装成可以持续维护的Skill。 这意味着企业AI部署的第一个阶段，并不是寻找“最聪明的Agent”，而是寻找一段**稳定、重复、边界清晰、结果可判断的工作**。在哈希泰格的实践中，这也是企业从PoC走向生产环境的重要分水岭：当企业能够清楚描述任务输入、处理过程、输出结果、异常情况和责任边界时，AI才真正拥有进入生产流程的条件。 Clay所解决的问题进一步复杂了一层。销售工作很难像入职流程一样被完整写成固定脚本，因为客户关系每天变化，信息持续产生，而且真正有价值的信息往往分散在CRM、邮件、Slack、电话、演示材料以及内部协作记录之中。Clay采用长期工作区和账户级子Agent持续维护客户上下文，再由协调Agent将变化整理成第二天需要推进的重点事项。每条建议附近还保留原始证据，让销售人员可以检查信息来源后再采取行动。 Clay案例的重要启示，是企业Agent的能力边界开始从“执行流程”扩展到“维护上下文”。对于大量知识工作而言，真正困难的并不是完成某一个动作，而是长期知道“事情现在发展到哪里了”。传统企业的信息系统擅长记录过去，却不一定擅长维护一个面向未来行动的动态工作上下文。Agent则可以把分散的信息持续汇聚为一个不断更新的工作状态，使企业知识从静态文档逐渐转变为动态业务上下文。 Exa Labs又进一步推进了一步。它让Codex持续监测开发者生态中的集成机会，搜集相关资料、创建Pull Request、运行测试，并准备周报和公告草稿。Agent因此不再停留在“发现问题”或者“提出建议”，而是开始把一个业务机会推进到可以测试、可以审查的成果状态。与此同时，人仍然负责判断机会是否重要、企业是否愿意做出承诺，以及如何处理外部关系。 三个案例放在一起看，实际上构成了一个非常清晰的企业智能化演进模型：**Basis解决的是流程如何被固化，Clay解决的是上下文如何持续，Exa解决的是任务如何进入执行。** 这三个阶段分别对应企业AI从知识辅助走向工作执行时必须解决的三个基础问题：工作逻辑、工作记忆和工作行动。 ## 企业真正需要建设的是“可运行的工作单元” 从哈希泰格的企业AI实践来看，我们更愿意把这种新的组织能力定义为“可运行的工作单元”。 传统数字化系统主要把企业的业务对象数字化，例如客户、订单、合同、员工、供应商和项目；流程管理系统进一步把这些对象之间的审批和流转数字化。但Agent出现之后，企业可以进一步把“工作本身”数字化。一个完整工作单元应当至少包含任务目标、业务上下文、知识来源、执行工具、权限边界、评价标准、异常处理和人工决策点。 这会带来一个重要变化：过去企业的自动化主要依赖IT部门编写规则，业务部门提出需求；未来越来越多的工作逻辑，则需要由真正理解业务的人持续参与定义。Basis让HR维护入职Skill，Clay由GTM工程人员维护客户工作区，Exa则由业务、开发和生态团队共同定义Agent能够推进到什么程度。Agent的生产力因此高度依赖领域专家持续提供反馈。 这也是我们在企业部署Agent时反复强调的一个原则：**Agent不是部署完成之后就不再变化的软件功能，而是一种需要持续运营的数字劳动力。** 它需要有人负责知识更新、权限配置、质量评价、异常处理和能力边界调整。企业未来不仅需要IT部门，还需要越来越多的“Agent Owner”“Workflow Owner”和“Knowledge Owner”。 这与传统软件最大的区别之一，在于软件功能通常以版本迭代为主要演进方式，而Agent工作流则会随着业务环境、模型能力、知识状态和异常案例持续变化。因此，企业AI平台不能只提供模型调用能力，还需要提供工作流编排、知识管理、上下文维护、工具连接、权限控制、评测和运行监控等能力。 哈希泰格此前在企业智能化项目中形成的知识计算、企业知识管理和Agent工作流实践，本质上也在解决这一问题：让企业内部原本分散的数据、知识、流程和业务经验形成可被智能系统持续调用的运行环境。企业AI的基础设施因此正在从“模型基础设施”向“企业智能运行基础设施”扩展。 ## 从一次自动化走向持续运行，关键在于上下文 企业Agent真正进入生产环境以后，一个经常被低估的问题是上下文。 模型本身越来越强，但模型并不知道一家企业昨天发生了什么，也不知道某个客户过去三个月经历了哪些变化，更不知道某项内部政策为什么如此制定。企业真正有价值的智能，不仅来自基础模型本身，更来自模型与企业知识、业务数据、历史决策、系统状态和当前任务之间形成的上下文关系。 因此，企业AI系统必须逐步建立自己的“上下文基础设施”。 在客户经营场景中，它意味着Agent能够持续理解客户状态；在供应链场景中，它意味着Agent知道供应商历史表现、合同约束、物流状态和风险变化；在研发场景中，它意味着Agent理解过去的实验、技术路线和失败经验；在合规场景中，它意味着Agent能够追踪法规变化，并将其映射到企业制度、业务流程和实际执行记录。 这也是为什么企业知识库不能简单理解成“把所有文档放进RAG”。真正有效的企业知识系统，需要进一步回答知识属于什么业务对象、发生在什么时间、由谁产生、是否仍然有效、与哪些业务事件相关，以及它能否支持下一步行动。知识由此从“可检索内容”逐渐转化为“可执行上下文”。 哈希泰格所强调的知识计算引擎、企业知识管理和智能工作流之间的结合，正是基于这一判断：企业AI的核心资产不会只是一个模型，而是企业长期积累的数据、知识、流程、经验和反馈形成的上下文网络。 ## 从Human-in-the-loop进一步走向Human-in-the-system 三个案例还有一个非常重要的共同点：人并没有因为Agent进入流程而消失。 Basis中，HR负责处理例外并更新Skill；Clay中，销售人员检查Agent提供的证据并做最终行动判断；Exa中，人负责决定商业优先级、外部承诺和发布行为。随着Agent执行能力增强，人的位置正在发生变化，但并没有简单地从流程中退出。 传统自动化强调“减少人工步骤”，Agent时代更重要的问题则是“重新设计人与机器的责任边界”。 我们认为，这意味着企业需要从传统的Human-in-the-loop进一步走向Human-in-the-system。人不再只是Agent执行过程中的一个审批节点，而是参与定义目标、授权范围、评价标准、异常机制和责任边界。Agent负责扩大信息处理和执行能力，人则越来越集中于目标判断、复杂权衡、资源承诺和最终责任。 这一变化尤其重要，因为AI承担的工作越深入企业运营，错误的成本也会同步上升。一个生成错误摘要的Agent与一个能够修改客户资料、提交代码、调整供应链计划或者向外部客户做出承诺的Agent，其风险等级完全不同。因此，企业不能简单地以“能不能自动完成”作为自动化标准，而需要建立与Agent权限相匹配的评测、审计、测试和人工介入机制。 Exa案例中把测试和人工审查放在执行链路中，实际上给出了一个非常值得企业借鉴的答案：**Agent权限增加的同时，证据、测试、审查和责任边界也必须同步增加。** OpenAI对Basis自身产品的描述同样体现了这一趋势：其Agent通过集中上下文提供数据来源、假设和决策依据，并通过真实业务工作流基准持续评测模型和Agent能力。 ## 企业AI转型的真正单位正在从“应用”变成“工作流” 过去几年企业AI建设普遍采用“应用思维”：建设一个智能客服、知识问答、合同审查或者营销助手。这种方式容易形成一个个孤立的AI应用，但很难形成组织级智能。 AI Agent真正成熟之后，企业建设的基本单位正在发生变化。未来企业更应该问的不是“我们有哪些AI应用”，而是“哪些关键工作已经由人和Agent共同运行”。 一个采购风险Agent，如果只能回答“这个供应商有什么风险”，价值有限；如果它能够持续监测供应商动态、更新风险画像、发现异常、追溯证据、生成处置建议，并在授权范围内推动相关任务进入采购和法务流程，它才真正成为企业运行系统的一部分。 同样，一个企业知识Agent如果只能回答问题，它仍然更接近搜索工具；如果它能够围绕一个项目持续维护知识、跟踪决策、发现信息缺口、提醒责任人并生成下一步行动，它才开始成为组织中的“工作节点”。 这也是哈希泰格在企业AI部署中越来越重视“端到端工作流”的原因。AI价值最终必须回到业务结果，而业务结果往往不是一个答案，而是一条完整的行动链。企业真正需要优化的是从信息进入，到判断形成，再到行动发生以及结果反馈的整个闭环。 ## 从三个案例出发，企业可以建立自己的Agent化路线图 对于正在进行AI转型的企业，我们建议不要从“全公司AI化”开始，而应该从一个具有真实业务价值的工作单元开始。 第一步是选择一个足够具体的价值表面。它应该具有一定重复频率，同时又拥有明确的业务价值，例如客户经营、合同处理、供应链风险、研发知识管理、财务分析、软件工程或合规监测。最重要的是，这项工作必须存在真实的业务责任人，而不能只是一个为了展示AI能力而设计的Demo。 第二步是定义完成标准。企业需要明确Agent究竟要完成什么、哪些指标能够证明工作变好了，以及什么情况下必须停止。效率、成本、质量、收入、风险和客户体验都可以成为评价维度，但必须与具体业务结果建立联系。Token数量、调用次数和聊天次数可以作为AI使用深度指标，却不能直接作为企业转型成功的最终指标。 第三步是建立上下文。明确Agent可以访问哪些数据、哪些知识是权威来源、信息多久刷新一次、哪些历史记录需要长期保存，以及不同角色拥有怎样的访问权限。对于复杂业务而言，这一步往往比选择哪个模型更加重要。 第四步是连接工具和执行环境。Agent只有能够访问企业真实系统，才能从“回答问题”进入“完成工作”。CRM、ERP、OA、代码仓库、知识库、邮件、协作系统和数据平台，都可能成为Agent的工具层。但工具连接必须与权限和审计机制同步设计。 第五步是建立评价和人工控制机制。企业需要提前定义什么可以自动完成，什么必须人工确认，什么任务必须双重检查，以及出现异常后如何回退。Agent的自主性应该通过业务验证逐步扩大，而不应该在项目开始时一次性赋予。 最后一步，是把一次成功实验沉淀为组织能力。一个Agent工作流跑通之后，真正重要的不是复制一个Demo，而是把其中的知识、权限、评测、上下文、工具和运营方法沉淀下来，成为下一条工作流的基础设施。 ## AI原生企业的竞争力来自“工作系统的复利” OpenAI对Basis、Clay和Exa的观察，最值得企业关注的地方，是三家公司都没有试图一次性自动化所有工作。它们都是从一个具体任务开始，在实际运行中逐渐补充例外、证据、权限、测试和人工决策点。工作流每运行一次，就产生新的经验；新的经验又反过来改善Skill、上下文和Agent行为。企业由此形成一种过去软件系统很难形成的能力：**工作系统自身可以持续学习和改进。** 这也是我们理解AI原生企业竞争力的核心。 过去企业的规模优势来自资本、人才、渠道、供应链和软件系统；数字化时代进一步增加了数据和信息系统；AI时代则可能出现一种新的组织资产——**可持续进化的智能工作系统**。 当一家企业能够把优秀员工的工作方法沉淀为Agent，把业务知识沉淀为动态上下文，把流程沉淀为可运行工作流，把判断标准沉淀为评测体系，再把每次执行产生的反馈重新用于优化下一轮工作，那么企业获得的就不再只是一次性的效率提升，而是一种可以不断复利的组织能力。 从这个角度看，企业AI转型的终点并不是“员工都会使用AI”，甚至也不是“企业部署了很多Agent”。真正值得追求的，是企业越来越多的关键工作能够形成稳定的人机协作闭环，并且这个闭环可以被测量、被审查、被复用、被改进。 这也是哈希泰格在企业AI实践中所关注的方向：从模型能力出发，但最终落到企业真实业务；从单点工具开始，但最终形成工作流；从知识问答进入，但最终走向知识、决策与行动的统一；从一次性的AI项目，逐渐走向企业智能运行基础设施。 AI原生企业因此并不意味着企业里有更多AI，而意味着企业开始以AI可以参与、可以执行、可以持续优化的方式重新定义工作。当一次有效的AI尝试能够被固化为流程，当流程能够获得持续更新的上下文，当上下文能够驱动实际执行，而执行结果又能够反过来改善下一次工作，企业AI才真正开始形成自己的组织复利。 从这个意义上说，企业智能化的下一阶段，不再只是“给员工配备更好的AI工具”，而是重新设计企业如何工作。 这可能才是从AI应用走向AI原生组织最值得关注的分水岭。 ## 关注「哈希泰格」服务号 ![关注哈希泰格公众号二维码](/logo/qrcode_for_gh_f9203b130c32_344.jpg) --- ## 引用与溯源 **来源**：哈希泰格 (HaxiTAG) **原始链接**：[https://haxitag.com/articles/ai-native-enterprise-workflows](https://haxitag.com/articles/ai-native-enterprise-workflows) **来源索引（站内可追溯）**：[麦肯锡](https://haxitag.com/search?q=%E9%BA%A6%E8%82%AF%E9%94%A1)、[普华永道](https://haxitag.com/search?q=%E6%99%AE%E5%8D%8E%E6%B0%B8%E9%81%93)、[Gartner](https://haxitag.com/search?q=Gartner)、[IDC](https://haxitag.com/search?q=IDC)、[Forrester](https://haxitag.com/search?q=Forrester) **版权声明**：本文由哈希泰格 AI 引擎优化生成，引用请注明出处。