今年早些时候，我写过这样一个案例：一家电商公司的 AI Agent 自动调整了 2000 个 SKU 的定价，部分商品以成本价以下售出，一天亏了 80 万。复盘会上——
运营说：是 AI 自动调的。技术说：是数据源有异常。数据团队说：数据是实时抓取的，跟我们无关。
没有一个人为这 80 万负责。（案例详见企业级 AI 必须设计成出错后可以追责到人）
那篇文章讲的是工程层面怎么追责：授权链、策略签名、审计日志。但写完之后，有一个更根本的问题一直挂着我：
为什么必须追到「人」？为什么不能追到 Agent 本身？
这个问题听起来像文字游戏，其实不是。它决定了你的数字员工部署从哪里画下第一根线——第一根线画错了，后面每一根都是错的。
前段时间我把这个问题的推导写成了一份内部文档。这篇文章是它的公开版：不做功能罗列，不列合规清单，从第一性原理出发，推导数字员工要成为组织成员必须满足什么条件。
前几天有人问我：Agent Builder 的终局是什么？
我没直接回答，先让他做了个实验：在 Builder 里输入一句话——「帮我创建一个采购数字员工」。
Builder 吐出来一份 YAML：
employee:
role: 采购专员
mission:
- 处理采购申请
context:
- ERP
- DingTalk
- Supplier DB
permissions:
- read_inventory
- create_purchase_draft
boundaries:
- cannot_approve_purchase
evals:
- ...
# generated by hugo AI
我问他：你觉得这份 YAML 是什么？
他说：Agent 的配置文件。
我说：逐字段再看一遍。
他看了几秒，声音不太确定了：「这……是一份 JD？」
对。这就是这篇文章的核心判断：Agent Spec 不是软件描述，它是劳动关系的一份抽象。
前几天有人抛了一个问题：「哪些客户的续约风险正在上升，今天由谁介入？」
我把它原样丢给了一个 AI 助手，想看看它怎么答。
它的回答很诚实：答不了。它列出了这个问题需要同时拉齐的五个系统——CRM 里的客户关系、合同系统里的到期日、产品日志里的用量变化、工单里的故障、财务系统里的回款——然后说：「任何一个单独看都不够，五个信号交叉才能定位谁在恶化。」
这个回答本身没问题。但它暴露了企业 AI 的真实现状：AI 不缺智能，缺的是跨系统取数的资格。 它能看到每一个系统，如果它有资格的话。
有意思的是，最近两篇文章，从两个完全不同的方向，撞上了同一个问题。一篇是 Carlos Perez 的企业版 OpenClaw 万亿清算论，一篇是《读懂 Palantir Ontology》的完结篇——后者举的范例决策，一字不差就是上面那个续约风险问题。
两篇文章各讲了企业 AI 的一半。把它们拼起来，你会看到一条没人明说的路线。
我给跑在本机的 AI 助手下了一个再普通不过的指令：「打开公众号后台，准备发一篇新文章。」
对我来说这是十秒钟的事：扫码进后台、点左侧「内容管理」、点「新的创作」、点「文章」，编辑器就开了。
但我马上意识到有场好戏要看——屏幕上这些按钮，在 AI 眼里长着完全另一副模样。
上周我在准备和团队 9 月初的一次对焦，主题是工程 AI 化。
预对齐时有人说：「我们 AI 用得挺好的——一半的 PR 是 AI 写的，Copilot 全员开通，还有人用 Claude Code 重构了老模块。」
我问了一个问题：「那挑一个 5 人天的真实需求，从提 Issue 到验收关闭，让 AI 端到端跑一遍给我看。」
会议室安静了几秒。安静不是因为没用过 AI，而是因为这条链路从来没有人完整走通过。AI 写过代码的片段，但片段之后是谁在收尾，说不清楚。
这个安静就是分界线：AI 写过代码，不等于工程 AI 化。
一个做外包的朋友上个月跟我抱怨：客户现在拿 AI 写的代码来压价。「你们报 30 人月，客户自己用 Claude Code 一周出了个 demo，问你们凭什么值这个钱。」
我问他：那个 demo 上线了吗？
他说没有。客户自己人测了一周，测出一堆问题，又回来找他们修。
我说：那你应该换个报价方式。不报人月，报模具费。
他没听懂。这就是这篇文章要讲的事。
发完 从 Cowork 到 Tag：AI 的竞争单位，正在从个人变成组织 第二天，那个年轻人又发来一条消息。这次他没提问，而是直接甩了一个判断：
「对 AI 创业者来说：Anthropic 领先行业 6 个月。」
他还给了自己的三层拆解：
| 层次 | Anthropic 的领先点 | 领先幅度 |
|---|---|---|
| Foundation Model | Claude 系列整体非常强 | 0-6 个月，且会快速收敛 |
| Agent Harness | Claude Code / Cowork / Tag 形成完整 Agent 工作范式 | ~6 个月 |
| Agent-native Organization | 从「人使用 AI」走向「Agent 成为组织成员」 | ~6-12 个月 |
他的结论是：模型层的领先会快速收敛，真正值得关注的是后两层。而且第三层，恰好是钉钉「数字员工」可以承接的位置。
前两层，我认同。第三层，我认为 写反了。
在 Agent-native Organization 这一层，Anthropic 不是领先者，是刚入场的人。
发完 Grok Bot 的跟班学习，会先干掉 RPA 市场 第二天，那个年轻人又发来一张截图：Anthropic 内部的 Slack 频道里，有人 @Claude 派了个活，Claude 接过去干，下一个人直接在它停下的地方接着做。
他问我一个问题：「这不就是多人版的 Cowork 吗？」
我的第一反应也是——Cowork 一月发，Tag 六月发，都是 Anthropic 家的，一个跑在你自己的电脑上，一个住在 Slack 里，看起来只是场景不同。
但想了两天，我的答案变了：Tag 和 Cowork 的区别不是「几个人能用」，而是 Agent 的身份变了——从「我的 AI」，变成「团队的 AI」。
把这两个产品连起来看，你会发现 Anthropic 其实画出路线图来了：AI × 人 → AI × 团队 → AI × 组织。前两段他们已经画完。而第三段，恰好是模型层的盲区。
这条路上还藏着一个更隐蔽的变化：贡献第一次变得可观测了——组织度量贡献的方式，即将跟着变。
今年 2 月，我写过一篇工程文章 通过桌面录屏实现自动化 RPA 的最佳实践：用录屏捕获屏幕画面和鼠标键盘事件，让多模态大模型理解操作序列，再自动复现。为了验证可行性，我自己写了实现——光录制模块和关键帧提取就是几百行代码，文末我还特意提醒：这条路离可用产品有距离。
六个月后，8 月 11 日，SpaceXAI 把这个机制直接做成了正式产品 Grok Bot。每个 Bot 拥有一台独立的云端 Linux 虚拟机，学会一个流程不需要任何配置：你像平常一样操作一遍，Bot 在旁边看着、记下来，下次它自己干。想用，先买 $200/月的 SuperGrok Heavy 订阅，或者 $120/人/月的团队版。
媒体标题都在喊「马斯克终极大招」「数字同事上岗」「硅谷炸锅」。但我想聊一个被忽略的部分：Grok Bot 最狠的不是「能干活」——能干活这件事，Claude Cowork 能做，OpenAI 也能做。真正狠的是 跟班学习 这四个字。它第一个会干掉的市场，不是聊天框，不是 Office，而是 RPA 行业。
前几天，那个年轻人又给我发消息了。
月初我在 从用好 AI 到管理 AI 里记录过他的困惑：每天都在用 AI，prompt 也调得不错，但总觉得还是在「自己干活」。我当时的回答是，他卡在「用好 AI」这一级，要往「带 AI」「管理 AI」走。
他回去照做了。这次他告诉我：又订了三个工具，整理了 30 条常用 prompt，还刷完了两门 AI 课程。然后他问了一个新问题：
「我的工具更多了，效率也确实高了。但为什么反而更焦虑了？如果明天出一个更好的工具，把这些全做了，我还剩下什么？」
我当时没有马上回答。不是问题难，而是他问的已经不是「怎么用好 AI」，而是一个更根本的问题：AI 时代，衡量一个人成长的单位，到底是什么？
几天后，吴恩达在 The Batch 上发了他的新来信，标题是「AI 奖励能构建新技能的通才」。这封信把这个问题往前推了一步——但我觉得，还可以再推一步。
