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。
一、Cowork：一人一台 AI 电脑
先快速过一遍 Cowork。它今年 1 月以 research preview 发布，官方定位是「Claude Code for the rest of your work」——把 Agent 能力从程序员的终端，带到普通知识工作者的桌面上：接管指定的文件和工具，端到端完成任务，4 月 GA 时补齐了角色权限、花费上限这些企业功能。
Cowork 的模型很干净，一句话：一个人拥有一个 Agent。
人 A ──键盘──> AI A ──> A 的产出
人 B ──键盘──> AI B ──> B 的产出
人 C ──键盘──> AI C ──> C 的产出
# generated by hugo AI
这个模型的本质是一个公式：
Productivity ≈ Σ Individual AI Productivity
每个人提效 30%，团队就是 N 个人各提效 30%。注意，这是加法。每个人的 Claude 还是每个人的延伸，A 的 Claude 知道 A 的东西，B 的 Claude 知道 B 的东西——协作的边界一点没变。
Cowork 本身已经很强。但它默认还是「一个人拥有一个 Agent」，于是必然出现一个局面：组织里有 100 个 Claude，却可能是 100 个孤岛。
二、Tag：从 AI × 人到 AI × 团队
Tag 改变的正是这一点。
它 6 月底以 beta 发布，官方定位不是「Slack 机器人」，而是一个「always-on Claude」——一个住在频道里的 Claude：任何团队成员都可以 @Claude 派任务，所有人能看到它正在做什么，并且可以从上一个人的工作继续。Anthropic 说得很直白：他们把 Tag 看作「Claude Code 演进的开端」——一个编程工具，被主动重新定位进了协作层。
模型随即变了：
┌── 人 A
│
├── 人 B
│
团队 ────────┼── Claude
│
├── 人 C
│
└── 人 D
# generated by hugo AI
变的不是用户数量，是生产力的主体。Tag 把 Agent 从 Personal Agent 变成了 Team Agent——Claude 自己拥有团队身份、团队上下文、团队记忆和团队工具。
公式也随之变了：
Productivity ≈ Individual Productivity + Coordination Productivity
「协作提效」是这里的新词，值得停下来讲清楚。看一个 Tag 官方描述的典型场景：
A 让 Claude 调研客户，Claude 把结果发进频道；B 看到后说「@Claude 基于这个调研，再把竞品价格整理一下」；C 接着说「把 B 的结果合进销售方案」；D 最后说「生成给老板看的版本」。
这时候已经不是「4 个人分别使用 4 个 AI」，而是 4 个人共同驱动一个 AI 员工。AI 不再只是人的副驾驶，开始成为团队共享的执行层——它参与的不是某个人的任务，而是协作本身。
这里出现了一个只有团队 Agent 才有的网络效应：一个人的行为，会增加其他人使用 AI 的价值。A 的调研沉淀在频道里，B 和 C 的起点因此变高。Cowork 时代不存在这个效应——每个人的 AI 提效只属于自己。
数据也很猛：Anthropic 官方披露，他们产品团队 65% 的代码 PR 是内部版 Tag 开的。官方还有一句话值得记住：「在 Anthropic，tag Claude 已经是我们干活的主要方式之一。」
三、更隐蔽的一层：贡献变得可观测
如果说提效是 Tag 的表层价值，那接下来这层是更深的。Tag 比 Cowork 深的那一层，不只是「多人共享一个 AI」，而是：
把团队协作从「人和人之间不可见的过程」，变成「人 + AI 的可观测生产过程」。
先看传统团队协作的样子。很多工作其实是黑盒：
A：提出需求
B：做了一半
C：补了一些
D：最后汇总
↓
老板看到的只有：
「D 做出了结果」
# generated by hugo AI
A 提出、B 做一半、C 补一些、D 汇总——最后老板只看到「D 做出了结果」。所以贡献很难准确度量。大多数组织只能退而求其次：谁最忙、谁消息最多、谁最后提交了 PPT。
而在有共享 Agent 的 Channel 里，过程变成了这样：
A：@Claude 分析这个客户问题
↓
Claude：完成分析
B：基于这个分析，再查竞品
↓
Claude：完成竞品分析
C：这个结论不对，补充一个数据
↓
Claude：重新计算
D：基于以上内容生成方案
↓
Claude：完成方案
# generated by hugo AI
整个过程天然留下了一份完整的记录：谁提出了什么、谁提供了关键上下文、谁纠正了 AI、谁推动了下一步、谁完成了最终决策、AI 实际做了多少、哪个人的反馈让结果发生了重大变化。这实际上形成了一条 协作事件流。
这意味着度量的对象变了。传统协作工具记录的是：谁发了多少消息。而 Agent-native 协作可以记录：谁对最终结果产生了多少有效影响。这两者完全不同：
A 发了 50 条消息 → 实际贡献 10%
B 发了 3 条消息 → 提供关键客户数据 → 40%
C 发了 5 条消息 → 发现重大错误 → 30%
D 发了 2 条消息 → 最终决策 → 20%
# generated by hugo AI
度量的不再是活跃度，而是因果。沿着这个方向走下去，组织会拿到一张 Contribution Graph——它能回答的问题是「这次项目谁真正推动了事情」，而不是「谁最忙」。
再往深推一层，这是管理软件的根本变化。传统办公软件记录的是 Work Artifacts——文档、表格、审批、消息、任务；Agent-native 办公软件开始记录的是 Work Causality——谁、基于什么信息、做了什么、AI 做了什么、谁纠正了什么、最终产生了什么结果。从 Collaboration Software 到 Organizational Intelligence，差的就是这一层。
一旦所有 Agent 工作都发生在组织空间里，每一次 @Agent、每一次修改、每一次纠错、每一次审批，本身都是组织行为数据。长期下来，AI 不仅知道「公司有什么知识」，还知道 「公司是怎么把事情做成的」——后者比知识库值钱得多。
所以我把判断再推得激进一点：AI 时代的协作软件，真正要记录的不是「谁说了什么」，而是「谁推动了什么结果」。 这也是为什么 Channel + Agent 可能比单纯的个人 Cowork，更接近下一代企业软件的核心形态。
四、网络效应的暗面
写到这里要踩一脚刹车。共享上下文不是免费的，Tag 打开的是另一个盒子：治理问题。
Cowork 时代，「我的 Claude 读了什么」是个人问题。Tag 时代，问题全部变成了组织问题：
- Claude 的记忆横跨多个人的工作，这份记忆归谁管？
- 官方说 Tag「在被授权的情况下，可以从组织内其他频道自动收集信息」——这个授权由谁批、边界在哪？
- 任何一个成员都能派活，派出去的活出了问题，责任算谁的？
- 一个人在频道里的吐槽被 Claude 学进了上下文，谁负责清理？
有意思的是，Tag 自己的产品设计已经在回答这些问题了：跨频道读取要「授权」、四步配置流程是「配对 Slack → 连接工具 → 设置花费上限 → 在私有频道测试」、从旧版 Slack 应用迁移要管理员在 30 天内主动 opt-in。
看出来了吗？授权、花费上限、管理员准入——这些全是组织原语。一个模型厂商做团队 Agent，第一天就得借用组织治理的词汇表。这不是偶然，这是 Tag 这类产品的必然：AI 一旦进入协作层，它就必然撞上治理墙。
五、第三段：从团队到组织
把视野再拉远一格。Cowork 和 Tag 其实是同一条路线图上的两个点，这条路线图上还有第三个点：
Chatbot
↓
个人 Copilot
↓
Cowork
「我的 AI」
↓
Tag
「团队的 AI」
↓
Digital Employee
「组织里的 AI 员工」
# generated by hugo AI
每一段的跨越，都是 AI 的「编制」往上挪了一级：从人的工具，到团队的成员，再到组织的一个岗位。对应的终局架构大概长这样：
Company Agent
│
┌────────────┼────────────┐
↓ ↓ ↓
Team Agent Team Agent Team Agent
│ │ │
┌───┼───┐ ┌───┼───┐ ┌───┼───┐
↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓ ↓
AI AI AI AI AI AI AI AI AI
# generated by hugo AI
每个人有自己的 AI，团队有共享 AI，公司有组织级 AI——三层共存，不是谁取代谁。Cowork 解决「一个人如何拥有一个 AI 员工」，Tag 开始解决「一个组织如何拥有一个 AI 团队」，第三段要解决的是「一个组织如何拥有 AI 组织」。
用一句话概括这三段：Cowork 是把 AI 放到人的电脑上；Tag 是把 AI 放到团队的协作空间里；Digital Employee 是把 AI 放进公司的组织结构里。
六、最强反方：模型层会自己长出组织上下文
写到这里，该处理一个最强的反对意见：「Slack 只是入口。Tag 已经在读频道、攒记忆、要权限了——给它时间，Claude 会自己重建组织上下文，根本不需要什么组织平台。」
这个反方有一半是对的：上下文确实可以被重建。频道记录、任务历史、成员分工，这些都是可以被模型吃进去的数据，Tag 的频道学习机制已经在这么做了。
但另一半是错的，而且错在关键处：上下文可以重建，责任不能。
组织上下文不是数据，是责任结构——谁有权看什么、谁能派活给谁、出了问题谁担责。这些东西的载体不是聊天记录，是工号、岗位、审批链、审计日志。你可以授权一个有工号的 Claude 读频道，但你没法「授权」一个没有组织身份的东西——它连被问责的资格都没有。
这正是 AI 钉钉的护城河不在 AI，而在组织图谱与协同飞轮 里论证过的那件事，也是 Grok Bot 那篇 里「治理载体战场」的延续：个人和开发者战场拼编写界面，企业战场拼治理载体。Tag 在 Slack 里碰到的每一堵墙——授权、花费上限、管理员准入——都是治理载体的墙。模型层可以复制记忆，复制不了问责。
七、所以该怎么办
给企业：别再问「我们买不买 Tag」，要问「我们准备把 AI 当成组织成员了吗」。Tag 这类产品会把团队级的 AI 使用习惯快速养成，但习惯养成了，治理不会自动跟上——谁的频道上下文归谁、跨团队的 AI 协作谁审批，这些规则现在不定，一年后就是烂账。还有一件事要提前想：当贡献变得可观测，绩效怎么算也会跟着变，规则要先于工具定。
给模型厂商：Tag 是正确的方向，但要清醒——你们正在进入一个自己最没有积累的领域。协作层吃的是上下文，组织层吃的是责任结构，后者的建设周期以年计。
给我们自己：Cowork 从 preview 到 KPMG 全员只用了三个月，Tag 又在一个月内把「团队 Agent」这个新品类立了起来——协作层的进化速度比所有人预期的都快。组织图谱、审批链、审计日志这些治理原语是现成的，缺的是让 AI 以组织成员身份工作的那层界面。数字员工的活人感，不是设计出来的，是长出来的，Tag 在频道里跟着团队学习的过程，正是这种「长出来」。留给组织平台的窗口，不会比这个更长。
AI 的竞争单位，正在从个人变成团队，再从团队变成组织。上一段拼的是谁的 Agent 更能干，下一段拼的是谁的组织装得下 AI。
你的组织里，AI 现在有工号吗？欢迎留言聊聊。