8 月 27 日晚上，我做了一场《钉钉数字员工架构与落地实践》的分享。六十分钟的正题讲完，真正让我反复回味的，是 Q&A 环节的四个问题。
最后一个最尖锐。提问者先铺垫了他的观察：从演示看，数字员工做的是秘书、提醒、传话、会议纪要这类辅助性工作。然后他话锋一转：
如果我让数字员工承担一部分技术开发工作，它将面对非常复杂的场景和长周期的任务。长周期任务下，执行的成功率会一路衰减。请问你们的数字员工能不能解决复杂的长期问题？如果不能……
「如果不能」悬在半空。我当时的回答很直接： 钉钉做的是让 AI 能进入企业组织架构的基建——数字员工账号、连接多 Agent，权限管控、运行审计、知识管理，为任务提供上下文等基础能力，还提供入转调离全生命周期管理、执行前主管审批确认放行、岗位能力评估和考核、拟人化交互等功能，但还不能对企业自建或生态交付给企业客户的数字员工的产出效果来负责。
分享结束后，我把这四个问题记了下来。它们看似散，其实指向同一件事：数字员工的落地卡点，从来不是模型能力，而是四个组织问题。
先交代背景：为什么数字员工必须进组织
那晚分享的核心判断，我在 AI 让每个人都变快了，为什么公司没有变快 里写过：企业给员工发 token，有的企业一个月光 token 支出就过千万，个人生产力确实在涨，可流程还是人传人，单点提效换不来整体提效。
所以方向很清楚：企业级 AI 要从「站在个人旁边」走进「流程里面」。这条从 Chatbot、数字分身到数字员工的三代演进线，我在 AI 的三代进化 里铺过，这里不重复。我自己的数字员工就是这么用的：一个是我的开发工程师，我提需求、它记在 GitHub Issues 里，下个任务就是它去解决；一个扮演我的助理，每天帮我采集新的国内外 AI 相关的热点新闻和高质量媒体，帮我分析判断技术趋势，同事发长文档我也先让它审质量给建议；最近连一些审批也交给它——请假、运营推送这类常规审批 99% 我都直接通过，每次打开系统去点一下，本身就是浪费。
方向没问题。但 Q&A 的四个问题暴露的是：落地比方向难，而且难的地方不在技术。
问题一：数字员工是不是就是装进钉钉的 OpenClaw？
一位同学问：数字员工是不是 OpenClaw 的迭代优化、在钉钉里做了部署架构？本质 idea 差不多？
不是。差别不在技术栈，在身份。
OpenClaw 更像数据分身，是一个 Agent 框架——有入口，预装了很多技能，什么都能试。但数字员工是组织架构里的一个岗位。岗位有一个框架不需要考虑的第一要求：稳重。它不能做它不应该做的事，否则某一天它会在组织里做出你想不到的事情。
所以设计原则是反过来的：不是从「它能多能干」出发，而是从「它多小才不会出错」出发。从最小化开始，严格管控，只做有授权的事。在自己的电脑上，Agent 搞砸了重来就是；在组织里，数字员工犯一次错，可能就下岗。
数字员工的本分率 里我说过，敢不敢给它发工号，才是真正的上岗考试。身份不是技术细节，是组织问题。
问题二：纺织业的 HR 和物流业的 HR，不是同一个岗位
一位制造业的听众抛出了很实际的困惑：各家数字员工产品都有 HR 模块，但纺织行业的 HR 和物流行业的 HR，做的完全不是一样的工作。现在大家的数字员工同质化严重，切换一下底层大模型，聪明程度和记忆都差不多——到底怎么渗透各行各业？
这个问题戳中了第二个组织问题：行业知识无法靠泛化获得。 模型再强，也不知道你公司的订单长什么样。
我们的回答是三层分工：
关键在第一层：这一层平台和模型都替代不了，只有真实岗位上的人，才能把一个数字员工教会成「我司的」数字员工。平台要做的，不是交付一个同质化的成品，而是让企业用最低成本养出自己的那一个。
问题三：AI 筛简历，候选人用 AI 造简历，AI 对 AI 说「匹配」
这是现场听来的真实案例，也是那晚最有画面感的一幕。
这位听众的公司用数字员工在招聘平台上筛简历，筛出来的看着都挺好。结果人到现场一面试，跟简历相差太大——一问才知道，对方的简历也是 AI 生成的。企业用 AI 筛简历，候选人用 AI 造简历，两个 AI 隔空交手，互相都说「我们匹配」。企业白白搭掉了整轮面试成本。
这是第三个组织问题：人机信任链。 当 AI 进入流程，流程另一端的对手方也可能是 AI，任何一方的输出都不能直接当事实。
我们的处理是把流程切成两段：AI 先筛一遍减负，但人必须在里面做评估，不能让 AI 的结果直通面试。这不是保守，是必要设计——结果的把关必须留在人手里，否则交接环节的折扣会大到失控。
问题四：定位、定价、质量——那个尖锐问题
回到开头那一问。提问者的追问很锋利：如果你只提供基建，账号一年才几个钱？那我作为企业采购你的数字员工服务，它没有产出，我为什么要买？
先拆开「基建」这两个字。钉钉做的，是让 AI 能进入企业组织架构的基建，分两层。
基础能力，让 Agent 能进来、能干活：
- 数字员工账号：它和真人员工一样有工号、头像、名字，出现在组织架构里，可以被找到、被指派任务；
- 连接多 Agent：任务不是孤立的，数字员工之间可以相互调用、接力协作；
- 权限管控：它能做什么由授权决定，权限跟着岗位走，而不是模型能力有多强；
- 运行审计：它接了什么任务、发了什么消息、动了什么数据，全程可查——这是企业敢用它的底气；
- 知识管理：组织里的文档、规范、经验能被沉淀下来，喂给对应的数字员工；
- 为任务提供上下文：任务发起时，相关的背景、数据、历史自动带过去，Agent 不用从零开始。
管理功能，让数字员工像一个真正的员工被管理：
- 入转调离全生命周期：入职开通账号和权限，调岗调整数据范围，离职回收权限注销账号——和真人员工走同一套人事流程；
- 执行前主管审批确认放行：敏感动作先过主管这一关，确认后才执行；
- 岗位能力评估和考核：上岗前和上岗后都要评——它到底能不能胜任这个岗位；
- 拟人化交互：它是对话里的一个「同事」，沟通质量本身也要被考核。
有了这层基建，Agent 才不再是一个需要单独打开的工具，而是以组织成员的身份进入协作网络：它可以在聊天群里被 @ 到，有人喊它查数据、补资料；可以在文档里被 @ 到，帮写作者核对内容、做质量把关；可以在审批流中作为独立的节点存在，发起、审批、流转。能被 @ 到的那一刻，模型能力才真正进入组织的协作面；没有这个身份和入口，模型再强，也只是挂在组织外面的一个 API。
边界也就清楚了：这层基建钉钉负责建好、站稳、可审计，但还不能对企业自建或生态交付给企业客户的数字员工的产出效果来负责。合同审批做得多好、营销内容写得多好，这一层靠生态的 ISV，靠企业自己喂知识。
那位提问者担心的长周期任务成功率衰减，是真实存在的风险——而这正是坚持「从最小化开始」的原因：不让数字员工承担它还不能可靠完成的任务，先在授权边界内把小事做稳，信任攒出来了，岗位再一点点扩大。
这种责任划分可能不符合「一体全包」的想象，但它是诚实的：基建可以标准化，产出只能由懂业务的人负责。
落地案例：一场校招生的 1-on-1
四个问题是考卷，答卷长什么样？讲一个真实案例——最近我和一位校招新同学的 1-on-1。整个过程由 HR 组织发展数字员工编排，我只需要把三十分钟的对话本身做好。
会前，HR 组织发展数字员工给我发来会议上下文：这位同学的背景、当前的 OKR、我想了解的问题清单，同时直接把钉钉日程安排好了。进会议之前，我已经知道要跟谁聊、聊什么。
会中，我用钉钉 A1 做了会议记录，三十分钟专心沟通，不用分心记笔记。
会后，我把会议听记和对这位同学的评价反馈给 HR 数字员工，用一句话提示：「给这位员工发送一下沟通要点与行动建议文档。」数字员工生成文档，直接发给了他。
半小时后，HR 数字员工把这位同学的反馈文档也发给了我——里面有他自己设定的行动。
至此闭环完成。这次沟通的上下文被完整沉淀下来：会前聊了什么、会中谈了什么、会后承诺了什么，都成了结构化数据，可以作为下一个任务的上下文输入。下次再见面，不用从零开始。
如果没有数字员工这样的组织，这场沟通大概率是这样的：
- 会前：自己翻好几个系统查这位同学的背景，日程靠人来人往对齐，问题现场临时想；
- 会中：边记笔记边聊天，注意力在对话上，关键细节很容易漏；或者干脆不记，事后靠回忆；
- 会后：行动项是口头承诺，没人追踪；同学的反馈收不回来；下次见面，双方都从头再来。
也就是说，不是没有数字员工就开不成这场会——而是质量会全线打折： 对话前信息不齐、对话中问题不深、对话后行动落空。 上面那张方法论卡片把它画得更清楚：找对人 → 补全人 → 聊得深 → 有后续，中间是贯穿始终的「全程上下文」——用卡片上的话说，把分散的人、信息和行动接成一条线。
回头看，这一个案例同时回应了前面的四问，也把基建的能力跑了一遍：员工的背景、OKR、反馈，这是 知识管理 喂出来的上下文（问题二）；AI 听记、人做评价确认，「发送文档」这个动作由我一句话指令放行——这是 人机信任链（问题三）；HR 数字员工、A1 听记、反馈文档几个环节接力协作，这是 连接多 Agent；数字员工只做组织和传递，不做人事决策，这是 责任划分（问题四）——而它能把这一切跑起来的前提，是它在组织架构里有身份、能被 @ 到（问题一）。
四个问题，其实是同一场上岗考试
| 问题 | 表面现象 | 组织本质 | 落地答案 |
|---|---|---|---|
| OpenClaw vs 数字员工 | 技术栈有什么区别 | 身份与边界 | 从最小化开始，严格管控 |
| 纺织 HR ≠ 物流 HR | 通用能力同质化 | 行业知识不可泛化 | 真实岗位喂教 + 生态行业层 |
| AI 对 AI 简历军备竞赛 | AI 判断不可信 | 人机信任链 | AI 减负，人做评估 |
| 定位、定价、质量 | 谁来保证结果 | 责任划分 | 基建归平台，产出归生态 |
身份、知识、信任、责任——这四个问题，任何一个想部署数字员工的组织都绕不开。有意思的是，它们全都与模型能力无关。模型再强一代，这四个问题照样存在。
组织架构没变，就别谈 AI 原生 里我说过，判断 AI 原生的标准是结构动没动。这四个问题，恰恰是结构里最先要动的四处：岗位、知识、流程、责任。
所以，如果你正打算启用一个数字员工，不妨先把这四问问自己一遍。答不上来的那一问，就是落地真正开始的地方。
你在落地数字员工时遇到过哪一问？欢迎留言讨论。