上周，一位做软件外包的朋友跟我吐苦水。
他给公司三十多个工程师全部配了 AI 编程工具，钱花了不少，工程师也很买账。半年后他拉数据，想看看交付速度提升了多少——结果发现，项目平均交付周期几乎没变。工程师写的代码确实多了，但代码堆在评审环节；评审通过了，又堆在测试和发布环节。
他问我：「是不是工具不够好？要不要换一个更贵的？」
我说：工具没问题。问题是 AI 把每个人手里的活干快了，但活和活之间的缝隙，一点没变窄。代码从「写完」到「上线」，中间隔着评审、测试、审批、排期——这些环节里没有一个 AI，全是人在等人。
前天我写了一篇文章，说 AI 让每个人都变快了，但组织没有变快——个人效率的红利，被交接、等待、审批这些组织摩擦吞掉了。
两天后，Anthropic 发了一份长文：The AI-Native SDLC playbook。第一句话是：
「Organizations have started using AI to write code at a speed unthinkable one year ago, yet the processes around the code haven’t changed at the same pace.」
各组织已经开始用 AI 以一年前无法想象的速度编写代码，但围绕代码的流程并没有以同样的速度改变。
翻译成我们前天讨论的语言：代码产出快了，围绕代码的组织流程没变。一家造出世界上最锋利锤子的大厂，公开承认墙不在锤子上。
这份手册值得每个关心组织效率的人认真读一遍。这篇文章不是翻译，是我读完之后的一份解读笔记：它印证了什么、它给出的工程答案是什么、以及它没覆盖的地方在哪里。
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。
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。
上周和一群刚工作的年轻人交流。有人问我一个问题：我每天都在用 AI，prompt 也调得不错，效率确实提高了——但为什么总觉得，我还是在「自己干活」？
我反问他：你的 AI，会不会越用越好？
他愣了一下：好像不会。每次新开一个对话，都像第一次认识一个新同事。
问题就在这里。他很会用 AI，但他从来没有管理过 AI。
这两件事的差距，比他以为的大得多。
