对于大多数知识工作者而言，当前的工作模式——处理电子表格数据、反复修改客户报价、应对不断变更的项目范围——可能在五年后显得过时且难以理解。正如农业和制造业的演变改变了工作的性质，人工智能代理正在重塑办公室工作。
智能与局限并存
近年来，人工智能从单纯的问答工具转变为具备实际执行能力的系统。以编程为例，两年前 AI 主要提供代码自动补全或小型脚本支持；如今，Anthropic 的工程师指出，AI 已能生成高达 90% 的代码。
然而，幻觉现象和基本错误依然存在。模型可能在计算简单数学问题（如统计草地上的卢比数量）时出错，或在逻辑推理上表现荒谬（例如建议步行去洗车场而非开车）。尽管实验室不断修补漏洞，新的失误仍层出不穷。人工智能研究员 Andrej Karpathy 将这种现象称为“间歇性智能”：模型既能解决极其复杂的问题，也可能在儿童都能理解的简单任务上失败，且这种表现无法预测。
这意味着不能简单地移除人类员工，完全依赖代理并假定输出结果无误。
评估自动化可行性的两个维度
判断是否信任一个 AI 代理，取决于两个核心指标：错误成本与验证成本。
- 错误成本：指模型犯错带来的损失。例如，在法律文件中出现虚构引用会导致巨额罚款和声誉损害，而会议摘要草稿的错误则影响较小。
- 验证成本：指检查代理产出正确性的难易程度。数学证明可以通过程序快速验证，成本较低；而商业策略需要深厚的专业知识进行评估，验证成本高昂。
任务在这两个维度上的得分越高，越需要人类的验证、监督和专业知识介入。值得注意的是，看似单一的任务往往包含多个子任务。以客户服务为例，常规的一级交互具有明确的升级路径且验证成本低，适合自动化；而复杂的二级、三级交互则因错误成本和验证成本高，仍需人工主导。Klarna 首席执行官塞巴斯蒂安·西米亚特科夫斯基（Sebastian Siemiatkowski）在公开讨论中也指出了这一自动化难点。
部分自动化提升人类价值
历史数据显示，自动化并不必然导致岗位减少。20 世纪 70 年代，随着超过 40,000 台自动取款机在美国普及，银行柜员数量不降反增，薪资水平也随之上涨。在现代医疗领域，尽管 AI 在某些扫描读取任务上超越人类，放射科部门并未停滞，反而面临职位空缺和需求激增的局面。
诺贝尔经济学奖得主迈克尔·克雷默提出的“O 环理论”解释了这一现象：现代知识工作是乘法关系而非加法关系，任何一个环节的失误都会使整体输出归零。只要 AI 仍存在幻觉等弱点，整个工作链路就无法完全自动化。因此，剩余的人类员工因掌控高质量的关键环节而变得更有价值。
聚焦效应与未来展望
自动化的核心价值在于释放时间。如果运用得当，这些时间可用于高价值任务，如建立潜在客户关系或深入理解客户需求。领导者需明确代理的能力边界，积极移交任务并重组工作流程。
展望未来五年，可能出现十几个代理同时运行，负责起草报价和筛选线索的场景。重复性工作消失后，人类的认知负荷将增加，因为需要在脑海中统筹处理多项任务。关键在于保护心理带宽，让代理服务于人，而非让人受制于技术流程。
