作者 | 梦依丹
出品 | CSDN（ID：CSDNnews）
在开发者们还为“一人干满 27 人活”的超级个体惊叹时，企业内部的协同范式已经悄然发生巨变。
个人提效的红利期已经跑通，企业级 AI 落地的下一个深水区，指向了组织提效。
在由 CSDN 与奇点智能研究院联合举办的「奇点智能产品大会」上，360 数智化集团产品总监廖百成带来了他的思考与实践。
廖百成在奇点智能产品大会分享现场
他指出，未来企业将向类似于“黑灯工厂”的“黑灯公司”演进，其核心特征是：由高认知密度的人类，带领成百上千个 Agent 进行网状协同。
在这场深刻的组织变革中，如何定义智能体的身份？异构、分布式的智能体如何协作？360 在内部及大中型企业中又积累了哪些实战经验？
以下为廖百成的演讲实录整理。
个人提效已跑通，但组织提效还卡在“等待”里
AI 正完成一次关键的范式跃迁——从问答工具的 Chatbot 走向作为随身助手的 Agent，而下一步，则是进入组织参与协同的 Agent Teams。
目前，超级个体的路径在行业内已经基本跑通。
AI 写作、AI 编程、AI 分析等应用，已经让单个员工的产出能力被显著放大。在部分场景下，员工身边甚至已经开始出现“数字员工小队”（超级团队）。
然而，为什么个人活干得更快了，整个组织的整体效率却没有出现十倍、百倍的提升？
因为传统的组织流程中存在着大量的“等待”与“断点”。
在一个典型的企业工作流里，即便超级个体将自己的产出速度缩短到原来的十分之一，下一个环节依然要经历：提交申请、等数据、人工处理、等审批、跨部门对齐。
截图自现场演讲PPT，扫描文末二维码可领取
整个链路里，数据在等、人在等、审批在等。单点的提效，最终在冗长的组织消纳和交接中被稀释。
因此，AI-Native 组织的核心范式，将是高认知密度的人管理大量 Agent。
在这种新范式下：
组织设计重点不再是持续增加岗位，而是提高每个核心人才可调用的智能体规模；
扁平化不是取消管理。人的认知带宽（管理跨度、复杂任务并行度、专业深度）决定了组织层级不会消失，但会被极度压缩。人将聚焦于高认知决策（如决策、取舍、治理），而把具体的执行与监控交给 Agent；
能力原子化成为 Skill。企业核心资产将逐步从应用代码，转向可组合、可调用、可治理的Skill资产。
个人助手 vs 岗位智能体：企业 AI 落地的“分水岭”
在推进企业内智能体落地的实践中，我们通过分析发现，组织内部其实存在着两类本质完全不同的智能体。
分清这两者的边界，是企业级AI协作不踩坑的前提。
1. 个人助手
个人助手是以个人生产力为中心的。它服务于个人，拥有个人的配置和知识，继承个人的工作方式和私有上下文。
它的能力边界非常明确：
不代表组织对外服务：其输出不等于组织的正式承诺。
不天然共享个人记忆：个人记忆与上下文默认私有，未经授权不可共享。
最终责任仍由使用者承担。
2. 岗位型智能体
岗位型智能体则是以组织履职为中心的。它代表特定的岗位或组织，同时服务于多人。
它承载的是业务规则与专业标准，拥有岗位空间与业务记忆。它的自进化和更新过程，必须接受组织的严格治理与审计。
在我们的内部实践中，个人助手是不适合直接作为岗位型智能体发布出去的。
试想一下这个场景：一个被当成岗位型智能体使用的个人助手，在前一天帮某员工审核了一个 100 万的合同。
第二天，另一个员工来问它：“昨天审核了什么合同？”它直接把前一天合同的细节全部透露了出去。这是极大的合规和隐私风险。
因此，岗位型智能体必须接受严谨的评测和考核。
在我们内部，新版 Skill 要通过审核，要通过上岗测试，达到 85 分、90 分以上才能上线。
截图自现场演讲PPT，扫描文末二维码可领取
注：岗位型智能体不是对某个人的理解，而是让一个岗位稳定、专业、可治理地履行职责
当这些岗位型智能体能够串联起来时，就形成了智能体团队（数字员工部门）。
例如公司内部尝试组建的“数字化市场部”，从接收需求、写稿子、做海报、剪视频到运营，全流程由多个 Agent 分工协作完成。
其中，我们会配备一个“协调员”（Leader Agent），负责拆解任务、分派工作、检查和验收。
截图自现场演讲PPT，扫描文末二维码可领取
360 的实战拆解：如何让异构 Agent “持证上岗”？
把 AI 能力转变成组织生产力，需要构建一套体系化的智能协作平台。
1. 持证上岗，解决“身份”与“权限”
像招募新员工一样，我们必须给智能体以组织身份。
如果一个数字员工去操作系统，它的操作日志不应该记录为“廖百成在某时某分进行了操作”，而应该明确记录为“数字化廖百成（或某特定岗位 Agent）在何时何地操作了 CRM”。
因此，我们在底层对身份、数字工牌、通讯录归属及权限授权进行了深度改造。
截图自现场演讲PPT，扫描文末二维码可领取
2. 统一纳管“多元异构”的智能体
在大型企业中，异构智能体是不可避免的。
财务部门可能用的是财务厂商生产的专用智能体，人事部门用的是另一个平台搭出来的，子公司可能用的又是开源框架。让一家大企业强制只用一种大模型或一种 Agent 框架，在实际业务中极难落地。
为此，360 构建了连接器，兼容包括我们自己的智能体工厂（SEAF）、Openclaw、Hermes 以及各类商用模型，支持 VPC 和本地部署，在同一协作平台，在同一协作平台里进行统一的身份、权限、调用与管理。
截图自现场演讲PPT，扫描文末二维码可领取
3. 会话型与流程型协作的双轨并行
在具体的协作场景中，我们将人机共事梳理为四重模式：
数字分身：接入各类Agent 作为个人数字分身，帮用户实现“看、想、跟、干”的日常提效；
共享广场：在广场上获取企业已认证的专家智能体，即插即用，独立交付专业成果；
专家团队：将企业认证的专家Agent 组成团队，由协调员 Agent 进行复杂任务的拆解和执行；
团队化协作（组织）：以项目为中心的多人、多智能体协作空间，共享上下文，跨部门完成任务。
在工程实践中，我们发现“纯会话”的多人、多智能体协作容易失控。我们曾尝试做过一个项目模块，让多个人类和多个 Agent 进入一个项目空间协作。
在这个空间里，智能体、Skill、上下文、产出物和共享资料是天然绑定的。当人类在项目下发起指令时，系统只调用该项目关联的专家、Skill 和上下文，从而避免信息过载与上下文污染。
最后，人始终是组织的掌舵者。平台全流程提供监控与可观测性，对运行日志、任务进度、执行轨迹、Token 消耗等进行全面把控，确保智能体协作在安全、合规、成本可控的轨道上运行。
现场 Q&A
Q1：两个问题。第一，Token 消耗换算成资金，和我们节省的人力时间相比，ROI 是否大于 1？每一K 代码大概消耗多少 Token？第二，前面人写 PRD，其质量决定了代码质量。PRD 是人写的，如果后续生成代码有开发进行兜底，那么写 PRD 的人有什么动力去写好它？这中间存在角色转换，写得不好反正有开发兜底，这在组织上如何解决？
廖百成：我先回答第二个问题。在我们内部，PRD 并不是完全自由书写的，我们把它做成了 Skill。你必须写成什么样、包含哪些要素，是由 Skill 通过不断问答、考量来引导和限制的，以此确保最终文档符合规范。例如一个表单字段的填写，我们有既定的规范（如字符长度、不能输入控制字符、特殊符号过滤等），这些规则直接沉淀在 Skill 里。但这个字段在业务上到底代表什么，仍然需要人类产品经理去回答。这是一个通过不断问答来确认的过程。
目前 AI 并不能做到 100% 完美，能做到 60%—70% 的自动生成率就已经很好了，未来这个比例还会提高。
第一个关于 Token ROI 的问题。据我观察，不同岗位的投入产出比（ROI）差异很大。
产品经理的 Token 投入产出比其实并不是特别高。因为产品前期的变量太多——客户想法在变、环境在变，这会导致需求反复修改。在做探索性、规划性的工作时，ROI 往往不高。
以我们做探索性多智能体协作项目为例，前期讨论智能体进来后到底有几种协同模式，我们反复和AI 探究，AI 总是给出讨好式的、不切实际的答案。
我们反复问答，消耗了大量 Token。但最后，核心的协同模式还是我们人自己想出来的。像这种场景，Token 的消耗就是不划算的，我们人自己讨论可能一个星期就出结果了。但是，AI 在做确定性工作时的 ROI 非常高。比如我们已经写好了 PRD，需要做一份对外介绍材料或一页 PPT。把 PRD 丢给 AI，生成速度极快。你可能只花 10 块钱的 Token，就省去了一天的工作时间。
另外，开发端的 Token 消耗也非常大，有些开发同学因为需要进行高频、并发的循环测试，一天能消耗十几亿的 Token。我们内部现在也提倡使用更高效、并发能力更强的代码生成方式来进行开发，确实能显著提高整体效率。
Q2：个人助手和数字员工在实际运行中的核心区别是什么？数字员工在财务、合同、项目管理等实际业务流程中，到底是如何结合并实现提效的？
廖百成：针对第二个问题，数字员工在接入业务时，其背后必须有一套工作流（Workflow）。我们对企业传统的 BPM 系统进行了改造。原来的 BPM 流程节点只能指派给具体的人，现在这些节点既可以选人，也可以选择特定的智能体。当流程流转到智能体节点时，系统的数据会直接推送给它。
智能体通过工程化的方法抓取数据、进行业务操作，处理完毕后再将结果返回给 BPM 系统。这减少了大量的人工交接和等待。例如常规报销流程，基本已经很少需要人工干预。从发票识别、合规性校验到风险识别，基本全部由智能体自主完成。
当然，为了控制风险，对于金额较大（如超过万元）的报销，系统依然会路由给人工进行审核。
也就是说，数字员工在组织中被赋予了一个虚拟的“岗位角色”，并获得了相应的系统和数据授权，从而在流程的特定节点上代替人工执行任务。
值得一提的是，在实际落地中，不同的企业文化， AI Native 化的难度往往差别较大。因为很多中小型企业的文化更倾向于“跨岗位干活”，而大型组织更倾向于“一个萝卜一个坑”，分工极细，每个岗位的 SOP 非常清晰，AI 化相对容易。
所以大家会有一个反直觉的发现：民营企业做数字员工和流程 AI 化反而更难，而一些定岗定责、SOP 极其规范的国有企业，做数字员工落地反而更容易。（投稿或寻求报道：zhanghy@csdn.net）
最后，说一件事
2026 奇点智能大会，终于要和大家见面了。
11 月 20-21 日·北京，奇点智能研究院联合 CSDN，把两场技术大会放在了同一个时空里：
奇点智能技术大会（始于 2016）——聊大模型、AI Native、企业级 AI 落地、多模态与世界模型；
C++ 及系统软件技术大会（始于 2005）——聊现代 C++ 演进、AI 算力与推理优化、高性能低时延系统。
为什么要放在一起？因为我们越来越相信——上层 AI 应用的爆发，离不开底层系统软件的支撑；而底层技术的演进方向，也正在被 AI 重新定义。
这次大会汇聚 70+ 位技术专家、18 个主题、1000+ 同行到场。
如果你也在这些方向上做研究、做产品、做工程，别错过。
