过去几年，企业使用生成式AI最常见的结构一直是：

Employee
↓
ChatGPT
↓
Prompt
↓
Result

每个人拥有自己的聊天记录。

自己的Prompt。

自己的工作习惯。

自己的GPT。

这种模式最大的价值，是迅速提高：

Individual Productivity。

但它同时存在一个长期问题：

AI能力主要停留在个人层面。

一个员工摸索出非常好用的Prompt，换一个人可能还要重新摸索。

一个高级员工知道怎样分析客户、怎样检查代码、怎样整理数据，这些经验也很难自动复制给整个团队。

而Workspace Agents正在把这个结构往另一个方向推进。

目前Workspace Agents已经面向ChatGPT Business、Enterprise和Edu提供，团队可以创建能够处理完整Workflow的共享Agent；Agent可以连接应用、Skills、文件和自定义MCP，可以在ChatGPT或Slack中被团队使用，也可以按计划运行或通过API触发。

这意味着企业AI正在从：

Personal Assistant

逐渐走向：

Shared Execution Capability。

---

一、个人AI最大的问题：能力跟着人走

假设公司有三个销售。

销售A非常会使用ChatGPT。

他知道：

怎样研究客户；

怎样整理通话记录；

怎样判断客户优先级；

怎样写Follow-up。

于是他的工作流可能已经变成：

Customer
↓
Research
↓
ChatGPT
↓
Qualification
↓
Follow-up

但销售B不会。

销售C使用方式又完全不同。

最终企业拥有的是：

Employee A
→ AI能力A

Employee B
→ AI能力B

Employee C
→ AI能力C

这其实和传统组织里的“个人经验”非常相似。

能力仍然绑定在人身上。

所以即使企业AI使用率越来越高，也不代表：

组织真正拥有了这套能力。

真正的问题是：

能不能把一个人的AI工作方法，变成整个团队都能重复使用的执行流程？

Workspace Agents真正有意思的地方就在这里。

---

二、Workspace Agent和普通GPT最大的区别，不只是“更强”

OpenAI直接把Workspace Agents描述成GPTs的一次演进。

但真正值得关注的不是：

GPT升级成Agent了。

而是它们承担的工作单位发生了变化。

传统GPT更接近：

Instructions
+
Knowledge
+
Conversation

用户调用它：

帮我完成这件事。

它返回一个结果。

Workspace Agent则进一步加入：

Tools
Apps
Skills
Memory
Schedule
Actions
Approvals

并且可以持续完成多步骤工作。OpenAI目前允许Agent调用连接的应用、工具、自定义MCP和Skills，也可以在云端持续执行、定时运行以及在Slack中响应团队请求。

因此可以把两者抽象成：

GPT
≈
Reusable Intelligence

而：

Workspace Agent
≈
Reusable Workflow

前者主要复用：

回答方式。

后者开始复用：

工作方式。

---

三、企业真正需要共享的，不应该只是Prompt

今天很多公司内部都会建立：

“优秀Prompt库”。

例如：

市场分析Prompt；

销售邮件Prompt；

代码Review Prompt；

财务分析Prompt。

这种方法当然有价值。

但Prompt本质上只是：

Instruction。

一个真实工作流还需要：

Context
Tools
Process
Rules
Verification
Permission

例如一个销售Agent真正执行Lead Qualification，不只是需要一句：

帮我分析这个客户。

它可能需要：

读取CRM
↓
查看通话记录
↓
读取公司信息
↓
匹配Qualification规则
↓
生成判断
↓
写Follow-up
↓
更新CRM

OpenAI已经展示过类似Workspace Agent：Agent可以研究Lead、根据团队标准评分、生成个性化跟进并更新CRM；另外也有Software Reviewer、Metrics Reporter、Product Feedback Router等完整Workflow示例。

这时候真正值得共享的已经不是：

Prompt Template。

而是：

Executable Process。

---

四、知识开始从“文档”变成“可执行知识”

过去企业沉淀知识，最典型的方式是：

SOP
Wiki
Notion
Document

员工需要：

找到文档；

阅读；

理解；

执行。

所以：

Knowledge
↓
Human
↓
Action

中间永远需要人完成转换。

Agent出现以后，这个结构开始变化。

如果团队把一个流程写进Agent：

Policy
+
Rules
+
Tools
+
Skills
+
Workflow

那么知识就可能直接参与执行。

例如IT软件审批流程：

收到软件申请
↓
检查批准列表
↓
检查公司Policy
↓
判断风险
↓
决定是否需要Approval
↓
创建Ticket

OpenAI目前公开的Workspace Agent示例中，就包括能够检查软件请求、执行政策规则、路由审批并创建IT Ticket的软件审查Agent。

所以企业知识可能经历：

Documented Knowledge
↓
Reusable Knowledge
↓
Executable Knowledge

这是一个非常大的变化。

---

五、“Build Once，Use Together”可能比个人效率更重要

Workspace Agents一个核心设计就是：

团队创建一次，然后共享使用。

Agent可以：

仅自己使用；

通过链接共享；

发布到组织目录；

添加到Slack。

于是企业AI开始出现一个过去个人ChatGPT很难形成的结构：

Team
      ↓
 Shared Agent
 ↙    ↓    ↘
A     B     C

三个人不再分别维护三套Prompt。

而是共同调用：

同一个执行能力。

如果Workflow需要更新：

过去：

修改10个人的Prompt

未来可能只需要：

Update Agent
↓
Everyone Uses New Workflow

这就是软件工程里非常熟悉的：

Centralized Capability。

---

六、Agent开始变成一种新的“组织资产”

传统企业资产包括：

代码；

数据；

流程；

文档；

SOP。

未来可能还会增加：

Agents。

因为一个成熟Agent里面实际上已经包含很多东西：

Agent
=
Instructions
+
Context
+
Skills
+
Tools
+
Permissions
+
Workflow
+
Memory

而且Workspace Agents目前已经具备团队目录、版本管理、使用分析等能力；管理员还可以查看Agent的活动、连接应用、计划任务以及使用情况。

于是Agent不再只是：

某个人做的一个AI小工具。

它开始越来越像：

Organizational Software Asset。

---

七、真正有价值的是“共享执行”，而不只是“共享聊天机器人”

如果Agent只能回答问题，那么共享价值其实有限。

例如：

HR FAQ Bot

当然有用。

但真正改变企业工作方式的是：

Agent开始可以：

读取系统；

生成文件；

运行代码；

调用工具；

更新业务系统；

发起下一步Action。

OpenAI目前的Workspace Agents由Codex驱动，可以在云端拥有用于文件、代码、工具和Memory的工作空间，并能跨多个步骤持续推进任务。

所以企业共享的对象正在从：

Shared Chatbot

升级到：

Shared Worker

更准确一点：

Shared Execution Capability。

---

八、Slack入口为什么值得注意？

Workspace Agents目前不仅可以存在于ChatGPT。

还可以被部署到Slack。

这看起来只是增加一个Channel。

实际上背后反映的是：

Agent正在进入工作发生的地方。

过去使用AI：

看到问题
↓
离开Slack
↓
打开ChatGPT
↓
复制Context
↓
问AI
↓
复制结果回来

人承担：

Context Transport Layer。

Agent进入Slack以后：

Work Conversation
↓
Agent
↓
Context
↓
Action

这意味着AI入口开始从：

AI Application

进入：

Existing Workflow。

长远来看非常关键。

因为真正成熟的企业AI不会要求员工：

每遇到一个问题都去找AI。

而应该是：

AI已经存在于工作流里。

---

九、Schedule和API Trigger让Agent进一步脱离“人工启动”

如果一个Agent每一次仍然需要：

Human
↓
Click
↓
Agent

本质上它仍然是一种工具。

但Workspace Agents目前已经支持：

Scheduled Runs

以及：

API Trigger。

内部系统、定时任务或其他Workflow都可以触发同一个共享Agent。

于是结构开始变成：

Business Event
↓
Agent
↓
Workflow

而不是：

Business Event
↓
Human发现
↓
Human调用AI
↓
Workflow

人的“启动动作”开始被移除。

这也是Agent从：

Interactive Tool

变成：

Operational System

非常重要的一步。

---

十、但共享Agent会立刻带来一个更大的问题：谁允许它做什么？

个人ChatGPT的时候，权限问题相对简单。

因为：

User
↓
AI

Agent基本围绕用户本身工作。

一旦Agent成为组织共享能力，问题马上变成：

Agent
↓
可以访问谁的数据？
↓
可以调用什么工具？
↓
可以做什么Action？

例如一个销售Agent能够访问CRM。

那是不是所有员工都应该通过它看到全部客户？

一个财务Agent能够修改Spreadsheet。

谁可以让它执行写入？

一个Agent能够发送Email。

是否应该自动发送？

Workspace Agents目前允许Builder控制Agent能够使用哪些工具和数据、能够执行哪些动作，以及哪些敏感动作必须请求Approval；管理员还能控制哪些用户能够使用、创建和共享Agent。

所以Agent一旦共享：

Governance就不再是可选项。

---

十一、企业权限模型也会从“User Permission”走向“Agent Permission”

传统企业权限体系主要关注：

User
↓
Resource

例如：

Alice能不能访问Finance系统？

Bob能不能修改CRM？

Agent出现以后增加了一层：

User
↓
Agent
↓
Resource

于是需要回答：

Alice可以调用哪个Agent？

这个Agent能访问哪些Apps？

可以Read还是Write？

哪些Action需要Approval？

未来企业权限体系很可能逐渐形成：

Identity
+
Agent
+
Tool
+
Action
+
Context

这比传统RBAC复杂得多。

也是为什么Agent规模化以后，权限、Policy和Approval会越来越成为基础设施问题。

---

十二、共享Agent还意味着“组织需要管理Agent生命周期”

如果公司只有3个Agent，问题不大。

如果以后有：

300 Agents

新的问题马上出现：

谁创建的？

谁维护？

最后一次更新是什么时候？

使用了哪些数据源？

还有多少人在使用？

Workflow是不是已经过期？

有没有重复Agent？

是不是仍然符合公司Policy？

所以Agent最终一定会进入类似软件的生命周期：

Build
↓
Test
↓
Publish
↓
Monitor
↓
Improve
↓
Deprecate

而不是：

Build
↓
Forever

目前Workspace Agents已经提供Preview、发布、共享、Analytics以及管理员集中查看Agent活动等能力，本质上已经开始向这种Lifecycle Management靠近。

---

十三、组织结构里可能出现一个新的角色：Agent Owner

软件有：

Product Owner。

数据有：

Data Owner。

Workflow也通常有：

Process Owner。

未来成熟Workspace Agent可能同样需要：

Agent Owner。

负责：

Goal
Workflow
Data
Tools
Permission
Quality
Monitoring

因为Agent真正进入业务以后，问题就不能再是：

谁写了这个Prompt？

而必须变成：

谁对这个Agent的业务结果负责？

这是从Demo到Production之间非常重要的一步。

---

十四、Agent的真正价值可能来自持续改进

个人Prompt往往是：

写完。

使用。

忘记。

共享Agent则可以形成另一种循环：

Build
↓
Team Uses
↓
Failure
↓
Correction
↓
Update Workflow
↓
Everyone Benefits

OpenAI目前也强调Workspace Agent可以被团队持续指导和修正，并在使用过程中逐步改进；团队可以构建一次、持续优化，再共享给更多Workflow。

这其实很像软件工程：

一个Bug被修复以后，

不是：

只修复某个用户。

而是：

所有用户下一次都获得修复后的版本。

Agent开始拥有同样的组织放大效应。

---

十五、这可能改变企业知识传播的方式

传统组织：

Expert
↓
Training
↓
Employee

高级员工需要：

培训新人；

写SOP；

回答重复问题。

未来可能多一种方式：

Expert
↓
Agent Workflow
↓
Organization

Expert真正需要做的是：

把：

判断标准；

工作步骤；

异常处理；

验证方式

沉淀进Agent。

于是一个专家的工作方法可以同时被：

10个人；

100个人；

甚至整个组织调用。

这就是：

Expertise Scaling。

---

十六、个人生产力工具和组织生产力系统的差别就在这里

个人AI关注：

How can AI help me?

组织AI需要回答：

How can AI become part of how we work?

前者优化：

Person。

后者优化：

System。

所以可以把企业AI发展分成几个阶段。

第一阶段：Personal Chat

Employee
↓
ChatGPT

---

第二阶段：Reusable GPT

Employee
↓
Shared Instructions

---

第三阶段：Shared Agent

Team
↓
Agent
↓
Tools

---

第四阶段：Agent Workflow

Business Event
↓
Shared Agent
↓
Tools
↓
Action
↓
Verification

---

第五阶段：Agent Organization

Business Goal
↓
Multiple Agents
↓
Shared Context
↓
Control Plane
↓
Human Decision

每往上一层，

企业共享的就越来越不是：

答案。

而是：

执行能力。

---

十七、这和上一代SaaS的逻辑完全不同

SaaS时代企业采购的是：

Software Capability。

软件已经设计好。

员工学习使用。

AI Agent时代企业可能逐渐开始：

自己构建执行能力。

例如：

某家公司有：

Vendor Review Agent

另一家公司有：

Sales Qualification Agent

研发团队有：

PR Review Agent

财务有：

Month-End Agent

这些Agent高度依赖：

公司流程；

公司数据；

公司Policy；

公司经验。

因此同一个基础模型上，

不同企业最终可能形成完全不同的：

Agent Layer。

这层本身可能成为企业新的数字资产。

---

十八、未来企业真正的AI壁垒可能不是“用了哪个模型”

模型会持续升级。

今天使用：

Model A。

明天可能换成：

Model B。

如果企业所有AI能力都绑定在：

Model

上，那么模型一换，差异很快消失。

真正难复制的其实是：

Context
+
Workflow
+
Skills
+
Tools
+
Verification
+
Organizational Knowledge

也就是说：

Agent本身并不是壁垒。

真正的壁垒是：

企业到底把多少真实工作经验沉淀成了可以持续执行的Agent Workflow。

---

十九、企业AI最终可能形成“共享Agent层”

把昨天和今天几篇文章串起来，可以看到一个越来越清楚的企业架构。

最下面：

Models

提供智能能力。

然后：

Agent Runtime

负责执行。

再往上：

Shared Agents

沉淀组织Workflow。

然后：

Control Plane

管理任务和Agent。

最上面：

Human Decision

负责目标、风险和最终判断。

完整结构就是：

Human Decision
↓
Control Plane
↓
Shared Agent Layer
↓
Agent Runtime
↓
Models

企业真正不断积累的，

很可能就是中间这一层：

Shared Agent Layer。

---

二十、这也是为什么Workspace Agents值得持续关注

如果只是看功能：

Workspace Agents可以：

共享；

连接工具；

接入Slack；

定时运行；

API触发。

这些当然重要。

但更重要的其实是它背后的组织变化：

过去企业部署AI：

Give Everyone AI

现在开始变成：

Build AI Capabilities
↓
Share Them
↓
Operate Them
↓
Improve Them

也就是说：

AI开始从：

Employee Benefit

变成：

Organizational Infrastructure。

---

最后

个人GPT时代，我们关注的是：

怎样给每个人一个更好的AI助手？

Workspace Agents时代，一个更重要的问题开始出现：

怎样把整个团队最好的工作方式，变成可以共享和持续执行的Agent？

如果一个Agent能够：

理解团队流程；

访问正确Context；

使用正确工具；

执行真实Action；

遵守组织权限；

请求必要Approval；

留下可以Review的结果，

那么企业共享的已经不是：

一个Chatbot。

而是：

一种执行能力。

所以企业AI的发展路线可能越来越清楚：

Personal Intelligence
↓
Shared Intelligence
↓
Shared Workflow
↓
Shared Execution

最终真正有价值的也许不是：

公司有多少员工会使用ChatGPT。

而是：

公司已经沉淀了多少可以被整个组织重复调用的Agent Workflow。

从这个角度看，

Workspace Agents代表的并不只是GPT功能升级。

它更像是企业AI进入下一个阶段的信号：

AI能力开始从个人资产，变成组织资产。

而当这些Agent可以被共享、调度、监控和持续改进以后，

企业真正拥有的也不再只是：

AI工具。

而是一层新的：

Shared Execution Capability。

持续更新Codex、大模型开发相关技术内容。

长期使用各类代码大模型，整理了稳定的AI会员订阅渠道。