过去两年，企业讨论AI落地时，经常会问：

员工会不会用ChatGPT？

有没有接受Prompt培训？

多少人每周使用AI？

AI工具渗透率达到多少？

这些指标在AI刚进入企业时非常重要。

因为第一阶段的问题确实是：

Adoption。

先让更多人开始使用AI。

但进入2026年以后，一个新的分水岭正在出现。

OpenAI最新企业数据里有一个非常值得关注的信号：

截至2026年6月，在企业客户中，Codex已经贡献了ChatGPT与Codex合计输出Token的 64%。OpenAI把这种变化概括为企业AI正在从“asking”走向“doing”——从让AI回答问题，逐渐转向把更长、更复杂的任务委托给Agent执行。

这意味着企业AI真正的问题正在从：

员工会不会用AI？

逐渐变成：

企业敢不敢把真实工作交给AI？

这两件事看起来只差一步。

实际上背后对应的是两套完全不同的组织能力。

---

一、“会用AI”解决的是个人效率

传统ChatGPT使用方式非常熟悉：

Human
↓
Question
↓
AI
↓
Answer
↓
Human

例如：

帮我总结会议；

帮我分析数据；

帮我写邮件；

帮我解释代码；

帮我整理方案。

AI提供：

Assistance。

但工作真正怎么推进，仍然由人负责。

人负责：

找到资料；

决定下一步；

切换系统；

检查结果；

继续执行；

最终提交。

所以这种模式本质上是：

Human Workflow
+
AI Assistance

AI提高了其中某一步的效率。

但Workflow的控制权仍然在人。

---

二、Agent真正改变的是“任务所有权”

如果只是让AI回答：

这个Bug可能是什么原因？

AI承担的是：

Analysis。

但如果告诉Codex：

找出这个Bug的原因，修改代码，运行测试，并把结果整理出来。

结构就完全不同了。

Goal
↓
Agent
↓
Read Repository
↓
Analyze
↓
Modify
↓
Run Tests
↓
Observe
↓
Retry
↓
Verify
↓
Result

这时候人不再负责每一个中间步骤。

人开始把：

Task Ownership

的一部分交给Agent。

这也是“Assistance”和“Execution”最大的区别。

过去是：

AI helps me do the task

现在开始变成：

AI does the task for me

当然最终责任仍然在人。

但执行权正在发生变化。

---

三、这也是为什么Codex的64%比“使用人数”更值得关注

OpenAI最新企业数据并没有简单说：

“Codex用户很多”。

更值得注意的是：

Codex已经占企业客户ChatGPT与Codex合计输出Token的64%。OpenAI同时提醒，这个指标不能简单理解成64%的企业工作都由Codex完成，因为Agent任务通常更长、步骤更多，因此会自然产生更多输出Token。

但这恰恰说明一个问题：

企业正在把越来越长的工作链交给Agent。

普通聊天可能是：

Prompt
↓
500 Tokens

Agent任务却可能是：

Plan
↓
Tool
↓
Files
↓
Execution
↓
Verification
↓
Thousands of Tokens

所以真正值得看的不是单纯Token数量。

而是Token背后的：

Delegated Work。

---

四、企业AI真正的下一阶段可能叫“Delegation”

可以把企业AI采用简单分成三个阶段。

第一阶段：Access

员工有AI账号

目标：

让AI可以被使用。

---

第二阶段：Adoption

员工开始频繁使用AI

目标：

提高个人效率。

---

第三阶段：Delegation

真实任务
↓
Agent

目标：

让AI承担完整工作的部分执行责任。

这三个阶段的难度完全不同。

Access主要是：

采购问题。

Adoption主要是：

培训和习惯问题。

Delegation则变成：

组织系统问题。

---

五、为什么很多企业敢让员工问AI，却不敢让Agent真正做事？

因为：

回答错了

和：

执行错了

风险完全不同。

如果ChatGPT回答：

这段代码可能存在问题。

开发者可以不采用。

但如果Agent已经：

修改Repository；

运行Command；

更新CRM；

发送Email；

改变业务数据，

风险就已经进入真实系统。

因此企业会立刻遇到：

Permission
Sandbox
Approval
Verification
Audit
Recovery

这些问题。

所以很多企业实际上已经完成：

AI Adoption

但还没有真正进入：

AI Delegation

---

六、真正的分水岭是“允许AI产生Action”

这可能是一个很重要的判断标准。

AI如果只能：

Read
Think
Generate

它仍然主要是知识工具。

Agent开始拥有：

Read
Think
Act
Verify

以后，它才真正进入生产流程。

所以企业AI成熟度可以从另一个角度判断：

AI到底能不能产生真实Action？

例如：

Level 1

AI可以回答问题。

Level 2

AI可以生成文档。

Level 3

AI可以读取企业工具。

Level 4

AI可以修改系统状态。

Level 5

AI可以执行并自动验证完整Workflow。

越往后：

生产力潜力越大。

同时治理难度也越高。

---

七、为什么“同样都有ChatGPT”，企业差距反而会越来越大？

OpenAI最新数据还显示：

AI使用深度最高的前10%企业——官方称为Frontier firms——每位活跃用户产生的输出Token已经是典型企业的 8.3倍，而今年1月这一差距只有2.6倍。需要注意的是，这只是使用深度的代理指标，并不意味着生产力直接高8.3倍。

但趋势非常明显：

企业之间的AI使用深度正在快速分化。

为什么？

因为模型访问本身越来越趋同。

大家都可以买到类似能力。

真正拉开差距的是：

Context
Tools
Skills
Workflow
Permission
Governance

也就是说：

组织有没有能力让Agent真正进入工作。

---

八、Prompt能力可能正在从核心竞争力退到基础能力

早期使用AI，Prompt非常重要。

因为工作模式是：

Human
↓
Prompt
↓
Model

人需要不断告诉模型：

背景是什么；

目标是什么；

输出格式是什么。

但当企业开始建立：

Skills；

Plugins；

Workspace Agents；

自动化Workflow，

很多稳定知识会逐渐从：

Human Prompt

迁移到：

System Context

例如：

销售团队不需要每次告诉Agent：

我们的客户分级标准是什么。

这些规则已经进入：

Skill。

研发团队不需要每次告诉Codex：

测试命令是什么。

这些规则已经进入：

Repository Harness。

于是人的能力开始从：

怎么把Prompt写得更好？

逐渐转向：

怎样设计一个可以被Agent可靠执行的Workflow？

---

九、Frontier企业为什么更重视Plugins和Skills？

OpenAI最新企业数据里还有一个很明显的差距。

在每周活跃用户中，Frontier企业使用Plugins的比例为 21%，典型企业是9%；使用Skills的比例则是 19%对3%。

这非常值得注意。

因为Plugin和Skill解决的并不是：

模型更聪明。

而是：

模型能不能获得正确Context、工具和重复Workflow。

可以理解成：

Model Intelligence
+
Organizational Context
+
Tools
+
Workflow
=
Enterprise Agent

如果只有Model，

企业使用的仍然是：

通用智能。

加上组织Context以后，

它才开始变成：

企业执行能力。

---

十、真正的Agent化不是“每个人开一个Agent”

这是另一个容易出现的误区。

如果只是：

过去每人开一个ChatGPT窗口；

现在每人开一个Agent窗口，

企业结构并没有本质变化。

真正Agent化应该是：

Business Workflow
↓
Agent Capability

例如：

以前：

销售人员手动整理Lead。

后来：

销售人员让AI整理。

真正Agent化：

New Lead
↓
Agent
↓
Read CRM
↓
Research
↓
Qualification
↓
Draft Follow-up
↓
Human Review

AI不再只是一个：

Tool。

而成为Workflow中的：

Execution Node。

---

十一、这意味着企业需要重新定义“什么工作可以交给Agent”

不是所有工作都应该一次性自动化。

更合理的是先做任务分类。

第一类：低风险、可验证

例如：

格式整理；

信息分类；

测试运行；

状态汇总。

非常适合Agent。

---

第二类：有判断，但结果可以Review

例如：

代码修改；

研究分析；

报告生成；

客户分析。

可以：

Agent Execute
↓
Human Review

---

第三类：高风险、不可逆

例如：

生产数据删除；

重大财务决策；

高权限系统变更。

这类任务仍然应该：

Agent Prepare
↓
Human Approve
↓
System Execute

所以Agent Adoption真正需要建立的是：

Delegation Boundary。

---

十二、“敢不敢交给Agent”本质上取决于Verification

为什么企业不敢把更多任务交出去？

最核心的原因往往不是：

Agent完全不会做。

而是：

企业无法快速判断它做得对不对。

如果一个Agent生成一份200页报告，

但人仍然需要重新检查全部数据，

自动化价值非常有限。

如果Codex修改50个文件，

但开发者必须逐行重新理解，

同样如此。

所以真正推动Delegation扩大的关键是：

Execution
+
Verification

Agent必须能够提供：

测试；

Evidence；

来源；

Diff；

状态；

风险。

让人可以快速判断结果是否可信。

---

十三、没有Verification，Agent越强反而越可能增加人的负担

假设过去：

开发者自己一天完成3个任务。

现在Agent一天生成20个任务结果。

但每个都需要人工：

重新理解；

重新测试；

重新确认。

那么系统实际上把瓶颈从：

Code Generation

移动到了：

Human Review

所以：

Agent Throughput

提高，

不一定代表：

Organization Throughput

提高。

真正需要优化的是：

Task
↓
Agent
↓
Verified Result
↓
Fast Human Review

这条链。

---

十四、Agent真正改变的是“人的位置”

传统Workflow：

Human
↓
Execute
↓
Execute
↓
Execute
↓
Decision

Agent Workflow：

Human
↓
Define Goal
↓
Agent Executes
↓
Verification
↓
Human Decision

人的工作并没有消失。

但位置开始上移。

从：

Operator

逐渐变成：

Supervisor。

人负责：

目标；

边界；

风险；

异常；

最终判断。

Agent负责：

大量中间执行。

---

十五、RingCentral的案例为什么值得关注？

OpenAI在8月12日公布的RingCentral案例很能说明这个变化。

其AI-Native Challenge并不是只让员工体验ChatGPT，而是要求参与者借助ChatGPT Work和Codex完成完整的端到端项目，包括规划、实现、测试、文档、CI/CD和迭代；几乎所有参与者都建立出了可运行Repository。

这背后的关键不是：

AI会写代码。

而是员工开始尝试：

把完整生命周期交给AI协作完成。

这就是从：

Tool Adoption

走向：

Task Delegation。

---

十六、甚至非技术部门也在进入同一条路径

RingCentral的PMO团队还使用ChatGPT Work把原本分散在Jira、Google Sheets、CRM和其他系统里的状态信息连接起来，用于状态跟踪、报告、发布治理和知识交接。团队不再每次会议前手工询问“发生了什么”，而是让系统提前整理Blocker、Owner和Action。

这说明：

Agent化不是软件工程独有的问题。

其真正结构是：

Scattered Work
↓
AI Workflow
↓
Structured Outcome
↓
Human Decision

任何知识工作只要拥有：

重复步骤；

多个数据源；

明确结果，

都有可能逐渐进入这条路径。

---

十七、企业真正的AI壁垒可能变成“Delegation Rate”

未来也许可以出现一个很有意思的企业指标：

AI Delegation Rate。

例如：

AI参与任务
────────────
全部知识任务

还可以进一步看：

Agent Completed Tasks
──────────────────
AI Assisted Tasks

真正成熟的企业可能不是：

员工每天发送最多Prompt。

而是：

越来越多重复、明确、可验证的真实工作，不再需要人逐步操作。

---

十八、但Delegation Rate绝对不是越高越好

这一点也必须说清楚。

如果盲目追求：

100% Agent Automation

非常危险。

因为不同任务：

风险；

可验证程度；

业务影响

完全不同。

真正应该优化的是：

Appropriate Delegation。

也就是：

Low Risk
→ Agent

Medium Risk
→ Agent + Review

High Risk
→ Agent + Approval + Human Decision

所以Agent规模化不是：

减少人。

而是：

重新设计人应该出现在哪里。

---

十九、这会逼企业重新建设权限体系

一旦Agent真正承担Task，

企业必须回答：

Agent可以看什么？

Agent可以修改什么？

哪些Action可以自动执行？

哪些必须审批？

谁对Agent结果负责？

这就是为什么：

Sandbox；

Approval；

Identity；

Audit；

Governance

会越来越重要。

因为“敢不敢交任务”最终不是信任模型。

而是：

信任整个控制体系。

---

二十、所以真正的企业Agent能力不是“更聪明”，而是“更可信”

一个Agent可能非常聪明。

但如果：

无法限制权限；

结果无法验证；

失败无法恢复；

操作不可审计，

企业不会把核心工作交给它。

另一个Agent能力稍弱。

但拥有：

Clear Boundary
+
Verification
+
Approval
+
Audit
+
Recovery

企业反而更敢使用。

所以企业Agent真正需要优化的是：

Capability
×
Trust

而不是：

Capability Only

---

二十一、企业AI的竞争正在从Model Adoption走向Operating Model

早期企业竞争：

谁先接入GPT？

然后：

谁的员工用得更多？

下一阶段可能是：

谁把更多：

Context
Tools
Skills
Agent
Verification

真正组合进业务Workflow。

最终形成：

Business Goal
↓
Agent Workflow
↓
Tools
↓
Execution
↓
Verification
↓
Human Decision

这已经不是简单的软件使用问题。

而是：

Operating Model。

---

二十二、未来“不会用AI”的定义也会改变

过去不会用AI可能意味着：

不会写Prompt。

未来可能变成：

不知道哪些工作应该交给Agent。

或者：

不知道如何定义目标、边界和验证。

这其实是一个非常大的能力迁移。

个人AI时代的重要技能是：

Prompting。

Agent时代可能更重要的是：

Task Design
Delegation
Verification
Supervision

这四个能力。

---

二十三、为什么现在这个变化尤其值得关注？

因为从OpenAI最新企业数据来看，企业AI正在明显向更深、更Agent化的使用方式移动：Codex在企业ChatGPT与Codex合计输出中的占比已经达到64%，Frontier企业与典型企业之间的使用深度差距也从1月的2.6倍扩大到6月的8.3倍。

这说明：

AI访问权正在越来越普遍，但AI真正进入工作流的速度并不相同。

差距正在从：

有没有AI

变成：

AI到底承担多少工作。

---

二十四、真正的企业AI分水岭可能只有一个问题

未来判断一家企业AI成熟不成熟，

也许可以直接问：

如果今天把ChatGPT关闭，员工会不会只是写东西慢一点？

还是：

大量真实Workflow会直接停止运行？

如果只是前者，

AI仍然主要是：

Productivity Tool。

如果是后者，

AI已经逐渐成为：

Operational Infrastructure。

这两者之间，

就是非常大的成熟度差异。

---

最后

过去企业AI的第一阶段是：

Can Employees Use AI?

然后进入：

Do Employees Use AI?

下一阶段真正重要的问题可能已经变成：

Can We Delegate Real Work to AI?

也就是：

我们到底敢不敢把真实任务交给Agent？

这背后需要的并不是更好的Prompt。

而是一整套：

Task Boundary
Context
Tools
Permission
Execution
Verification
Review
Governance

当这些能力逐渐成熟以后，

企业AI才会真正从：

Assistance

进入：

Execution。

所以未来企业AI真正的分水岭，可能不是：

谁的员工最会使用ChatGPT。

而是：

谁能够把更多合适的真实工作，稳定、安全、可验证地交给Agent完成。

模型决定Agent：

能不能做。

组织能力决定企业：

敢不敢让它做。

而真正能够跨过这道门槛的企业，才可能从：

AI Adoption

真正走向：

Agentic Organization。

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。