为什么说未来的工作是"智能体的"

一、组织架构图上的新成员

打开你公司的组织架构图。

现在想象一下：上面的方框里，有一半是人，另一半是AI Agent。每个Agent都有名字、有职责、有上级、有KPI，甚至有自己的"工号"。

这不是科幻。麦肯锡资深合伙人Jorge Amar在2025年6月的访谈里说得很直接：已经有一些先锋企业开始用FTE数量+Agent数量两个维度来描述自己的劳动力结构。他给的时间预期是18到24个月，Agent就会在企业里达到真正的规模化部署。

这个判断和今年12月麦肯锡的AI应用现状调研对得上：62%的企业已经在试Agent，23%声称已经在至少一个职能里启动规模化。问题不是"会不会发生"，而是"我准备好了没有"。

二、Agent不是更聪明的ChatGPT

很多人把Agent理解成"会调工具的GPT"，这是低估了它。

Jorge给了一个很简洁的对比：生成式AI是反应式的——你给一个prompt，它生成一段内容，结束，本质上是一次性的"内容生产"；Agent是执行式的——它感知现实、做判断、执行任务，然后根据执行结果反过来强化自己的学习，在一个闭环里运转。

这个区别落到企业场景就完全不是一回事。Jorge举的招聘客户案例：一个Agent清洗候选人数据库，另一个给候选人打分排序，第三个发起联系、安排面试，再加一个"协调者Agent"统筹这几个子Agent。这就不是"用AI辅助招聘"了，是"招聘这个职能里有四个数字员工在协作"。人做的是最终决策、异常处理、Agent做不了的事。

更进一步的例子是客服培训。原来一个主管最多抽听三五个电话做辅导，现在Agent扮演各种类型的客户和坐席对练，实时打分——用词对不对、流程有没有漏、关键话术有没有说到。每一通真实电话事后也会被Agent打分。主管的工作从"抽样听录音"变成"看Agent给出的全量诊断报告，针对性辅导"。

注意这里的关键：Agent不是替代了流程里的某一步，而是改写了整个流程的形态。这跟"重塑工作流"是高绩效企业第一关键因子的发现完全吻合。

这也是Bizfocus ADP在搭建智能体时反复确认的一件事：Agent项目能不能跑出价值，往往不在模型本身，而在愿不愿意把整条业务流程拿出来重新画一遍。

三、"数字员工"意味着什么

Jorge借用了Nvidia CEO黄仁勋一句话——"IT会成为未来AI Agent的HR"。他把"造一个Agent"拆成几步，几乎就是企业HR的标准动作：

传统HR环节	AI Agent对应环节
提出招聘需求	业务侧明确"需要一个什么能力的Agent"
招聘/外包	IT开发或采购Agent能力
入职培训	"调教"Agent（tuning）
配备业务导师	业务专家（SME）输入流程知识
提供工作资料	内容专家维护语料和知识库
教SOP和话术	提示工程师设计prompt策略
试用期复盘	持续监控+反馈强化

这个映射不是修辞。Jorge讲了一个细节：他们调教好的Agent上线后，开始吐出一堆新冠时期的政策——训练语料里还留着已经过时的内容。这跟新员工拿了一份2020年的员工手册去给客户讲流程，是一回事。

Agent需要"人事档案"、需要"在职培训"、需要定期"绩效复盘"。这不是拟人化，是工程必要——管理一个会持续工作、持续犯错、持续需要更新的系统，最有效的心智模型就是把它当员工管。

四、一个"数字员工档案"长什么样

如果真把Agent当员工管，技术上至少要给它建一份"档案"：

from dataclasses import dataclass, field
from datetime import datetime

@dataclass
class AgentProfile:
    """Agent的'员工档案'——不是修辞,是工程必要"""
    
    # 基本信息
    agent_id: str
    role: str                      # 例如 "L1客服" "招聘初筛"
    reports_to: str                # 上级:可以是人,也可以是协调Agent
    
    # 能力边界(招聘JD)
    skills: list[str]
    out_of_scope: list[str]        # 明确"不做什么",触发转人工
    
    # 培训资料(员工手册)
    knowledge_sources: list[str]   # 关联的知识库版本
    knowledge_updated_at: datetime # 过期内容会让Agent"乱讲"
    
    # 工作规范(SOP)
    system_prompt: str
    escalation_rules: list[dict]   # 什么情况必须上报人类
    
    # 绩效追踪(KPI)
    kpis: dict = field(default_factory=dict)
    interaction_log: list = field(default_factory=list)


def hire_agent(profile: AgentProfile) -> AgentProfile:
    """入职流程:不只是部署,要走完整onboarding"""
    assert profile.system_prompt, "没有角色定义不能上岗"
    assert profile.escalation_rules, "没有上报规则不能上岗"
    assert profile.knowledge_updated_at, "知识库未确认更新日期"
    return profile

这段代码里没有任何"AI黑科技"，全是HR管理常识翻译成代码：明确职责边界（对应JD）、关联知识源并追踪过期时间（对应那个"COVID政策乱讲"的教训）、强制升级规则（对应"必须找主管"）。

很多Agent项目跑不通，根因不是模型不够强，而是没把Agent当员工管——没给JD、没给手册、没给上级、没给复盘机制。然后一旦出问题，就归咎于"大模型不靠谱"。

这也是Bizfocus ADP在设计Agent管理层时坚持的一条原则：每一个上线的Agent都必须有完整的档案、知识源版本、升级规则和KPI追踪。不是为了好看，是为了让它真正能在企业里"长期任职"。

五、变更管理才是真正的瓶颈

访谈里有个反直觉的结论：Agent部署的最大瓶颈不是技术，是变更管理。

Jorge讲了一个真实场景。技术上线了，Agent运转正常，但人工座席的话务量没下来——一线员工不信任Agent的输出，他们用Agent给的结果，但自己又算一遍，结果工作量翻倍。

这个现象在Bizfocus ADP的实际部署里也反复出现过——技术指标全绿，但业务指标不动。规律是：必须让一线员工在Agent上线前就参与训练和验证，他们认账了，话务量才会真的转移过去。否则Agent就只是一个被绕开的工具。

更典型的对话：你怎么跟一个干了20年的老客服说"以后这个Agent比你做得好"？他大概率会怼回来："这个昨天才训练出来的AI怎么可能替代我20年的经验？"

这就是为什么Jorge说"HR将成为AI员工的HR"——业务定需求、IT造Agent，但让组织真正接受Agent绕不开HR：激励机制怎么改、沟通怎么做、老员工怎么转岗、新技能怎么培养。他特别提到一种现实的转岗路径：L1技术支持的工作可能被Agent全量接管，但这个人完全可以重新培养成提示工程师、内容专家、Agent训练员。关键是组织有没有这个能力去规模化做这件事。

六、让人去做更像人的工作

Jorge的时间表预测是18到24个月。这个数字听起来快，但他也给了几个现实卡点：技术栈和数据栈得跟上、风险管控（他举了一个让我笑出来的例子：客服Agent如果被训练成"以挽留客户为最高目标"，可能给出90%的折扣，所以你可能需要再训练一组Agent去监控这些Agent）、还有成本和UX。

但整份访谈我反复读，最打动我的不是Agent能做什么，而是Jorge对人的态度。他说他最期待的不是降本增效，而是：

让人去做那些不重复、不会让员工年流失率高达60%、100%的工作；让员工的职业路径回归到和人建立连接这件事上；让那些过去在"效率至上"逻辑下被压抑的技能——同理心、创造力、判断力——重新变得重要。

未来的工作是"智能体的"，但归根结底，是让人去做更像人的工作。

Agent去处理重复、标准化、规则明确的部分；人去做需要温度、需要判断、需要承担的部分。这不是危言耸听的"AI替代人"，是一次重新分工的机会。

你可能愿意用聊天机器人改签机票。 但如果你刚出了车祸，你想跟人说话，还是跟机器说话？ ——Jorge Amar

---

参考资料：McKinsey & Company, The future of work is agentic, McKinsey Talks Talent, June 2025. 受访人Jorge Amar为麦肯锡全球资深董事合伙人，常驻迈阿密分公司。

---