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AgentAgent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CRMOpenAI已经展示过类似Workspace AgentAgent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AgentPolicy 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TicketOpenAI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 OnceUse 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 ↓ AIAgent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CRMAgent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 BenefitsOpenAI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 ↓ OrganizationExpert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 ChatEmployee ↓ ChatGPT第二阶段Reusable GPTEmployee ↓ Shared Instructions第三阶段Shared AgentTeam ↓ Agent ↓ Tools第四阶段Agent WorkflowBusiness Event ↓ Shared Agent ↓ Tools ↓ Action ↓ Verification第五阶段Agent OrganizationBusiness 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AIGive 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。