AI 开始有自己的邮箱了,企业准备好给它一个“岗位”了吗?

简介: 本文探讨AI Agent作为“数字同事”融入企业组织的深层变革:当AI拥有独立邮箱、日历与身份,它不再仅是工具,而成为可委托职责、可交接工作、需明确权责的协作节点。核心在于——企业需以岗位思维设计AI角色:界定职责边界、管理委托关系、沉淀可交接经验、保障权限与审计,并将价值落于团队整体效率提升。

如果有一天,你打开公司的通讯录,发现里面多了一位项目协调员。

它有自己的邮箱、日历和资料空间。同事可以把它拉进项目群,在文档里提到它,也可以把一项持续的工作交给它。第二天换一个人接着沟通,它仍然知道这个项目在推进什么。

这位协调员是一名 AI Agent。

这样的产品形态正在被大厂认真推动。2026 年 10 月 8 日,Google 在 Gemini at Work 的公告中介绍了 coworker agent:它可以拥有独立的 Workspace 账号、邮箱、日历、Drive,以及公司目录中的位置;同事通过聊天和文档评论与它协作,修改记录归到它自己的身份下。

这条消息很容易被理解成“AI 办公又多了一个新功能”。但如果顺着它往后推,值得关注的变化要大得多。

当 AI 拥有一个可以被同事持续找到的身份,企业就开始面对怎样给它安排职责、交接工作和确认责任的问题。

这里的“岗位”是一种组织协作的比喻:一段稳定的职责、一个明确的委托关系,以及一套别人能够据此继续工作的约定。机器不因此成为最终承担业务后果的人。恰恰因为后果仍然属于组织,企业才需要认真设计这种新的工作关系。

独立邮箱让工作有了持续的接收位置

我们已经习惯了一种 AI 使用方式:员工打开聊天窗口,把资料贴进去,获得结果,再将结果复制回办公软件或业务系统。

这一过程中,工作关系主要存在于员工与助手之间。同事知道要找这名员工,却未必知道怎样找到他正在使用的助手。员工休假、转岗或者更换工具以后,其他人常常需要重新理解事情的来龙去脉。

独立的协作身份提供了另一种可能。

项目通知可以到达同一个接收位置,成员可以围绕同一段职责交办,工作记录可以留在共同使用的空间里。一个人负责提出目标,另一个人补充资料,第三个人回来验收,他们不必都依赖最初那个人的私人聊天窗口。

邮箱本身没有创造推理能力。它改变的是工作如何被找到、被接续,以及归到哪个执行角色名下。

传统软件中,企业早就使用共享邮箱、服务账号和工单队列承接这类工作。Agent 带来的新问题在于:接收信息以后,它还可能理解目标、选择步骤、调用系统并持续推进。组织需要为这种行动能力安排更明确的工作关系。

因此,一个团队 Agent 的价值,不能只看它能否写出一份更漂亮的文档。还要看不同同事能否围绕它协作,任务是否有稳定的去向,以及事情进行到一半时,别人能否接得上。

企业需要先定义它承担哪一段工作

设想一家提供设备服务的企业,为项目组配置了一个交付协调 Agent。

它接收指定项目的客户资料,整理尚未补齐的文件,汇总内部进度,提醒对应负责人,并更新允许范围内的待办。到了约定时间,它还可以准备一份交付说明,列出已完成事项和仍需确认的条件。

这是一个足够具体、也有持续价值的角色。

但是,“项目协调员”这个名字并没有回答所有问题。它是否可以直接对客户承诺日期?是否可以宣布验收通过?能否关闭项目,或者触发后续付款?

这些动作会带来不同的组织后果。发现材料齐全、准备验收文件和正式确认验收,是可以分别委托的工作。它们不应当因为出现在同一段对话里,就自动合并成一份无限扩大的许可。

企业为这个角色确定职责时,应当说明它负责推进什么、可以使用哪些资料、哪些动作已经允许,以及遇到什么条件需要负责人决定。对于已经委托、条件仍然成立的工作,它可以持续执行;当变化超出原有范围,或者使必要条件不再成立时,再交给对应的负责人决定。

这种安排也有助于减少无效确认。把职责写清楚以后,系统无需在每一步都问“是否继续”;它可以只在真正产生新承诺、扩大工作范围或者触及关键业务状态时请求决定。

清楚的职责,会同时改善自动推进的效率和人对工作的掌控。

这需要业务负责人参与。技术团队可以维护运行环境和连接方式,却不能独自决定一项交付何时获得组织认可。微软的 Entra Agent ID 管理文档,也将技术所有者与业务赞助人分开:前者负责配置和凭证,后者关心 Agent 的目的、生命周期和访问复核。

这类分工透露出一个方向:Agent 管理正在进入企业管理,而不只停留在工具安装和模型选择。

群里每个人的话都需要保留各自的分量

团队使用 AI 时,一个容易被低估的问题是委托来源。

继续看这个项目。客户在邮件中希望提前交付,工程师在群里说主要功能已经完成,销售表示可以尽快推进,项目负责人则要求等现场检查结果回来再确认。

这些信息都与任务有关,但它们承担的作用不同。

客户提出需求,工程师提供进度事实,销售表达业务诉求,负责人给出当前决定。Agent 可以理解这些内容、整理分歧并寻找下一步,却需要继续保留每项决定来自谁、适用于什么事情。

如果只是把整段群聊作为上下文,让模型根据最强烈、最靠近结尾的表达向前执行,组织原有的决定关系就可能被语言的表面顺序取代。

这一点也影响权限。一个项目群里可能同时有销售、财务、工程师和外部供应商。Agent 加入群聊以后,不应当自然获得所有成员权限的并集。能看到相关讨论,与能够使用其中某个人的业务权力,需要分别处理。

独立身份能够帮助我们识别执行者,但一次行动还应当说明它依据谁的委托、面向哪个项目、在什么范围内发生。有些动作由组织直接授权给这个角色,有些则代表某个用户执行具体任务。代表用户行动时,系统需要同时保留 Agent 的执行身份和用户的委托身份,并由业务系统验证这项操作的实际权限。

Google 在介绍 coworker agent 时,同样强调共享范围和成员关系,并将身份、权限与审计作为企业能力的一部分。这说明独立账号提供的是组织管理的起点,后续授权仍需落实到实际系统。

对用户而言,这些关系应该尽量由系统可靠传递。他只需要自然地表达目标,无须每次都重新解释自己的职位、部门和所有权限。对组织而言,自然的交互又必须留下明确的决定来源。

协作越顺畅,背后越需要把这些关系安排清楚。

团队经验怎样留下来,决定岗位能否被交接

一个 AI 角色承担持续工作以后,任务记录和同事的反馈会逐渐留下可供团队总结的经验。

哪些客户需要提前提醒,哪些项目容易漏掉附件,哪类变更通常需要工程师复核,交付说明应当怎样组织。这些经验会影响下一次工作能否更快、更准确地推进。

如果它们只存在于最初配置者的聊天记录中,这个角色的持续性就很脆弱。换一个同事、开一个新会话或者更换模型,团队可能又要从头解释。

因此,企业有必要把可复用的工作经验,逐步整理成能够交接的资料和约定。但整理经验也需要区分不同内容。

某位客户曾经喜欢简短的邮件,这是可以参考的偏好;某份文件是当前交付模板,这是带版本的组织规则;某个人曾经允许提前提交,则可能只是当时、针对那个项目的一次决定。

如果把它们都保存成“以后照做”的记忆,经验就会混入已经失效的许可。

好的经验积累应当带着来源、适用范围和更新条件。组织需要知道一条结论来自正式制度、负责人决定,还是一次任务中的临时判断;项目结束、人员转岗或资料撤回以后,也需要调整它的后续使用范围。

这意味着,记忆能力的竞争会逐渐延伸到经验治理。存得更多只是其中一部分,企业更关心哪些经验值得留下、谁能够使用,以及发现错误后能否纠正。

同样,团队经验与个人信息应当有合适的共享范围。某位员工为了获得个人帮助,告诉助手的私人情况,并不会因为这个助手后来进入项目群,就自动成为团队资料。

当经验可以被核对、修订和交接,AI 的工作才有机会从个人习惯发展为组织能力。

一个持续的岗位也需要变更和结束

人们谈论“数字同事”时,常常把重点放在启动:怎样创建一个 Agent,怎样给它工具,怎样让它记住工作。

但组织中的岗位会经历变化。

项目负责人会调岗,客户合同会结束,工作范围会调整,原有资料会被新的版本替代。某个 Agent 也可能因为价值不足、职责重复或者项目结束而不再需要继续运行。

企业因此需要考虑它的整个使用过程:谁决定设立这个角色,谁维护它的业务目的,职责变化后谁复核访问范围,停止使用时怎样处理尚未完成的工作。

例如,交付协调 Agent 已经提交了一项预约,但预约结果尚未返回。项目结束时,停止接受新任务是一件事,确认这项已发出的预约最终怎样了,则是另一件仍需有人接手的事。

如果只是关闭界面、删除入口,已经发生的工作不会因此消失。组织需要保留能够追踪原操作的记录,并将尚未结束的事项交给负责人。

负责人变更时,需要明确由谁承接职责,并复核这个 Agent 还需要哪些资料和权限。已经完成的工作,则继续保留当时的执行身份、委托来源和决定依据。

岗位的持续性,来自工作可以延续;岗位的可控性,来自工作也能被调整和有序结束。两者共同决定企业是否愿意把更多事情长期交给 AI。

节省下来的时间应该落到整个团队

从个人助手走向团队角色以后,企业评估价值的方式也会发生变化。

一个员工使用 AI 半小时写出过去需要两小时的报告,收益相对容易理解。团队 Agent 则可能同时减少资料催收、进度同步、会议准备和跨部门交接的时间,价值分散在多个人的日常工作中。

也可能发生另一种情况:它生成了很多汇总,却让负责人每天花更多时间检查;通知增加了,同事开始忽略提醒;自动更新的记录很丰富,但真正的项目风险仍然需要人工重新排查。

因此,企业需要观察整个团队为了完成同一项工作付出了多少注意力。资料是否少追问了一次,遗漏是否更早被发现,异常是否更快到达正确的人,下一位接手者是否能够直接继续。

这种评估也会影响组织扩张的方式。自动执行成本下降以后,一个负责人可能同时管理更多项目;如果监督和交接方式没有跟上,节省下来的时间又可能被不断扩大的检查负担消耗。

AI 能力增加,需要与人的注意力容量一起考虑。

在交付协调这个例子里,一个实用的起点是记录资料补齐所需时间、人工催收次数、重新解释背景的次数,以及负责人接手时仍需确认的事项。企业可以通过这些变化判断是否值得扩大职责,而不必一开始就用“替代了几个员工”作为目标。

这样,岗位设计会保持具体:它在哪一段协作中产生了持续价值,就逐步扩大哪一段委托。

企业长期积累的价值会超出某个模型

当 AI 开始承担组织角色,企业还会遇到一个长期选择:这些角色的工作能力应当依附于什么?

模型会更新,办公入口会变化,某个产品在一类任务上的优势也可能随着时间改变。企业使用新模型时,仍然希望保留已经明确的职责、业务规则、可信资料和工作记录。

这会推动企业把一些东西作为自身能够管理的资产:可调用的业务能力、稳定的语义、任务的有效范围、对应的决定来源,以及可以被下一位执行者理解的结果。

统一办公平台能够降低协作成本,集中管理也有明显价值。与此同时,许多企业的核心事实仍然分布在已有的 ERP、CRM、项目系统和行业软件中。Agent 如何进入这些系统,并且继续遵守它们的实时规则,仍是一项实际建设工作。

开放的接口、明确的能力声明和可还原的执行记录,可以帮助企业在工具变化时保留这些积累。具体接入仍需要处理身份、语义和业务规则,不能仅靠更换一个模型名称完成。

这里值得警惕的依赖并不只来自某个厂商。企业如果把所有工作经验和决定都藏进一个人的私人对话,同样会形成难以交接的依赖。组织建设需要同时减少对单一工具和单一人员的脆弱依赖。

从这个角度看,AI 办公的发展可能把企业的竞争进一步推向工作组织能力:谁能把经验整理成可复用的约定,谁能让授权随着任务变化,谁能让后续的人更容易接手。

这些能力会影响企业究竟能够放心委托多少工作。

先安排一个清楚的角色,再逐步扩大委托

并非每项工作都适合建立一个长期 Agent 角色。

偶尔使用的翻译、一次性的资料整理,个人助手可能已经足够。规则明确、变化很少的定时计算,确定性流程通常更容易维护。持续协调信息、处理多种输入、根据情境选择下一步的工作,才更可能从团队 Agent 中获得额外收益。

企业可以先选一段有明确负责人、能够核对结果的持续工作。让它使用指定资料和已有系统,从整理、提醒、准备草稿或者低风险更新开始,观察团队是否减少了重复沟通与接手成本,再决定进一步允许哪些动作。

这样的起点,有利于把“岗位”落实到实际职责,而不只是在通讯录里增加一个名称。

当这一角色开始进入真实业务系统,组织还需要让每次行动与委托关系、能力范围和实际授权相连。我们将这类 Agent 进入业务并产生组织后果的问题称为 A2B。ACC 尝试用实现中立的能力契约,表达业务能力面向 Agent 时的治理要求;BailingHub 则提供将这些要求落实到接入、执行控制和追踪中的开源工程实践。

这些工作服务于一条连续的责任关系:人和组织提出目标、决定委托,Agent 宿主组织步骤,运行链路执行对应约束,业务系统根据实时事实作最终授权,并留下可以接手的结果记录。

未来,一个 AI 的邮箱地址可能会变得很普通。更能决定企业从中获得多少价值的,是它背后是否有清楚的职责、有效的工作关系,以及愿意接过结果的人。

相关文章
|
1月前
|
缓存 安全 测试技术
阿里云轻量应用服务器优惠活动价格及测评:2核2G、2核4G、4核8G、4核16G全配置清单
在选购 阿里云轻量应用服务器 时,优先按照业务内存需求选择机型,而不是单纯看CPU核心数量。业务以数据库、缓存、模型推理为主,优先选择大内存机型;简单静态网站,2核2G足够使用。下单前确认账号是否为新用户,确认目标地域库存,充分理解带宽峰值、续费价格、实例IP回收等限制。购买完成后,通过bench脚本、top、dd等命令完成性能自测,做好服务器安全防护,合理规划业务部署,避免资源不足或者配置过剩造成成本浪费。轻量应用服务器简化运维门槛,只要合理匹配配置,就能低成本搭建各类Web应用、开发环境,满足个人开发者和小微企业的上云需求。
389 0
|
2月前
|
人工智能
MCP 工具太多,为什么 Agent 反而更慢、更贵、更容易选错?企业后台能力如何按需加载
企业AI Agent接入过多MCP工具后易失效?根本原因在于“全量注入”而非“按需加载”。工具爆炸导致上下文臃肿、Token激增、相似接口混淆、选错率上升。本文提出三层裁剪:路由收窄场景、授权限定能力面、运行时动态检索轻量目录并渐进加载Schema,让Agent每次只看见真正需要的少量能力,兼顾扩展性与可靠性。
|
2月前
|
人工智能 自然语言处理 小程序
阿里云万小智3.0版本AI建站产品详细介绍:产品能力提升、适用场景、价格与最新活动参考
万小智3.0是阿里云推出的AI建站升级产品,支持通过自然语言生成包含前端、后端、数据库的完整网站与微信小程序,提供一键部署能力,覆盖企业官网、内容站点、轻量业务应用等场景。产品按体验版、轻量版、标准版、高级版分档订阅,以灵感值计量AI功能调用,新用户可享限时赠2000灵感值、组合套餐低至15元/月等优惠。
|
4月前
|
机器学习/深度学习 缓存 人工智能
SSE流式传输稳定性进阶:心跳保活、断连重连、分片处理与双端容错实战.162
SSE(Server-Sent Events)是基于HTTP的单向流式协议,天然适配大模型逐字输出场景。具备轻量、兼容性好、自动重连、低内存占用等优势,相比WebSocket更契合服务端单向推送需求,是AI应用流式响应的理想选择。
777 8
|
4天前
一次超时之后,为什么“查回执”和“继续执行”要走两个接口?
百灵中枢v0.10.1引入“回执契约”,区分只读查询(GET /receipt)与可执行恢复(POST /resume),避免超时重试导致重复派发。通过原调用ID精准追溯审批、派发与结果状态,确保操作幂等与状态透明。
|
8天前
|
JSON 人工智能 PHP
false不等于没填:一次 AI 接入业务系统的SDK的修复记录
本文复盘百灵中枢SDK中一个隐蔽却关键的问题:生成OpenAPI声明时,错误省略了`readonly: false`和`risk: low`等显式声明字段。虽JSON语法合法,却导致接收方按默认规则误判操作属性。修复覆盖生成器(保留字段存在性)与运行时(正确优先级解析),并经24组组合测试及真实包验证,确保业务意图端到端准确传达。
|
4月前
|
人工智能
Qwen3.8抢先体验!正式版即将发布并开源!
千问Qwen3.8即将开源,参数达2.4T,进化速度以“天”计,实力媲美Fable 5。预览版Qwen3.8-Max已上线阿里Token Plan等平台,限时优惠:日间Credits低至1折,夜间更优,个人/团队版月付仅35元起!
6934 233
|
1月前
|
人工智能
AI写头条号文章无法分享和豆包搜索不到的技术原因分析和解决方案
AI辅助创作头条号内容常遇“发不出、搜不到”问题,主因非限流,而是内容质量不达标:AI生成率超30%、同质化高、标题夸大或文题不符、信息密度低等均触发系统降权。建议发布前用工具全维检测(AI率<25%、同质化<10%),再人工优化信息增量与实用性,稳步恢复权重。
|
1月前
|
JSON 自然语言处理 对象存储
国际版外卖系统:多语言资源在云上怎么发布
国际版外卖系统云上多语言发布需解耦语言包与支付配置:语言资源(JSON/PO)应存对象存储+CDN,版本化管理、支持快速回滚;支付密钥与回调地址须独立pipeline,严控变更窗口。二者权限、监控、告警均分离,确保语言热修不阻塞支付稳定,大促更安全。
|
1月前
|
物联网 关系型数据库 对象存储
基于阿里云IoT构建RFID资产管理系统:从标签采集到云端台账的落地实践
企业固定资产管理长期依赖 Excel 台账与人工登记,资产规模扩大后账实不符、盘点低效、流转无追溯等问题集中暴露,机房机柜 U 位管控更是长期盲区。本文基于阿里云 IoT 平台、IoT Edge 边缘计算、RDS、TSDB、OSS 等云产品,结合 RFID 抗金属标签与磁吸 U 位传感技术,构建端边云三层资产管理方案:端侧负责批量采集,边缘网关完成协议转换与标签去重,云端通过设备影子维护状态、规则引擎驱动数据流转,应用侧释放盘点与追溯价值。文中给出 MQTT 接入代码、物模型定义与规则引擎配置要点。方案核心价值在于把资产的物理位置与状态转化为可持续采集的数据流,实现资产全生命周期数字化管控。

热门文章

最新文章