OpenAI：AI原生公司如何把工作流变成运营能力

OpenAI指出，企业采用人工智能的竞争正从“能否得到答案”转向“能否把工作流变成可重复的运营能力”，并以Basis、Clay和Exa Labs为例，展示如何通过接入背景、工具与权限，把一次性尝试发展为可衡量、可改进的工作流程。文章强调企业应关注工作流带来的业务结果与审查、权限和证据链，而非仅以使用量或token数作为成功指标。

OpenAI表示，企业使用人工智能的竞争正在从“能否获得答案”转向“能否让系统持续完成工作”。在一篇题为《How AI-native companies turn workflows into operating capability》的文章中，OpenAI以Basis、Clay和Exa Labs三家初创企业为例，说明企业如何把智能体接入内部背景、工具和权限体系，使一次性的尝试逐步变成可重复、可衡量和可改进的工作流程。

文章援引OpenAI的Enterprise Signals数据称，人工智能使用量最高的前10%企业，即所谓“前沿企业”，每名活跃用户产生的输出token数量，是典型企业的8.3倍；这一比例在2026年1月为2.6倍。OpenAI强调，token数量只是对企业向人工智能提出多少“智能需求”的代理指标，并不等同于生产率或商业价值本身。但差距扩大，至少说明不同企业在把人工智能嵌入实际工作方面的速度并不相同。

从助手到能够推进工作的系统

OpenAI认为，企业人工智能的下一阶段并不只是让员工更快地写邮件、总结文件或生成一份初稿，而是让智能体承担一段有明确起点、所需背景、可用工具、权限边界和完成标准的工作。

这类工作通常需要几个要素共同存在：智能体能够读取持续变化的公司信息，可以调用完成任务所需的工具，有明确的负责人和衡量指标，并且在涉及重要决策或外部行动时停下来接受人工审查。工作流运行后产生的证据、异常和测试结果，又可以反过来用于改进下一次执行。

这一逻辑也出现在OpenAI此前发布的Enterprise Signals企业使用数据中。OpenAI表示，智能体要有效工作，需要获得正确的背景和工具；插件可以把可复用的技能与连接企业数据、工具和动作的应用组合起来。换言之，企业真正要建设的并不只是一个聊天入口，而是一套围绕具体任务组织起来的运行环境。

Basis：先把入职流程变成可复用技能

Basis是一家为会计事务所开发人工智能智能体的公司。OpenAI称，Basis把新员工入职的部分流程从约两个小时缩短到30分钟。

在入职第一天，员工可以获得Codex以及一项包含公司专属说明和资源的入职技能。Codex会介绍公司概念，并在后台使用员工的电脑完成集成设置。当新员工反复提出问题，或者某些例外情况暴露出流程缺口时，人力资源团队可以更新这项技能，供下一批员工使用。

Basis的做法首先是示范一次完整流程，然后把它整理成可重复执行的技能：明确什么情况下触发、需要经过哪些步骤、可以访问哪些工具，以及什么结果才算完成。这样一来，入职工作不再完全依赖某一名员工当时是否有空，同时也没有把所有判断都交给智能体。遇到例外或复杂问题时，人工仍然可以介入。

这个例子显示，企业引入智能体的第一步往往不是追求最大化的自主性，而是找到一项足够稳定、重复发生且容易定义完成标准的工作，把它写清楚并持续维护。

Clay：让智能体持续维护客户背景

对于Clay而言，销售团队面对的主要问题不是缺少信息，而是交易背景散落在CRM、电子邮件、Slack、电话、演示文稿、短信以及与客户支持者和内部团队的交流中。信息一旦分散，销售人员每天就需要花费大量时间重新拼接背景，判断下一步应该做什么。

OpenAI介绍称，Clay的一名增长团队工程师尝试为每个客户账户建立一个持久工作空间和专用子智能体。每个子智能体会定期检查主要来源，并在夜间更新对应的交易文件夹。第二天，协调智能体把多个账户的更新整理成一份简短的优先事项清单，例如回答客户尚未解决的问题、补齐采购委员会中的关键联系人，或者为沉默的潜在客户提供重新联系的理由。

Clay表示，这套流程让相关销售人员每晚节省大约一小时的收件箱整理时间。更重要的是，每一项建议旁边都保留了支持它的证据，销售人员可以在行动前检查原始来源，而不是只接受智能体给出的结论。

这里的关键并不是“让智能体替销售人员做决定”，而是让智能体保持账户背景的更新，并把人的注意力集中到需要判断和建立关系的环节。OpenAI认为，若这类共享背景能够在权限允许的范围内提供给客户经理、商务拓展人员、解决方案工程师和销售管理者，企业就可能减少重复的信息整理工作。

Exa Labs：把机会从发现推进到经过测试的产物

Exa Labs开发面向人工智能智能体的网页搜索基础设施。公司希望让自己的搜索API出现在开发者可能使用它的各种场景中，并将这一目标称为“Exa everywhere”。

过去，发现新的集成机会需要开发者关系和客户团队持续关注代码仓库及更广泛的开发者生态，收集背景，再在多个系统之间协调工程和沟通工作。虽然机会各不相同，但从发现到落地通常遵循相对稳定的步骤。

OpenAI称，Exa把这一过程定义成Codex工作流。Codex可以监控高优先级的集成机会，收集相关资料，创建拉取请求，运行测试，并准备每周更新。必要时，它还可以起草公告或下一步行动，交由团队审阅。

在这个流程中，智能体不只是提供一个建议，而是把机会推进到一个经过测试的技术产物。不过，Exa仍然由人来决定哪些机会值得投入、公司应作出哪些承诺，以及如何处理外部关系。测试结果和人工审查构成了发布前的检查点，也让团队能够判断工作流本身需要怎样调整。

随着行动的后果变得更严重，权限、证据和决策权就越不能被当作附属功能。智能体可以承担更多执行步骤，但企业仍需要明确哪些事情可以自动完成，哪些事情必须由特定人员确认。

企业需要衡量的是工作流结果，而不只是使用量

OpenAI在文章中提出，企业选择人工智能项目时，应从一个具有明确价值和实际利害关系的工作面开始。这项工作需要足够频繁，能够让团队从反复执行中学习；同时也要足够重要，值得重新设计流程。

OpenAI建议企业至少明确以下内容：谁对业务结果负责，成功指标是什么，原有基线在哪里，以及哪些风险边界不可突破。企业可以关注完成任务的数量、连接的背景和工具、异常次数以及人工审查负担，也可以衡量周期时间、质量、成本、收入或风险等业务结果。

这一区分十分重要。输出token数量和消息数量可以说明员工正在更多地使用人工智能，却不能单独证明企业已经获得了价值。真正需要观察的是，人工智能是否减少了等待和交接，是否提高了结果质量，是否降低了成本，或者是否使组织能够承担此前无法承担的工作量。

OpenAI此前的研究也从另一侧说明了这种变化。《How AI is expanding what people do at work》分析了超过80万条美国ChatGPT用户消息。研究称，在排除写作、总结和安排日程等通用任务后，43.5%的职业特定消息涉及用户所属职业之外的工作。客服、设计、人力资源和法律等岗位的用户，尤其经常借助人工智能处理原本可能需要其他专业角色参与的任务。

这意味着，人工智能正在改变的不只是单个任务的速度，也可能是任务在组织中的分配方式。小型企业中，最接近问题的员工可能更容易借助人工智能直接处理原本需要转交给其他职能的工作；大型企业则需要更加明确地处理权限、专业责任和审查机制。

从实验走向组织能力仍有一道门槛

OpenAI建议，企业应把有效的实验记录成可复用的技能、插件或共享工作空间，同时保留相关的背景、权限、评估方法、审查节点、负责人和衡量指标。下一项工作不必从零开始，而可以沿用已经验证过的模式。

但三家公司展示的仍主要是企业案例和方法论，并不意味着所有组织都能直接复制相同结果。Basis的入职流程依赖相对稳定的步骤；Clay的账户智能体需要访问多个系统，并且要处理持续变化的客户信息；Exa的工程工作流则需要代码测试和发布前审查。它们对权限配置、数据质量、业务负责人和异常处理能力都有要求。

企业还需要回答一些更具体的问题：智能体引用的背景是否完整且最新；不同系统中的权限是否保持一致；出现错误时谁能暂停或回滚；人工审查是否真的发生；以及管理者能否区分智能体提出的建议、已经完成的内部操作和即将影响外部对象的行动。

这也是OpenAI在企业产品布局中反复强调的方向。7月推出的ChatGPT Work被定位为能够跨应用和文件执行多步骤任务、并在较长时间内持续推进项目的工作代理。OpenAI当时表示，ChatGPT Work可以把研究资料转化为营销简报、根据简报制作内容，并在不同步骤之间保留工作背景；企业管理员也可以设置工作区、群组和个人层级的使用控制。

对于企业来说，真正的转变可能不在于是否拥有一个更强的模型，而在于是否愿意为智能体重新设计工作。只有当目标、背景、工具、权限、证据、审查和责任被放进同一套流程中，人工智能才可能从一个提高个人效率的助手，逐步变成一种可以被组织管理和持续改进的运营能力。