Aaron Levie — 企业 AI 转型的新角色：Agent 部署者与管理者
来源： Aaron Levie (Box CEO), 2026-04-14 原推： https://x.com/levie/status/2043883641366032638
另见：Aaron Levie — Agents Move Work Up a Level（2026-04-07 的早期观点）
核心论点
企业 AI 转型中正在涌现一个新角色：agent 部署者与管理者（agent deployer and manager）。这不是集中式 IT 角色，而是每个团队都需要的角色。
角色定义
核心职责
- 识别高杠杆场景：找到能让 agent 执行速度快 100 倍或执行次数多 100 倍的工作流
- 设计未来状态工作流：规划结构化/非结构化数据流，确定人机接口点
- 连接业务系统：使用 skills、MCP、CLI 整合现有系统
- 管理 eval 和 KPI：在模型或数据变更后运行评估，持续追踪关键指标
- 持续运营：日常管理 agent 运行，追踪 KPI，报告业务价值
技能要求
- 技术侧：熟悉 skills、MCP、CLI，能连接业务系统
- 业务侧：强大的运营能力，理解业务流程和价值
典型高杠杆场景
- 处理更多量级的销售线索，带着额外客户信号交给销售代表
- 自动化合同审查和接收流程
- 简化客户入职流程，减少摩擦步骤
- 建立全公司共享的知识库
- 等等
2026-04-15 follow-up：为什么这个角色不会消失
Levie 第二天继续补充了一层更务实的判断：当企业买到手的不再只是一个软件 seat，而是某种由 agent 完成的 workflow，本质上就更接近在买“技术化的专业服务”。
这会带来三个后果：
-
前线部署角色会长期存在 因为 agent 要真正落地，仍然需要有人理解客户领域、连接业务系统、布置上下文、推动组织 change management。
-
厂商也要做大量服务工作 如果 vendor 不愿意亲自帮助客户把系统接起来，最终 adoption 会很低。
-
专业服务公司会出现新 practice areas 系统集成商、咨询公司会围绕 agent deployment、eval、业务流程重构形成新的服务线。
这让“agent deployer and manager”不只是一个内部岗位，也可能变成整个 B2B AI 生态的服务层。
组织定位
- 不是集中式角色：不汇报给 IT 或 AI 中心团队（可能有虚线汇报）
- 每个团队都需要：一个或多个这样的人
- 可以是现有员工重新定位，也可以是全新招聘
- 对新一代从业者是绝佳切入点：技术 + 业务的复合能力
与相关观点的对比
| 观点 | 来源 | 核心差异 |
|---|---|---|
| Agent 部署者角色 | Aaron Levie (2026-04-14) | 具体的角色定义和 JD |
| 工作层级上移 | Aaron Levie (2026-04-07) | 更抽象的工作性质变化 |
| 海盗与建筑师 | Dan Shipper (2026-04-14) | 软件工程内部的角色分工 |
| AI First 组织 | 宝玉 dotey (2026-04-14) | 组织流程重构视角 |
实践意义
对个人
- 如果你熟悉 skills、MCP、CLI，同时有业务理解，这是一个高价值的定位
- 这个角色的稀缺性在于：技术 + 业务的复合能力
对组织
- 在每个团队中识别或培养这样的人
- 给予足够的自主权（"full autonomy to connect up business systems"）
2026-04-26 更新：AI 重新定义人才杠杆
来源：AI Builders Digest 2026-04-26
Levie 认为我们正处于一个独特的历史时刻：核心技能加上强烈野心可以克服多年的经验要求。初级员工借助 AI 能完成的事情比几年前的高级员工还要多。
关键判断：
- 善于利用 AI 杠杆的人看起来会"奇怪且来自未来"
- 企业应该主动寻找这些人并把他们放在关键位置上
- 应取消因 AI 杠杆而变得无关的经验要求
- 在组织内为 AI-native 人才建立快速晋升通道
这与此前"agent deployer"角色的论述形成互补：不仅要有部署 agent 的人，还要有能最大化 AI 杠杆的个体贡献者。
链接：https://x.com/levie/status/2048223146063609965
2026-04-22 更新：ChatGPT Agents 与 Headless 平台
来源：AI Builders Digest 2026-04-23
Levie 称 ChatGPT agents 接入 Box 等 headless 平台是 "probably the biggest news yet in software going headless." 新 agent 可以访问任意工具和数据，具备完整编码和工具使用能力。他演示了一个销售助手 agent，使用 Box 作为企业内容知识源，通过 MCP 和 CLI 实时回答问题并生成内容。
他的判断：这正是知识工作 agent 的未来形态。用户可以在前台或后台启动 agent 来增强工作。Headless 平台和 agent 设计者面临巨大机会。
Sam Altman 引用转发表示同意："These are cool! I think most companies will want to use them."
这与他此前定义的 "agent deployer" 角色直接呼应：当 agent 可以连接任意企业系统时，部署和编排这些连接的能力变得更加关键。
链接：https://x.com/levie/status/2047028112626749645
2026-04-20 更新：AI 不会让工作变简单，而是让工作更复杂
Levie 的最新观点：AI 生产力提升不会消灭工作，而是会提高每个岗位的复杂度门槛。
核心论点：
- 当所有人都能使用相同的 AI 工具时，"足够好"的标准会向上移动
- 工程师会解决更难的问题，律师助理不只是审合同，视频编辑不只是做基础剪辑
- 市场不是静态的——它会随着能力提升而进化
- AI 将自然导致大多数角色实际上变得更复杂，因为我们能用工具做更多事情
这与"agent deployer"角色形成呼应：当工作变得更复杂时，更需要有人专门负责部署和管理 agent 来应对这种复杂度。
链接：https://x.com/levie/status/2046067263326028108
Counterpoints & Gaps
- 这个角色是否嵌入业务团队，还是部分集中在平台团队，不同行业会有很大差异
- Levie 强调服务属性，但长期看仍可能被更强的产品化能力部分吞掉
- 对很多中小公司来说，单独设岗未必现实，更可能是由 PM、Ops、Solutions、Eng 混合承担
关联页面
2026-04-28 更新：永无止境的最后一公里
Levie 提出一个新视角：AI agent 可以自动化 80%-99% 的任务，但最后一公里会不断重生。即使自动化比例从 90% 提升到 99%，市场和组织也会抬高任务复杂度——今天的 99% 会变成明天的 50%。
关键论断：
- 最后一公里不是"剩下一点杂活"，而是判断这个结果能不能真正交付
- 这是 slop 和有价值产物的分界
- AI 做前段，专家负责完整任务的质量闭环——domain expertise、taste、review 和交付
- 对工程、咨询、销售、设计都一样：Agent 输出 ≠ 交付完成
2026-05-28 更新：企业 AI 部署的落地鸿沟
Levie 在 2026-05-28 提出，企业 AI 部署正面临巨大的"实施鸿沟"（implementation gap）。从简单的 LLM+搜索聊天系统到连接真实生产系统的 Agent，需要完成数据保护、访问控制升级、遗留系统迁移、Agent 可观测性、新工作流设计、人机协作节点定义、变革管理等一系列复杂工作。
核心判断：
- 模型能力快速迭代导致已部署系统半数过时，另一半需要升级；token 预算紧张时还需将工作负载迁移到更便宜的模型，重复上述流程
- 企业正在重新定位现有 IT 人才，同时需要类似内部 FDE（全栈开发工程师）的新角色来承担这些任务
- AI 厂商和新兴 AI 服务公司将成为关键支持者，帮助企业跨越实施鸿沟
- 这一观点与他此前定义的 "agent deployer" 角色直接呼应：当 agent 可以连接任意企业系统时，部署和编排这些连接的能力变得更加关键
链接：https://x.com/levie/status/2059839815273824423
2026-05-29 更新：企业 AI 部署的十倍人力缺口
Levie 在 2026-05-29 进一步量化实施鸿沟的规模：企业 AI 部署所需人力是大多数人预期的十倍。从聊天系统到生产系统集成的跃迁涉及数据保护、访问控制、遗留系统迁移、可观测性、新工作流、人机协同、变更管理等跨职能工作。模型更新后约一半工作作废，另一半需升级；token 预算紧张时还要迁移到更便宜模型，重复上述流程。
关键判断：
- 企业正在重新定位现有 IT 人才，同时需要类似内部 FDE 的新角色
- AI 厂商和新兴 AI 服务公司将成为关键支持者
- 这一过程将持续数年，伴随大量新角色和工作领域的出现
链接：https://x.com/levie/status/2059839815273824423
2026-05-28 更新：企业一边招聘一边采用 Agent，AI 自动化的是任务而非工作
Levie 同日补充：硅谷之外的企业普遍在扩招同时采用 Agent。Agent 自动化的是任务而非整份工作，释放的资源被重新投入到客户-facing 岗位。
关键论断：
- 即使 AI 能自动响应前线支持工单，公司也会将节省的资源投入销售和客户成功等新领域
- 公司不会保持静态：它们在能自动化的任务上自动化，在释放出的预算上投资下一个重要事项
- 这解释了为什么"AI 导致大规模失业"的叙事与企业实际招聘行为之间存在明显差距
链接：https://x.com/levie/status/2059482349977653619
2026-06-01 更新：企业 AI Agent 的最大瓶颈是领域知识提取
Levie 在 2026-06-01 提出，从 Agentic Coding 转向知识工作 Agent 时，企业上下文碎片化、访问控制不匹配、关键决策和流程存在于员工头脑中的问题将变得更加尖锐。
企业知识的三重障碍
-
数字知识分散在遗留系统中
- 访问控制与实际工作需求不匹配
- 成为 Agent 获取上下文的巨大障碍
- 需要将数据迁移到现代、安全的云环境
-
关键上下文存在于员工头脑中
- 决策、流程、工作流往往没有文档化
- 部落知识 (tribal knowledge) 需要转化为非结构化数据
- 这是应用 AI 公司的最大杠杆点之一
-
系统集成商的新机会
- FDE 和新的系统集成商角色将围绕 agent deployment、eval、业务流程重构形成新的服务线
- 帮助企业跨越从聊天系统到生产系统集成的实施鸿沟
与 Garry Tan 观点的呼应
同日，Garry Tan 也表达了类似判断：模型已经足够聪明，真正的瓶颈是将公司特定上下文从资深员工头脑中提取出来，并以结构化方式提供给模型。Tan 在构建 garry's list 过程中写了 54 万行 Rails 代码，最终意识到这些代码本质上是约束模型的工厂。随着模型变便宜变聪明，代码变贵，开发范式正在翻转：用 Markdown 写意图，让 Agent 生成最小必要代码。
对 Agent Deployer 角色的延伸
知识提取瓶颈让 "agent deployer" 角色的定义更加清晰：
- 不仅要连接系统，还要提取和结构化领域知识
- 需要理解业务流程、决策逻辑、组织政治
- 这是技术 + 业务复合能力的又一次强调