企业工作流的 Agent 时代重构
巨大机会
Aaron Levie (Box CEO) 认为：
企业内部为 agent 时代重新设计工作流程蕴藏巨大机会。
与编码 Agent 的区别
不同于编码 agent（通常开箱即用），在其他知识工作中应用 agent 需要大量手动搭建：
- 整理非结构化数据 - 让 agents 易于访问
- 学习工作流程 - 创建技能或计划供 agents 利用
- 连接各系统 - 打通不同的数据源和工具
- 重新设计流程 - 围绕人工监督重新设计
AI 落地的两个根本卡点
来源：AI Briefing 2026-05-15 Evening — Lawrence
企业 AI 落地失败的核心原因往往不是模型能力不足，而是缺少两个基础设施：
记忆层（上下文连续性）
- AI 拥有互联网知识，但不知道团队上周讨论了什么、需求背后的原因
- 每次对话都要从头解释背景，导致落地摩擦极高
- 解决路径：构建团队知识库作为 institutional memory，让 AI 可检索历史决策、讨论和文档
执行权（系统操作权限）
- AI 想清楚了，最后还得人类手动更新 CRM、同步文档、发邮件
- 当前大多数 AI 应用停留在「对话层」，没有深入到工作流的核心操作
- 解决路径：通过 MCP/API 赋予 AI 对业务系统的操作权限，形成闭环
新职位预测
Levie 预测将出现专门从事此类工作的新职位：
"这类角色将在企业内大幅增长，专门做这件事的人将在经济中极具价值。"
早入场的优势
"早入场的职场新人将极具竞争力。"
行动建议
- 学习 agent 工作流设计
- 深入了解企业现有流程
- 培养跨系统整合能力
- 关注非结构化数据处理