前有Codex，后有Kimi Work：職場人正在被重新分層

談到AI與職場的關系，很多人最先想到的往往是程序員。

Codex、Claude Code、Cursor等工具，深度改變了代碼生產方式。原本需要程序員一行行敲出來的代碼，變成了一句需求，剩余工作交給AI自動生成、修改、測試乃至提交。

但OpenAI最近對Codex的更新，向外界釋放了一個關鍵信號。

OpenAI發布了六款面向特定職業場景的插件，包括數據分析、創意生產、銷售、產品設計、股權投資和投資銀行業務，每個插件都整合了相關技能、指令和工作流程，讓Codex能夠模擬特定崗位的工作方式。

原因并不難解釋。

在Codex的周活躍用戶中，知識型工作者目前已占用戶總數的約20%，且增速是開發者群體的三倍以上。

不只是OpenAI，Claude Cowork以及Kimi最近推出的Kimi Work，也把本地文件、網頁、代碼執行、工作空間、任務進度和Skills放在了同一個桌面應用里，將目標用戶從開發人員擴大到了知識工作者。

一場事關職場人的隱形分化已然拉開序幕：有人還在問AI助手，有人已經開始指揮Agent團隊完成復雜任務。

01 職場人用AI的三個段位，你在第幾層？

過去判斷一個人的職場競爭力，主要看三個指標：學歷、履歷和崗位。

畢業于什么學校，進過什么公司，負責過什么業務，基本就能確定一個人的能力畫像。但在AI進入工作流后，評價體系中加入了一個新的變量——和AI的協作方式。

對應的不是使用習慣，而是生產關系。

第一類職場人，把AI當作“更聰明的搜索引擎”。

“這個概念是什么意思？”“幫我查一下資料”“這段話怎么寫得更正式？”“幫我總結一下這篇文章”……AI進一步降低了信息獲取門檻，縮短了搜索、篩選、整理的工作流程。

問題在于，生產力仍然停留在“獲取答案”的層面。

提出一個問題，AI返回一段內容；提出下一個問題，AI再返回下一段內容。整個過程看似高效，本質上還是一問一答。AI扮演的是外部知識庫，而不是工作執行者，解決的是“我不知道什么”，而非“我要完成什么”。

第二類職場人，把AI當成“外腦”和“陪練”。

不只是問資料，還會讓AI幫自己梳理邏輯、搭建框架、生成方案、修改表達、分析利弊，甚至輔助寫代碼、做推演、找漏洞。到了這個階段，AI已經不是純粹的信息檢索工具，開始參與思考過程。

依然有一個瓶頸：AI并未真正接管工作流。

AI提供的是素材、框架和建議，最終的推進仍然高度依賴人，要不斷追問、修正、復制、粘貼、整合、排版、轉格式。AI提供了多個思考視角，讓某些環節變快了，但沒有改變整個任務的組織方式。

第三類職場人，開始把AI當成“可調度的執行團隊”。

最鮮明的差別是提問方式，不是“幫我寫一段競品分析”，而是“基于這些資料，完成一份新能源汽車出海競品研究，輸出一份Word深度報告、一張Excel競品對比表、一份15頁PPT，以及一頁紙管理層摘要。”

得到的不止答案、建議和素材，還有可交付的結果。

區別在于對AI能力的認知：過去兩年里，大模型的能力集中在“回答”，到了2026年中，“交付”已經是模型能力的現在進行時。直接的例子就是近期備受討論的Kimi Work，直接把Agent集群的能力提高到調用300個Agent同時干活，比如調研Agent、數據分析Agent、產品Agent、美術Agent等等，協同完成用戶指定的任務。

相當長的一段時間里，使用AI的要領都是提示詞。

但Agent集群出現之后，Prompt只是入口，真正重要的是任務管理能力。從簡單使用工具，到管理一個Agent團隊，職場人的能力評價體系正在從“會不會寫提示詞”，迅速拉大到“會不會拆解任務、分配任務、驗收結果”。

02 告別一問一答，讓Agent團隊自主協作

對職場人而言，學會指揮Agent團隊，已經是一道必選題。

在對話階段，人和AI的關系很簡單：你問一句，它答一句；你補一個要求，它改一版；你發現不滿意，再繼續追問。整個過程看似是AI在幫你工作，但底層仍然是串行的，也是很多人沒有感受到“十倍生產力”的原因。

因為AI提升了單點效率，卻沒有重構工作流程，很多人仍然被鎖在了繁瑣且低效的工作鏈條里。

同樣是“完成一份AI產業鏈投資機會研究”。

如果是豆包或DeepSeek，需要先讓它“總結AI產業鏈主要環節”，再“列出核心公司”，接著“分析商業模式”，然后“整理估值指標”。需要自己判斷哪些能用，哪些要刪，哪些要改，最后再拼成報告、表格和PPT。

OpenClaw代表的單Agent產品，可以在一定程度上自主規劃步驟。但在多數情況下，只是一個能力很強的個人助理：先做任務1，再做任務2，再做任務3。一旦任務比較復雜，串行模式的瓶頸就會暴露出來。

一是注意力被拉長。任務鏈條越長，越容易出現前后口徑不一致、早期設定被遺忘、細節在后半程丟失的問題。

二是能力會被平均化。一個Agent既要做調研、做數據、寫報告，還要排版，很容易變成“什么都能做一點，但每個環節都不夠專注”。

三是容錯能力偏弱。前面某一步判斷錯了，后面的分析、表格和PPT都可能被帶偏；中間某個環節失敗，整個交付質量都會受到影響。

Codex、Kimi Work等桌面端應用，彌補了單Agent的短板。

以Kimi Work的Agent集群為例，執行邏輯不是把一個Agent訓練成無所不能的“超級員工”，而是把一個復雜任務自動拆成多個子任務，讓不同專長的Agent并行處理。

某種程度上說，多Agent協同更符合人類社會的協作。就像一個公司做項目，不會讓一個人同時負責行業研究、數據分析、產品判斷、視覺設計、匯報撰寫和最終審核。

回到“AI產業鏈投資機會研究”的任務上，Agent集群的工作模式是多個Agent同時開工：

調研Agent負責產業鏈結構和政策背景；

數據分析Agent負責公司收入、毛利率、估值、研發投入；

產品Agent負責業務布局和競爭格局；

寫作Agent負責報告結構和觀點表達；

美術Agent負責 PPT 版式和信息呈現；

校驗Agent負責交叉檢查數據、事實和邏輯漏洞。

可以理解為一種“分布式群體智能”，有分工、有協作、有并行、有復核，即使某個Agent出了錯，也可以在校驗階段提前發現，避免污染整個報告的可信度。特別是大體量、長流程、多產物的任務，輸出的是可交付的結果，對效率的提升是指數級的。

03 時代變了，學會適應“指揮官”的角色

可能很多人已經開始焦慮：“我的價值會被Agent集群替代嗎？”

Vibe Coding流行時，程序員們有過同樣的困擾；時間已經證明：正確的做法不是和AI比賽寫代碼，曾經熬夜寫代碼的人，變成了定義需求、拆解模塊、審查架構、把控質量的人。

相似的一幕，正在知識工作者的身上重演。

Codex、Kimi Work等產品，將多Agent協作、自動化工作流、工具調用等原本屬于技術團隊的“特權”，用一個即裝即用的客戶端還給了每一個普通職場人，讓Vibe Working成為新的工作范式，即用自然語言讓Agent去查資料、做表格、寫文檔、出PPT、做校驗。

表面上看，是效率的躍升；再深一層，是個人生產力的組織化。

過去，一個職場人的產出上限，基本由自己的時間、經驗和精力決定。一天只有24小時，精力再旺盛，也不可能同時做調研、清數據、寫報告、改PPT、查錯漏、做復盤。

有300個Agent可以被調度時，查資料、改格式、寫初稿、整理表格、生成PPT等工作可交給Agent，讓自己的精力集中在任務的決策上，“多快好省”的完成更有價值的工作。

一句話概括，Agent時代的職場人，需要學會的是拆任務、派任務、驗收結果，而非無效內卷。

先說拆任務。

比如做一份“新能源汽車出海競品研究”，可以拆成市場背景、主要玩家、產品定位、價格體系、渠道策略、用戶反饋、風險因素、機會判斷、Excel對比表、PPT匯報稿等幾個部分。

也就是職場里常說的MECE原則，拆得越清楚，Agent之間越容易分工；任務邊界越明確，最終交付越不容易混亂。

再說派任務。

交付物越多，越需要提前定義標準，社交媒體上被提及最多的竅門是“上下文高墻”和“格式鐵律”，前者讓Agent知道它在什么業務場景里工作，避免泛泛而談；后者讓Agent知道最終要交付什么，避免只輸出一堆看似完整、實際無法使用的內容。

最后是驗收結果。

數據有沒有來源？邏輯有沒有跳躍？風險有沒有遺漏？PPT的每一頁是不是只表達一個核心信息？報告里的結論，能不能經得起老板或客戶追問？都需要人來把關。

比較成熟的做法是，把驗收也作為工作流的一部分：比如一個Agent負責生成報告，另一個Agent負責挑邏輯漏洞；一個Agent負責整理數據，另一個Agent負責檢查字段缺失；一個 Agent負責寫PPT大綱，另一個Agent模擬老板或客戶提出質疑……

做一個總結的話，未來有競爭力的職場人，不是和300個Agent搶活干，而是學會從執行者，變成指揮官。

04 寫在最后

職場人的隱形分化，本質上是工作范式的分化。

無論是向知識工作平臺演進的Codex，還是將300個Agent帶進辦公場景的Kimi Work，一個清晰的趨勢已經浮現：AI正在從回答問題，走向完成任務；從聊天窗口，變成一套可調度的生產力系統。

未來職場最現實的出路——學會指揮Agent執行，讓AI成為自己的“手和腳”。