2026奇点智能大会：AI进化与数字员工新范式

此前有一家出行平台设立了专门的纠纷判责部门，当司机与乘客产生冲突或投诉时，需要人工判定责任归属、赔付金额与责任方。最初团队尝试通过算法程序自动化这项工作，但由于纠纷场景复杂、缺乏统一标准答案，程序仅能按照固定规则判定，准确率仅为30%，十次判断七次出错。直到大模型技术落地后，这类判定的准确率直接提升至99%，这个部门也随之被裁撤，相关判断工作完全由AI承接，整个过程没有引发裁员风波或公开报道。

这个案例让前硅谷大厂核心架构师董舒备受启发，他在回国创业后提出了一个反常识的核心判断：AI的核心价值并非辅助人类完成工作，而是能够独立承接并完成交付任务。他将为单个用户提供辅助的AI工具定义为“个人助手”，而将能够独立对接客户、完成完整交付的AI定义为“数字员工”。

在今年7月的智能产品行业会议上，董舒分享了这套关于AI产业落地的思考，以下内容基于他的演讲实录与现场问答整理而成。

董舒此前在硅谷工作近十年，去年回国在杭州创立了OpenHex公司，联合创始团队均来自谷歌、领英、脸书、优步等美国科技大厂，团队具备深厚的硅谷技术原生背景。很多人好奇他们为何放弃海外的发展机会回国创业，董舒的答案非常明确：当前全球正处于AI产业革命的关键节点，而中国的服务业具备独特的重构机遇。

他的演讲主题是《从辅助工作到独立交付》。当前很多AI应用开发者陷入了迷茫：他们开发的垂类AI Agent应用，往往会因为大模型平台的更新而失去竞争优势。董舒团队希望帮助AI应用开发者与大模型平台形成差异化发展路径，而这正是他们创业的核心方向。

从2022年大模型技术初步落地，到2025年的今天，中美行业已经形成了统一的认知：我们正处于第四次产业革命的边缘。第三次产业革命是信息革命，其核心产物是软件，软件的本质是确定性的代码程序，程序员有一句共识：代码出错一定是人的逻辑问题，因为代码的输出结果是完全确定的。但确定性程序的应用边界有限，现实世界中存在大量无法通过固定规则解决的不确定性问题。

比如审核合同风险、判断创意是否能打动用户、评估候选人是否匹配岗位，这类问题无法通过传统计算机程序解决。此前出行平台的纠纷判责就是典型案例：传统算法的准确率仅30%，而大模型落地后准确率提升至99%。这类需要基于经验、上下文与不确定输入做出判断的能力，被行业称为“专业判断力”。今年四五月份，红杉与A16Z联合发布的文章指出，AI带来的核心能力正是这种判断力，它提供了完全不同于传统软件的可能性。

很多企业主最初认为AI只是程序的延伸，希望将重复性、确定性的工作交给AI处理。但董舒团队的观点恰恰相反：企业AI化的正确策略，应该是将需要判断、无法程序化的工作交给AI。为此他们提出了“判断力密度”的概念：工厂流水线的工作属于低判断力密度岗位，非常适合被程序替代；而营销、猎头、顾问等白领行业属于高判断力密度岗位，正是当前AI重点替代的领域，这也是白领群体普遍感到焦虑的原因。

服务业本身就是高判断力密度的行业，而中国的服务业具备巨大的发展潜力。此前SaaS模式在中国并未得到广泛普及，因为中国用户更倾向于购买端到端的完整服务，而非独立工具。这种服务依赖非标流程、经验积累与实时判断，正是AI重构的绝佳场景。

服务业分为生活性服务业（如餐饮、娱乐）与生产性服务业（如咨询、营销、金融顾问、法律顾问）。从GDP占比来看，中国与美国的差距主要体现在服务业，尤其是生产性服务业。国内用户在生活服务领域的体验已经与美国相当，但在高级创意服务、专业顾问服务方面的选择远少于美国，而AI技术正是中国重构服务业的绝佳机遇。

很多行业采用项目制运作，比如营销公司、软件外包公司，这类公司的规模通常难以超过三四千人，因为人力成本与公司规模成正比，当规模达到临界点后，人力成本会呈指数级增长，导致公司越长大越亏损。这类公司只能服务大客户，因为只有大客户能够承担高额的人力成本，因此国内ToB行业普遍聚焦于国央企、上市公司等大客户，难以覆盖中小客户与个人用户。顶尖专业人才稀缺，服务能力无法复制，一个专家一天只能服务8小时，服务单价极高，只有头部客户能够承担。

AI时代，我们可以将判断力程序化并实现复制，让服务能力随着算力投入成比例增长，从而摆脱对人力堆集的依赖，实现规模化服务更多客户。今年四月，硅谷红杉提出了AINS（AI Native Service）概念，行业机构也大力推广这一方向：未来最佳的创业方式不是开发通用AI Agent，而是用AI重构一个具体的服务业赛道。重构的方式不是将SaaS工具卖给服务企业，而是直接用AI搭建服务公司，通过算力投入而非人力堆集服务客户，这对企业架构与服务模式提出了全新的挑战。

国内服务业公司一直在紧跟技术迭代，但最大的障碍是技术范式转变过快。2022年大模型技术落地，2023年出现工作流工具，2024年出现Coze、Dify等低代码平台，2025年这些平台又因为灵活性不足难以满足业务需求，开发者转向LangChain、LangGraph等框架，但这类框架需要代码开发能力，非技术驱动的企业难以承担开发成本。直到今年相关工具推出后，国内AI Agent领域迎来爆发式增长。

这类工具带来了两个关键突破：一是标准化的能力市场，让开发者能够标准化地分享自己的知识与能力；二是标准化的AI Agent构建方式，此前构建AI Agent需要编写代码，而这类工具将身份、灵魂、技能、知识库、连接器等模块进行模块化封装，开发者只需对接各个模块即可完成Agent构建。现在企业内部已经开始部署AI Agent，比如办公平台上的AI助手已经能够与团队协同工作。AI Agent作为劳动力具备明显优势：无需休息、不会离职、无需缴纳社保，只需购买算力即可招募无限多的“员工”，还能通过持续学习不断提升能力，全新的生产关系正在逐步形成。

当前市场上对“数字员工”的定义存在诸多混淆：有人将通用Agent工具直接称为数字员工，各类国产Agent工具也都被冠以数字员工的名号。我们需要对数字员工的概念进行清晰辨析。在企业场景中，数字员工可以分为两类：

第一类是提效型AI助手，也就是当前应用最广泛的模式：为每个员工配备专属的AI Agent，仅对该员工负责。很多企业在尝试数字化员工转型时，都会优先选择这类模式。但这类模式存在天然的问题：企业数字资产归属问题。当员工为自己配备了AI分身后，这个分身会随着使用逐渐掌握员工的思维模式与工作习惯，甚至带有员工的部分人格特征。根据国内的人格权判例，员工离职时，这类AI分身可能被认定为属于员工个人而非公司，这让企业主感到焦虑：如果员工带走自己的AI分身，企业的数字资产将荡然无存。

真正的数字员工应该从诞生之初就属于企业，而非某个员工。这类服务型AI员工拥有独立的身份标识，从第一天起就服务于整个公司的协作体系。

以财务岗位为例，提效型AI助手是为单个财务人员配备的AI工具，帮助该员工提升工作效率，员工再将成果交付给客户；而真正的数字员工财务则是独立的服务单元，企业配备专门的维护人员对其进行训练与逻辑校准，内部员工无需对接维护人员，直接与AI财务完成业务交付。这就是我们所说的“将交付界面从人切换为AI”。

如果实现这种模式，企业的岗位架构将发生根本性变化：一个岗位不再需要多名员工，只需一个AI Agent即可完成。企业的员工数量不再依赖于人数，而是取决于岗位数量，每个岗位配备一个AI Agent，背后只需要少量人员进行维护与迭代升级。这就是我们构想的AI原生公司运作模式。

服务型AI员工分为两类：对内服务型员工，比如企业内部的财务、法务、HR等岗位的AI员工；对外服务型员工，比如销售、客服、售前售后咨询、社区运营、营销等岗位的AI员工。当前国内的AI助手市场已经竞争激烈，而对外服务型AI员工的赛道竞争相对较少，因为开放场景下的不确定性处理、任务边界定义等问题都极具挑战性。

当前的通用Agent架构无法承载对外服务型AI员工的需求。通用Agent的运行模式是为每个用户分配独立实例，但对外服务型AI员工需要全局共享实例，同时解决数据隔离、权限分离与角色分离等问题。此前有从业者尝试用通用工具搭建对外服务的AI员工，遇到了严重的数据安全问题：一名客户上传的合同文件被直接泄露给了另一名客户，因为平台缺乏完善的数据隔离机制。企业将对内的AI助手升级为公司级的对外或对内服务员工时，会遇到安全性与并发处理的双重挑战，这需要完全不同的Agent运行时与构建环境。这也是个人助手与数字员工的核心区别。

我们可以将AI Agent类比为生产设备：过去手工制作杯子需要工匠的经验与时间，而现在通过机器可以无限量产。AI Agent本身就是智力生产的机器，过去的专业服务依赖专家的时间与经验，而未来企业无需再亲自完成交付，而是通过搭建AI Agent来提供服务，只要算力充足，就可以服务无限多的客户。这将实现专业服务的普惠化：过去需要数十万甚至数百万才能获得的专业服务，未来只需几千甚至几百元即可获取。这种趋势已经开始显现：

某外包服务企业的负责人表示，过去客户愿意为项目支付100万元，现在仅愿意支付30万元，因为客户知道服务背后是AI而非人力，成本结构已经从人力成本转变为算力成本，价格自然会下降。而且这个价格还在持续下降，未来可能降至5万、10万元。小程序开发服务也经历了同样的变化：过去一单小程序开发费用高达5万到10万元，现在只需一两万元，未来甚至可能只需几百到几千元，因为开发者可以通过AI辅助快速完成开发。

未来人类的工作将从直接交付服务，转变为训练、维护与迭代AI Agent，同时协调多个AI Agent完成复杂的业务流程。就像工厂工人不再手工制作产品，而是维护生产机器一样，未来的知识工作者也将不再直接交付服务，而是维护自己的AI服务机器，让其完成规模化的服务交付。

我们团队正在打造真正的数字员工平台，面向规模化交付的专业服务，我们将其命名为OPS Agent（One Person Service Agent）。我们自研了一套底层基础设施，而非使用现有框架，主要为了解决高并发、数据隔离、多租户与企业级安全等问题，但使用体验保持简洁：用户只需通过对话即可训练自己的AI Agent。

我们将Agent训练与产品交付进行分离，提供SDK接口：用户可以在我们的平台上创建并训练AI Agent，业务人员无需代码基础即可完成训练，随后通过SDK将Agent集成到自己的产品中，直接服务客户。我们的产品并非用于提升个人工作效率的工具，如果你需要类似提效工具，可以直接使用国内的同类产品。我们的产品定位是帮助开发者搭建可商业化的AI服务，通过AI Agent直接对接客户完成交付。

除了底层基础设施，我们还搭建了上下文强化学习模块：通过收集客户资料与对话数据，提取有效信息让AI Agent变得更聪明。AI Agent的知识库中存储了不同场景下的行为规则，随着服务客户数量增加、场景复杂度提升，加上人工打标与反馈，AI Agent的能力会持续迭代优化，服务质量与规模化能力都会不断提升。

我们主要服务两类群体：企业客户与小型独立工作室。以头部营销企业为例，他们在尝试数字化转型时，同时部署了提效型AI助手与服务型数字员工。企业内部不可能只有AI而没有人，人类员工依然需要提效工具，因此这两类模式会长期并存，而非互相取代。这类企业发现，部署提效型AI助手的阻力更小，因为服务型数字员工需要解决并发、安全、隔离、多租户等复杂问题，对于非研发型企业来说，搭建这类系统的门槛较高。同时，企业员工对数字员工的接受度也需要一定的教育周期：当前企业员工可以分为三个层级，第一层级是使用通用聊天工具，第二层级是会使用AI Agent工具，但即使掌握了这些工具，搭建数字员工依然存在较高的技术门槛。

转型的核心是重新定义人类的工作，而非单纯替换人类。人类的工作将从直接交付服务，转变为开发、训练与维护AI Agent，让AI Agent完成规模化交付。未来随着AI Agent的普及，客户也可能使用你的AI Agent来搭建自己的服务体系，形成复杂的网状协作结构，这将重塑劳动力市场的形态：企业不仅需要招聘人类员工，还需要招募AI Agent，最终形成以AI Agent为核心的循环经济，也就是我们所说的Agent经济。

Q：数字员工的自我进化采用了什么样的技术路径？

A：其实并没有想象中复杂。此前相关Agent工具就具备自我学习与进化的能力，技能市场上最热门的“自我提升”技能，核心逻辑就是定期回顾对话记录，总结有效信息沉淀到知识库中，下次遇到同类问题时就能给出更准确的解决方案。随着企业场景复杂度提升，需要更工程化的构建方案：如果AI Agent服务于整个项目而非单个用户，就需要从所有用户的对话中学习知识，而非仅从单个对话中提取信息。

我们的技术路径基于“双轮架构”：包含知识库与事件库。项目推进时，系统会根据知识库构建项目结构并派发任务；同时所有对话与业务事件都会存入事件库，其中包含结构化与非结构化数据。通过定时任务定期回顾这些数据，生成新的知识并沉淀到知识库中，这套机制是我们自研完成的。

Q：上下文强化学习的具体实现方法是什么？

A：其实原理并不复杂。传统的微调技术通过特定方式修改模型参数权重，但随着基础模型能力不断提升，微调的性价比越来越低。当前的上下文强化学习不再训练模型本身，而是训练上下文环境。

训练上下文的方式有很多种：比如搭建数据流水线，当新的数据或事件产生时，实时反馈并修改上下文。上下文的展现形式包括知识库、技能文档、系统提示词等，只要设计一套规范的架构，让AI能够定期回顾数据并实时修改系统提示词与技能规则即可。当然，实际落地时需要根据场景选择人工审核或AI自主交付的模式。

Q：Agent的技能信号来自哪里？如果搭建自进化的Agent，反馈是需要人工介入还是可以自动完成？目前有没有专门的技术路径？

A：目前主要还是依靠人工反馈，尚未出现完全自动化的技术方案。

Q：如果AI对外服务，用户觉得服务不好可能直接离开，不会直接反馈，这种情况如何处理？

A：用户离开本身就是一种反馈信号，只是负面反馈的抓取难度更高。正面反馈比较容易获取，比如长时间对话后用户给出积极评价。我们目前主要通过两种方式处理负面反馈：一是行为抓取，通过用户的访问时长、对话轮次、离开节点等行为数据判断服务质量；二是在早期阶段由Agent所有者进行人工复盘。

Agent所有者为了实现商业变现，必然会对对话效果进行复盘分析：如果发现对话效果不佳，会调整提示词，或者通过人工或AI辅助总结问题，将修正内容喂给AI，这本身就是训练过程。无论是留学咨询还是销售服务的案例，运营者都会定期复盘，甚至可以自动筛选出效果不佳的对话案例，分析问题原因并进行调整，这个过程可以逐步实现自动化。

Q：纯线上的数字员工可以通过AI替代，但很多企业的员工还有线下的面对面工作，相关企业有没有相关的落地案例？

A：有些工作确实只能由人类完成，但随着技术发展，岗位会逐渐分离：将适合AI完成的工作与必须人类完成的工作拆开。过去的岗位职责是混合的，因为所有工作都由人类完成，但现在可以将AI擅长的判断、协作、调度工作交给AI，人类专注于需要情感、创造力或物理交互的工作。比如我们内部的产研岗，过去产品与研发是分开的岗位，现在合并为一个岗位，这就是AI带来的岗位合并，未来还会出现更多的岗位分离。

我们相信未来的团队必然是AI与人类混编的团队。比如我们搭建的营销团队包含3个AI Agent与4名人类员工，其中项目经理是AI。它的主要工作包括每日任务分配、生成流程图与任务列表、跟进进度、确认任务完成情况，甚至可以主动提出疑问并要求人类解释，比如“为什么从版本一升级到版本二？是否是客户需求发生了变化？”即使它没有在群聊中查看对话，也可以主动要求人类提供解释并将信息沉淀入库。

人类与AI本质上是协作关系，并非所有工作都需要AI独立完成，很多环节依然需要人类参与。比如我们尝试用这套工具筹办线下科技活动或黑客松，虽然涉及线下会场与现场人员，无法完全依靠AI完成，但AI可以穿插在整个流程中，胜任管理与协调类工作，仅在遇到无法处理的问题时才将任务派发给人类员工。