1972 年，五个人从 IBM 辞职创立 SAP。五十多年后，AI 办公打得不可开交，问题却还是同一个：企业中所有的「事」，最终都要有具体的「人」来负责。数势科技联合创始人谭李做了一场终局推演，给出自洽但可被反驳的框架。

9 月中旬，WorkBuddy、千问办公、豆包工作们打得不可开交，AI 办公似乎已经成为了大厂除基础模型外最大的战场。

我时常在想，AI 办公现在走到哪一步了？最终谁会赢？恰好，我经常交流的行业专家、数势科技联合创始人谭李发来一篇推演文。

谭李深耕企业数字化十余年，服务了沃尔玛、宝洁、星巴克、平安证券等数十家大型企业的数字化能力建设。作为一线创业者，谭李这篇稿件里没有提数据、实际案例，而是仅基于逻辑和历史经验做了一场 “ 终局推演 ”。在 AI 办公概念泛滥的当下，他给出了一套自洽的、也可以被反驳的思考框架，其思考有一定参考意义，所以我们决定刊发此文。

以下为谭李的《我们正在造一个还没有名字的产品》全文，文章经过了不改变原意的调整。本文欢迎探讨、欢迎不同的声音。

01 AI办公产品还没想好自己的名字

1972 年 4 月，五个人从 IBM 辞职，开了家公司，名叫 SAP，现在是全球最大的企业管理和协同化商务解决方案供应商。

几个创始人大部分时间都泡在第一个客户的数据中心里。他们一开始做的东西可以被看作是现代 ERP 系统的核心原型之一，但当时他们不会说 “ 我们在做 ERP ”，这个词还要再等 18 年，到 1990 年才被 Gartner 造出来。

从 MRP 到 MRP II 再到 ERP 这个 “ 企业的管理大脑 ”，一套适用于千行百业的共性抽象，花了二十多年才被想清楚。无论你造汽车还是卖药，企业都能被拆成同一组零件，以便高效、标准化的管理。

我最近老在琢磨一个问题：AI 办公现在是哪一年？

我的答案是 1972 年前后。尽管腾讯 WorkBuddy、阿里千问办公、字节豆包工作的 AI 办公三国杀如火如荼，AI 效率类创业公司如雨后春笋，融资一轮接一轮，但现在还没有一个共性抽象，能像当年的 ERP 一样，把这些产品串起来。

所以这篇文章，我不打算聊具体功能，只聊一些 AI 办公的终局思考和抽象。

我们还是先从 ERP 说起吧，它的结构其实很简单，甚至简单得让人意外。

①静态基础，也就是有哪些 “ 人 ” 和 “ 物 ”，比如：物料、客户、供应商、员工、会计科目、组织单元。

②动态操作，也就是：采购、收货、领料、生产、发货、开票、收款、付款。

③运行规则，也就是各种单据，一张单据推着下一张：采购申请生出采购订单，货到了做收货，发票来了做三单匹配，最后走到付款。

有了这三样东西，你几乎可以把企业内的所有事儿都抽象成这三样的组合：某些人某些日依据某些规则做了某些事产生了某些结果。

但这套体系要运转起来，还得靠第四样东西：平衡约束。

比如关键单据落地时，“ 物 ” 和 “ 钱 ” 是同时动的，这时既要保证数量守恒，又要保证价值守恒。用于保证这两个守恒的手段，是复式记账：任何业务动作，最后都要变成借贷相等的一笔账。

也就是说，必须确保所有的 “ 账目能平 ”，企业才敢把账交给系统。

然而，这些系统其实最终还是靠人串起来的，朝九晚五甚至 996 的打工人持续在判断、协商、写方案、开会、催进度，凡是系统接不上的地方，都得有人补上，就这么补了三十多年，直到 AI 办公出现。

照着 ERP 的同一个结构逻辑，AI 办公平台该长成这样：

①静态基础，也就是那些 “ 对象 ”：交付物、角色 （ 人和 Agent ）、沟通中的上下文、权限。

②动态基础，也就是干活的过程：检索、生成、调用工具执行、协调、判断、担责。这些动作可以由 Agent 执行，也可以由人执行，但担责最终只能落在人身上。

③任务的流转，也就是：发起人的意图，到计划，到执行记录，到交付物，到验收签字。一张任务单也可以拆出子任务单派给别的 Agent，就像采购申请生出采购订单。

第四样依然最关键。我认为它是知识工作版的 “ 借贷相等 ”，叫责任守恒。

责任守恒是指，每一个 Agent 的动作，都必须能追溯到一个人的授权，并留下可审计的记录，“ 谁授权、做了什么、结果如何 ” 三者要能对得上。

说白了就是，当年 ERP 靠 “ 账目能平 ” 让企业敢把账交给系统，现在，AI 办公应该要靠 “ 责任守恒 ” 获得企业们的青睐。企业中所有的 “ 事 ”，无论中间有多少 AI 执行，无论结果是好还是坏，最终都要有个具体的 “ 人 ” 来负责。

02 把AI装进流程，还是让流程消失？

今天，绝大多数 AI 办公产品，骨子里还是软件时代那一套 Process Automation：把人做的步骤自动化一遍，做得更快。

但其实 AI 真正擅长的是 Intelligence Automation。流程这种东西，AI 可以很快搭出来。它最大的价值，是在你准备做一件事的时候，把所有该想到的都替你想到了，直接产出结果和价值。

所以流程固然重要，但流程背后要达成的目的才是关键。达到目的所用的手段可以由 AI 自己选，在不少场景里，AI 采用的手段比大多数人都要好，光是这一点就会带来整体优化。

再往前推一步的话，那个目的本身，也可能被优化掉。这取决于它对企业的最终价值到底是不是必须的。

举个例子，很多公司里都有这样的流程：每周五下午做一版周报，三个人花半天，汇总给一个从来不看的人。这种东西你把它自动化，它只是会以更快的速度继续没有意义下去而已。

所以，把 AI 装进现有流程，天花板可能只是提效百分之几十。但从目的重新往回推，某一整段流程可能直接不见了，只留下那些真正有意义有必要的组织目标。这或许才是做 AI 办公产品的第一性原理。

顺着往下想，会得出一个让不少人不舒服的结论。

这其实跟自动驾驶的老争论是一回事，Human in the loop （ 人类保持参与在决策回路中 ） 究竟是在保障安全，还是在增加安全隐患？一个时刻提醒司机要随时接管方向盘的自动驾驶，是更安全还是更危险？

我的看法是，人不该默认在所有 Loop 中，只该在 Agent 需要人接手签字的时候被叫进来，总结下来也就这三种情形：力有不逮、超出权责、预算超支。产品真正的功夫，是把这三个时机和边界定义清楚。

长远来看，个人认为人机协作会分四步走：

①人做，AI 帮忙

↓

② AI 做单个任务、人审每一步

↓

③AI 跑整条流程、人只审例外

↓

④人来定目标和边界、Agent 网络自组织协作。

可惜，今天大部分产品还站在第一步。把第一步打磨得再顺手，也跨不到第四步，因为第四步的关键不是执行，而是人机托付机制。而只有到了第四步，才会出现 AI 时代最大的变数，Agent 之间网状协作带来的超线性增长。

03 效率工具？还是数智员工？

国内 AI 办公赛道的御三家：腾讯 WorkBuddy、阿里千问办公、字节豆包工作，以及一系列的创业公司，现在推出的产品形态更像是面向知识工作者的 AI 效率工作台，远非 AI 办公的产品终局形态。

个人认为未来原生 AI 办公产品最核心的标准有三条：AI 面向目标/意图做优化并直接交付结果；Agent 之间网状协作带来的超线性增长；以及在真实反馈中持续进化的智能复利。

这种产品形态，我更愿意称之为数智员工。这三条标准，分别回答三个问题：数智员工卖的是什么；为什么数智员工越多，每一个的价值就越高；以及为什么数智员工会越用越强。

先说第一条，直接交付结果。效率工具和数智员工，卖的根本不是同一种东西。Foundation Capital 的合伙人讲过一个很清楚的区分，软件公司卖的是工具的使用权，用工具把事做成，责任是在买方，而服务公司卖的是结果，把事做成的责任是在卖方。按他们的估算，AI 带来的 “ 服务即软件 ” 是一个 4.6 万亿美元的机会。

所以直接交付结果，本质上是一次责任的转移，也就是把事做成的责任从买方挪到了卖方。这也是为什么本文第二节提到的的 “ 责任守恒 ” 如此要紧，只要账算不清，卖方就不敢接这份责任。

这会带来很直接的商业后果，效率工具只能按人头卖席位或者按消耗卖 Token，而数智员工可以按结果、按覆盖、按工作量卖。今天市面上的产品定价，几乎全停在前者。

再说第二条，网状协作的 “ 超线性 ”。要看清这一点，可以先看软件行业中一条半个世纪前的老定律。1975 年，布鲁克斯在《人月神话》（ The Mythical Man-Month ） 里写道：给一个已经延期的软件项目加人，只会让它更晚交付。原因之一是沟通：n 个人之间有 n (n−1)/2 条沟通渠道，6 个人是 15 条，50 个人就是 1225 条。

所以，人的组织天然会越大越慢。人一多，协调的成本就会上去，甚至涨得比实际干活的产出还快。

研究 “ 规模 ”（ Scaling ） 的物理学家韦斯特的团队算过一笔更大的账。他们研究了约 2.2 万家公司后发现，员工从一百人涨到一百万人，人均利润和人均资产只按大约五分之四的比例增长，越大越钝。城市却相反，人口翻倍，产出和专利都不止翻倍，大城市的人均产出更高。

也就是说，城市是超线性的，公司是亚线性的。

数智员工第一次让组织有机会像城市一样生长。因为同样是 n (n−1)/2 条沟通渠道，放到 Agent 身上，实际效率跟放人身上是不一样的。Agent 之间的沟通成本要低得多，增加一条连线不再是负担，反而是增加了一种新能力。也就是说，每多接入一个数智员工，其他所有 Agent 都能调用它，从而各自组合出新的能力。

当然，要实现这一点也是有前提的，即模型的智能水平要足够高，能正确地拆解任务。更重要的是，超线性来自于不同能力的组合 （ 即不同角色的 Agent )，而不是在同一件事上堆更多 Agent。研究发现，在单个 Agent 已经很强的任务上，简单叠加更多 Agent 的收益会递减，严格串行的任务甚至收益会变差。

最后我们再说第三条，智能复利。超线性说的是横向，同一时刻，连在一起的 Agent 越多，产出涨得越快。智能复利说的是纵向，同一个 Agent，干过的活越多，就会变得越聪明。

曾鸣教授在新书《智能》发布时提出，工业时代的核心机制是规模经济，互联网时代是网络效应，AI 时代则是智能复利。具体而言，智能复利是指，AI 在干活的过程中拿到真实世界的反馈，变得更聪明，从而能接更难的活、拿到更多反馈，形成正循环。他特别强调，要让这个飞轮转起来，前提是 AI 能独立完成端到端的任务，并对结果负责。

相比之下，效率工具为什么难有复利？因为结果不在它手里。你用 AI 写了一版方案，改了三遍，最后客户签没签，AI 很可能不知道，因为这一步是人接手的，然后闭环就断掉了。数智员工直接交付结果，也就能直接拿到结果的反馈，比如问题解决了没有，款收回来没有。每干完一单，它就离下一单更近一步。

复利滚到一定程度，曾鸣称之为 “ 黑洞效应 ”，用户把更难的任务交给更聪明的系统，然后系统拿到更多高质量的反馈，从而领先者的优势不可逆地放大，但其中一个前提是反馈的路径难以被复制。

最后来把前面三条放在一起看，直接交付结果打通了闭环，网状协作让产出超线性，智能复利让能力持续进化，这才是数智员工和效率工具真正的分野。

04 枷锁

我这里强调一下，AI 没有让人变得不重要。AI 其实是把人的价值挤到了两端，在开头定义什么叫做好，在结尾判断做得好不好，并为此负责。至于中间那段，我们交给 Agent 就行。

ERP 时代也是这样，比如会计不再手工记账了，但凭证还得有人审，报表还得有人签字。人剩下的活变少了，难度却变高了。

其中委托这一头，一张合格的委托单至少需要目标、验收标准、权限边界、资源预算、升级条件，这其中最难的是验收标准。因为大多数人对 “ 好 ” 的判断是隐性的，看到了才知道对不对，事先写不出来。

所以公司过去那些验收记录才最值钱，哪些一次就过了，哪些被打回重做，为什么打回，都是高价值的数据，领导没明说、但心里有数的东西，其实全在里面。为什么说上下文与记忆层不可忽视，原因就在这里。

这里还藏着一个 AI 原生组织里全新的管理问题。人出问题的原因，要么是动机，比如利益不一致、偷懒，要么是能力，所以传统管理靠激励和培训。Agent 出问题的原因很不一样，通常是这三种情况：理解错了、碰到能力边界产生幻觉、被外部内容误导 （ 也就是常说的提示词注入 ）。前两种要靠更充分的上下文和更清晰的验收标准，后一种要靠边界清晰的授权和可追溯的审计。所以控制手段要从 “ 激励和培训 ” 换成 “ 上下文加人机托付机制 ”。

验收那一头才是真瓶颈。到未来，生成这件事儿会变得很便宜，但核验会变得很贵。你的产能取决于 Agent 产出和人的验收能力里较小的那个 ，十个 Agent 配一个疲惫的审阅人，最后还是等于一个 Agent。

所以验收必须分级，而且分级看的是可逆性，不是重要性。不可逆的、对外的，必须逐一签字；可逆的内部高频工作，可以抽检加看指标；低风险的纯信息类，事后审计就行。

聊到此处，相信大家不难得到一个结论，要让 AI 办公真正落地，最大的枷锁，是还缺一套值得信任的人机托付机制，涉及认证、授权、审计。

用门禁打比方会比较好理解：认证是刷卡，确认你是谁；授权是这张卡能开哪几扇门；审计是门禁记录，几点几分开了哪扇门。

对人来说，这三件事早就有成熟答案。Agent 带来的新麻烦是代办链条：你委托 A，A 又叫上 B 和一堆工具。但 B 拿的是谁的卡？权限有没有随着链条一层层收窄？出事之后，能不能一路查回到最初签字的那个人？

其实目前这套人机托付机制的管道也在标准化，但策略还是空白。A2A （ Agent to Agent ） 把认证交给 OAuth 这类标准机制，但明说授权的逻辑还是由各家自己实现；MCP 要求服务器验证令牌确实是签发给自己的，并警告原样转发别人的令牌会造成 “ 混淆代理人 ”。它们解决的是怎么安全地递卡，但对于这张卡该有多大权限，还缺少验证手段。

要跑通这套人机托付机制，至少还有四个需要补齐的缺口：Agent 自己的身份、完整的委托链、业务级策略的通用表达 （“ 单笔超过阈值必须人工签字 ” 这种规则，今天还没有通用的写法 ）、防篡改且能跨厂商串联的审计记录。

美国 NIST 已经把 Agent 身份和访问委托列为重点方向，新加坡 IMDA 在 2026 年 1 月发布了专门针对 Agentic AI 的治理框架，框架自愿遵守，但企业照样要对 Agent 的行为承担法律责任。

并且，这些都还是所谓的 “ 指南 ”，不是能互通实现的标准。

我个人的判断很简单，这把锁什么时候打开，AI 办公什么时候从试点变成常态。

05 写在最后

1937 年，科斯在《企业的性质》里问过一个问题：如果市场这么有效，为什么还会有公司？

他回答说，因为在市场上找人、谈判、签约、盯着对方干活，成本太高了，而把这些活动装进一个公司里会更便宜。

公司，说到底是一个降低协调成本的容器。

而 ERP 很大程度上影响了这个容器能装多大，它把管理半径给放大了，从而跨国集团才得以用一套系统管到全球的每一个仓库和每一笔备料。

那么接下来的问题就很自然了，当协调成本被 Agent 压到接近于零，这个容器的必要半径可能越来越小，但它到底还需要多大呢？

MIT、哈佛和波士顿大学的几位经济学家，给这种前景起过一个名字，叫 “ 科斯奇点 ”，不过他们在标题后面打了个问号。

如果流程会被重构，目的会被优化，执行可以外包给一张 Agent 网络，那么 “ 公司 ” 里剩下的，其实只有两样东西，就是值得追求的目的，和愿意为结果签字的人。

而推动这一进程的，是一款我们这些 AI 从业者们正在造、但还没有名字的产品。

当这个产品出现之后，未来组织里最稀缺的，或许不再是能干活的人，而是能定义什么目标值得追求、什么叫 “ 好 ”，并且敢为此签字的人。

尾注：

[1] SAP 于 1972 年由五位前 IBM 员工创立；创立初期，创始人大部分时间在第一个客户的数据中心工作。来源：SAP 官网公司历史，https://www.sap.com/about/company/history/1972-1980.html

[2] “ ERP ”一词由 Gartner 于 1990 年提出。来源：NetSuite《The History of ERP》，https://www.netsuite.com/portal/resource/articles/erp/erp-history.shtml；另见 Jacobs & Weston, “ ERP—A brief history ”, Journal of Operations Management，https://www.sciencedirect.com/science/article/abs/pii/S0272696306001355

[3] Luca Pacioli 于 1494 年出版的《Summa》首次以印刷形式系统描述复式记账法。来源：ICAEW 历史会计文献馆藏，https://www.icaew.com/library/library-collection/historical-accounting-literature/pacioli

[4] Joanne Chen （ Foundation Capital ）, “ AI Leads A Service-As-Software Paradigm Shift ”, Forbes, 2024-04-29。4.6 万亿美元为该投资机构的估算。https://www.forbes.com/sites/joannechen/2024/04/29/ai-leads-a-service-as-software-paradigm-shift/

[5] Frederick P. Brooks Jr., The Mythical Man-Month: Essays on Software Engineering, Addison-Wesley, 1975。布鲁克斯定律与 n (n−1)/2 沟通渠道公式的概述见 https://en.wikipedia.org/wiki/The_Mythical_Man-Month

[6] Geoffrey West 在 Long Now 基金会的演讲 “ Why Cities Keep on Growing, Corporations Always Die, and Life Gets Faster ”（ 2011-07-25，Stewart Brand 整理 ）：城市生产力相关指标随人口以约 1.15 的指数超线性增长；对约 2.2 万家公司的研究显示，员工从 100 人增至 100 万人时，人均净利润和人均资产只按约 4/5 的比例增长。https://longnow.org/talks/02011-west/ ；另见 West, Scale （ 2017 ）

[7] Bettencourt, Lobo & Strumsky, “ Invention in the city: Increasing returns to patenting as a scaling function of metropolitan size ”, Research Policy 36 (2007) 107–120：大都市专利数随人口超线性增长，而单个发明人的生产率在不同城市之间基本不变。

[8] Google Research 等，“ Towards a Science of Scaling Agent Systems ”, arXiv:2512.08296 （ 2026-04 修订版，260 种配置 ）。https://arxiv.org/abs/2512.08296

[9] 曾鸣，《智能：AI 时代的商业、组织与战略的本质》，2026。文中观点引自文汇报记者徐晶卉在 2026 世界人工智能大会期间的采访报道《AI 时代企业如何竞争？曾鸣：把握 “ 智能复利 ” 是关键！》，上观新闻，2026-07-19，https://m.jfdaily.com/wx/detail.do?id=1146955

[10] A2A 协议将身份认证交由 OAuth2、OpenID Connect 等标准机制，授权逻辑由各实现方自行决定。来源：A2A Protocol, Enterprise Features，https://a2a-protocol.org/latest/topics/enterprise-ready/

[11] MCP 规范要求服务器验证访问令牌是签发给自己的，并警告令牌透传会造成 “ 混淆代理人 ” 问题。来源：Model Context Protocol Specification: Authorization (2025-11-25)，https://modelcontextprotocol.io/specification/2025-11-25/basic/authorization

[12] 美国 NIST 下属 NCCoE 于 2026 年 2 月发布软件与 AI Agent 身份及授权概念文件。来源：https://www.nccoe.nist.gov/projects/software-and-ai-agent-identity-and-authorization

[13] 新加坡于 2026 年 1 月 22 日发布针对 Agentic AI 的治理框架 （ 新加坡称其为全球首个；2026 年 5 月更新至 1.5 版 ），框架自愿遵守，但企业仍对 Agent 行为承担法律责任。来源：新加坡数码发展及新闻部新闻稿，https://www.mddi.gov.sg/newsroom/singapore-launches-new-model-ai-governance-framework-for-agentic-ai–/

[14] Coase, R. H. (1937). “ The Nature of the Firm ”, Economica, Vol. 4, No. 16, pp. 386-405。概述见 https://en.wikipedia.org/wiki/The_Nature_of_the_Firm

[15] Shahidi, Rusak, Manning, Fradkin & Horton, “ The Coasean Singularity? Demand, Supply, and Market Design with AI Agents ”, NBER Working Paper 34468, 2025。https://www.nber.org/papers/w34468