执行权转移：智能体时代的企业管理变革

2026年春节前后，我的工作方式发生了一次明显转换。AI从需要逐句修改的半成品生产者，变成了能独立交付完整任务的执行者，人机比例从9∶1翻转为2∶8。不是渐进的，几乎是某天突然就到来了。

同一时间，更大范围的变化正在发生。OpenClaw是一个运行在本地设备上的开源智能体平台，因Logo形似龙虾而得名，2026年年初在GitHub上线，两个月内星标数（点赞、收藏等）远超运行了三十多年的Linux内核；苹果Mac Mini因被大量购买用来运行OpenClaw而断货；深圳南山科技园区数百人排队安装类似产品，其中大批参与者并非程序员。从“能聊天”到“能干活”，让普通人对人工智能产生直接感知。这种体感迅速反映在数字上，2024年年初，中国每天消耗的AI运算量（Token）约为1000亿；到2026年3月，这个数字达到140万亿，两年增长1400倍。

这些变化背后，不只是效率提升，而是“谁在执行任务”这一基本协作方式正在发生改变，即执行权正在从人转向智能体。过去的互联网运行逻辑是人→打开软件→执行任务。而现在开始变成人→给出目标→智能体执行。执行环节从人操作系统，转向系统替人执行。

▲过去的互联网运行逻辑是人→打开软件→执行任务。而现在开始变成人→给出目标→智能体执行。图为腾讯云推出的桌面智能体执行工具WorkBuddy。

1.从“能想”“能做”到“能长期做”

智能体技术走到今天，经历了三个阶段。

第一阶段，用户给出明确指令，智能体执行单一动作。比如翻译一段话、画一张流程图。人仍然控制着每一步做什么，智能体只是手比人快。2023年的AutoGPT曾试图跳过这个阶段直接追求全自主，结果在长链任务中频繁偏离目标，证明了能力跃迁需要循序渐进。

第二阶段，用户描述一个完整的任务目标，智能体自主规划执行步骤并逐一完成。比如做一份竞品分析报告，智能体自己搜索资料、提取信息、比较分析、生成结论、排版输出。以Manus为代表的产品达到了这一层。但它运行在云端沙箱中，无法直接访问用户的本地文件和应用，能力不错但难以触及用户真正的工作环境。

第三阶段，是2026年正在发生的变化。以OpenClaw为代表的新一代智能体运行在用户的本地设备上，可以直接读取文件、操作终端、控制浏览器、调用各种本地应用，同时通过微信、企业微信等即时通信工具与用户实时协同。更关键的是，智能体开始具备跨任务的持久记忆。它能记住你的工作习惯，学习你的偏好，在执行中积累经验并形成可复用的技能。

国内企业的跟进速度同样值得注意。2026年2月起，腾讯、字节跳动、阿里巴巴、百度、小米等头部厂商密集发布类智能体产品或适配方案。腾讯在3月9日同时上线WorkBuddy和QClaw两款智能体，其中WorkBuddy上线首日流量即超出预期，紧急扩容10倍。字节跳动的ArkClaw直接打通了飞书办公套件，扣子2.0升级为具备长期规划和云端执行能力的智能体平台。细看各家布局，已分化出三条切入路线。

• 第一条以桌面工作台为入口，腾讯WorkBuddy和QClaw即属此类，直接操作本地文件、生成文档和代码，也可通过企业微信远程调度云端执行，解决的是“让AI替你在电脑上干活”的问题。

• 第二条以办公套件为入口，字节跳动的ArkClaw在对话框内下达指令即可完成日程、文档、会议等任务，无需跨平台切换。

• 第三条以移动硬件为入口，小米3月发布MiMo系列大模型和手机端智能体，主打IoT联动和端侧低成本运行。

三条路线殊途同归，争夺的都是用户“把执行权交给谁”的信任入口。在企业端，艾瑞咨询最新报告显示，超过78%的中大型企业已将AI智能体纳入关键业务流程。从“能想”到“能做”，再到“能在真实环境中持续执行”，智能体正在从工具演进为执行系统。

2.从可用到好用，工程生态是关键

能力的质变只是起点。智能体若想真正走向大规模应用，不能只靠底座基础模型的进步，更取决于支撑它的工程生态。

2024年，能让AI执行复杂任务的智能体产品屈指可数，驾驭模型的工程手段基本停留在手写提示词的阶段。到2026年4月，OpenClaw、Hermes Agent、Claude Code等主流智能体虽然都遵循同一个经典循环（规划→执行→验证→迭代），但在“怎么驾驭模型”这件事上已走出截然不同的路线：有的追求精密的分层控制，有的强调自主学习和技能沉淀，有的把文件系统当作无限记忆。

当底层模型能力逐步接近时，真正拉开差距的是 Harness能力，即在不改动模型参数的前提下，通过工具调度、上下文设计、记忆管理和工作流编排等系统工程手段，将模型的任务完成水平从“可用”提升到“稳定可用”。借用汽车行业的比喻，大模型是发动机，当动力水平相近时，真正决定车辆性能的，是变速箱的换挡逻辑与底盘调校。技术社区评测显示，同一个底座模型在不同驾驭体系下，任务完成率可以相差数十个百分点。正如腾讯集团高级执行副总裁汤道生所说，“AI落地不只是一道算法题，更是一道工程题。”

如何驾驭？以腾讯为例，其做法是把Harness的核心能力分别做成独立的标准化组件，包括记忆组件、存储底座、沙箱环境，企业可按需选用而无须从头搭建技术框架。以记忆组件为例，腾讯开源的Agent Memory 接入同一基座模型后，长任务成功率即从33% 提升到 50%，Token消耗降低 61%。

而围绕这些智能体产品生长出的开发者生态，扩张速度同样惊人。作为智能体的App，Agent Skills自2025年年底出现，到2026年3月已超过8.5万个。过去需要定制开发行业软件才能解决的问题，现在加载合适的Skills就能覆盖相当一部分。腾讯也把文档、会议、地图等产品能力封装成超过3.5万个标准化接口，作为Skills供智能体动态调用。

1.智能正在成为一种新的生产要素

过去三年，大模型推理成本以每年超过90%的速度下降，开源社区又把智能体的部署门槛从需要专业工程团队下探到普通人也能使用的水平。到2026年年初，智能不再只是少数头部企业才具备的能力，而开始成为越来越多组织可以获取和调用的生产要素。

与以往的技术工具不同，智能作为生产要素具有两个显著特征，即可获得与可度量。可获得，指成本与门槛已经降到大多数企业可以尝试的范围；可度量，则指每一次智能服务的调用都对应明确的Token消耗，投入多少、产出什么，可以被记录、计算和优化。当执行能力可以按Token计量和计费时，企业首次得以像管理原材料一样管理“智能产能”。

这与传统人力有本质区别。人的能力通常绑定在个体之上，难以精确拆分与计量；而智能服务可以按需调用、按量计费、随业务规模动态扩展。企业的执行能力，开始不再完全取决于人力规模，而更多取决于其能够调用和组织多少有效的执行资源。更进一步，这种执行能力本身也在从“附着在员工身上”，转变为一种可以被独立配置的资源，执行权因此具备被外部化和重新分配的可能。

需要注意的是，Token消耗规模本身并不构成竞争力，真正关键的是Token的转化效率。执行权的转移并不会自动带来效率提升，只有当智能能力能够持续转化为业务产出时，这种转移才能真正产生价值。

2.成本形态和付费方式正在改变

在传统模式下，业务规模的扩大往往意味着人力规模的同步增长。执行工作主要依赖员工完成，因此成本结构以工资、社保、培训等刚性支出为主。

随着智能体逐步承接部分执行任务，成本并没有消失，而是发生了形态转换：从固定的人力成本，转向按使用量计费的算力与模型调用成本。这种成本具备更高的弹性，可以随着业务需求动态调整。一个拥有100人的市场调研公司，过去若要承接两倍业务量，几乎必然需要扩张到200人；而在智能体参与执行后，同样规模的团队，通过合理配置智能服务，可能实现接近甚至超过过去数倍的人效水平。

与此同时，付费逻辑也在发生变化。过去企业采购软件，购买的是功能与许可证；现在越来越多服务开始按结果收费。

本质上，这是执行系统成本结构的变化，从雇人完成，逐步转向调用执行能力。谁能够以更低成本、更高稳定性获取执行能力，谁就拥有更大的扩展空间。

企业除了把智能体基础设施化，更重要的是基于通用智能体能力，将其与自身积累多年的行业知识、业务流程、经营经验深度结合，打造自己专属的产业智能体。即把企业里那些“只有老张知道”的经验，沉淀成智能体可调用的能力；把依赖个人的经验，变成组织可复用的系统能力。不同规模的企业切入方式不同，大企业可以自建完整体系，中小企业可以依托行业SaaS或技能包快速起步，但起步逻辑是一致的：先选择一个高频、标准化、容错空间大的场景落地，再逐步扩展。为此提出如下建议。

1.把经验变成系统能力

产业智能体与通用智能体的根本区别在于：它装着这家企业自己的东西。把散在老员工脑子里、内部文档里、历史案例里的经验，整理成智能体能调用的知识资产。

具体怎么做？

第一步是从最高频的场景入手。一家做出口家具的企业，业务员报价时哪些条件可以让步、哪些碰不得，过去全凭老师傅带教，新人要半年才能上手。把这些判断规则梳理成决策表交给智能体，新业务员第一天就能带着AI参与报价工作，准确率不低于三年老手；一家物业公司，把业主投诉的分类和升级规则植入智能体之后，80%的工单可以自动分拣并给出处理建议，物业经理只需要处理剩余20%真正需要人判断的部分。

第二步是把关键业务流程翻译成智能体能跑通的执行逻辑。多数企业不缺SOP（标准操作流程），但那些SOP是写给人看的。智能体需要知道什么条件触发什么动作，什么情况下上报人工决策，什么时候可以自主完成。这个翻译过程本身就有价值，很多企业在梳理中发现，自己的流程存在大量模糊地带，过去全靠老员工的默契兜底。

第三步是让这套系统持续变聪明。产业智能体不是一次配置就终身享用的系统。每一次成功执行可以强化正确路径，每一次人工纠偏可以修正判断边界。半年之后，它对这家企业业务的理解深度，是竞争对手买一套通用产品无法复制的。这也是产业智能体作为竞争壁垒的核心逻辑：投用时间越长，壁垒越深。

2.组织和文化怎么跟进

先说组织。一家做市场调研的中型公司，过去一个项目需要配备5人团队，项目经理拆任务，两个分析师跑数据，一人写报告，一人做PPT。现在一个高级分析师带着产业智能体，即可实现从数据抓取、清洗分析到初稿撰写，全程由智能体执行，人类专家则回归核心价值，负责定义问题、审核结论、做客户汇报。一个人相当于过去五个人的产出，项目周期从三周压缩到四天。当执行由智能体承担，人的角色从执行者转变为定义者与决策者。而中间层的职能，包括任务拆解、进度跟踪、质量把关，恰恰是智能体最擅长的。

这意味着组织设计的基本单元正在变化。过去按职能划分部门、按工种配置岗位的逻辑，正在被“一个人+一组智能体”的小单元替代。“能不能与智能体高效协作”已经出现在招聘要求里，未来会成为与Office操作一样基础的工作技能。

再说文化，这可能是比组织调整更困难的一步。传统管理的逻辑是“看见人在干活，心里才踏实”，绩效评估很大程度上依赖工作时长和可见的忙碌程度。但实际情况是：一个高效员工只需要在上午花两小时就能把任务定义清楚、交给智能体执行，下午就可以审核结果做判断决策，虽然看起来“没怎么干活”，产出却可能是过去一周的工作量。如果管理者仍然用工时衡量绩效，最会用AI的人反而评价最低。

怎么调整？核心是把评估重心从“你花了多少时间”转向“你交付了什么、质量如何”。一项针对智能体高频用户的研究显示，他们使用完全自动模式的比例升到40%以上，但主动叫停AI的频率也在同步上升。信任不是放手不管，而是知道何时介入。管理者要做的是定义清楚“什么情况下必须叫停”。

3.把安全治理前置

近期频发的风险事件，已为智能体的安全发展敲响警钟。Meta超级智能实验室AI对齐总监Summer Yue在使用某款智能体时操作不当，邮箱中所有邮件被全部删除且无法恢复。安全公司Oasis Research披露了一个漏洞：任何网站都可以静默接管用户的OpenClaw智能体。

当智能体能操作文件、收发消息、调用外部服务时，安全问题不是“会不会出事”，而是“什么时候出事”。治理思路分两条线。

技术上，核心原则是用约束替代信任：最小权限，智能体用到什么实时申请什么，不给全局权限；沙箱隔离，出了问题影响范围可控；本地数据脱敏，敏感信息在离开设备前自动屏蔽。制度上，核心是让安全可验证。不是企业自己说“没问题”，而是通过独立第三方审计、安全认证、数据处理协议证明。把“相信我”变成“你可以自己查”。

除了技术安全，还有两个管理层面的风险要提前设计应对方案。

• 一是能力退化，大量执行交给智能体之后，员工如果长期不接触具体业务，判断力和专业手感会下降，需要有意识地保留人工操作的训练场景。

• 二是偏差累积，智能体执行链越长，中间环节的小偏差叠加起来可能导致最终结果显著偏离预期，关键节点的人工审核机制不能省略。

作者单位 腾讯研究院