那些熟悉的日常工作场景正逐渐成为历史。清晨，你不再需要为电子表格中B4单元格的数值差异与同事争执；午后，也无需因客户需求的反复变更而频繁修改报价单。这种被大多数知识工作者视为常态的日子，在五年后或许显得过时甚至荒谬，但人们可能会对此产生怀念。
历史上，农业让位于工厂，随后演变为如今的知识型工作，新工具总是不断自动化旧有流程。如今，AI智能体正在对办公室工作发起同样的变革。
既聪明又“无用”
AI正从单纯的问答机器转变为能执行实际任务的智能体。以编程为例，两年前AI主要用于代码补全和生成简短脚本。如今，Anthropic的工程师透露，AI已承担了他们高达90%的代码编写工作，部分工程师甚至不再手动编码。
然而，幻觉和基础错误依然频发。模型可能无法准确计算单词中的字母数量，或给出违背常识的建议。尽管实验室不断修复已知问题，新的尴尬错误随即出现。AI研究者Andrej Karpathy将此称为“锯齿状智能”：模型能解决极高复杂度的问题，却在儿童能完成的简单任务上失手。这意味着，输出结果的质量具有不可预测性，人类无法完全从流程中剔除。
如何判断放手程度
对智能体的信任度取决于两个维度：出错成本和验证成本。出错成本指模型错误引发的损害，如法庭文件引用虚假案例会导致罚款和声誉受损，而会议纪要草稿的错误则相对轻微。验证成本指检查产出正确性的难度，数学证明可通过程序自动校验，而商业策略评估则需要深厚的专业知识。
任务在这两个维度上的得分越高，越需要人类的监督与专业介入。值得注意的是，宏观任务往往包含多个子任务。以客户服务为例，低验证成本、路径清晰的常规一级互动适合自动化，而涉及高错误成本和复杂判断的二三级互动则需人工介入。
Klarna曾大力推行自动化，却因服务质量下降而重新招聘人员。其首席执行官Sebastian Siemiatkowski指出，必须确保用户在有需要时能随时获得人工服务。
部分自动化提升人类价值
20世纪70年代ATM机普及后，美国银行柜员数量不降反升，薪资也随之上涨。放射科亦是如此，尽管AI在读片方面表现优异，但该领域的人才需求从未如此旺盛，职位空缺依然存在。
诺贝尔经济学奖得主Michael Kremer提出的“O型环理论”解释了这一现象：现代知识工作呈乘法效应而非加法效应，任何一个环节的缺陷都可能将整个输出的价值归零。在自动化链条中，除非人类及时发现并拦截错误，否则薄弱环节会导致整体失败。这使得剩余的人类员工更具价值，他们负责把关更大体量的高质量工作。只要“锯齿状智能”和幻觉问题存在，全自动化就难以实现，人类的需求也不会下降。
聚焦高价值效应
自动化释放的时间应投向瓶颈任务，如建立客户关系、洞察真实需求和做出关键判断，这不仅能提升最终工作质量，也为下一轮自动化设定更高标准。领导者需识别智能体的能力边界，主动移交任务并重组流程，让员工从“机器保姆”转型为高价值工作的执行者。
五年后的工作图景
未来，十几个智能体将并行处理起草报价、筛选线索和清理工单等繁琐工作。人类的认知负荷反而增加，因为需要同时监控多个任务流，提供反馈并确保细节无误。保护心理带宽，确保智能体为人服务而非反之，将节省下的时间投入到只有人类能完成的工作中。否则，几年后我们或许会怀念那些仅为B4单元格数值争论的日子。