AI 外呼的分工线在重画，规模化触达继续交给厂商，头部客户的差异化只能靠自建的一方数据层。

• 影响发信和触达环节不必自建，差异化空间在 CRM 之外的一方数据；数据分散、大客户占比高的企业可评估自建薄层；Salesforce 将按 Flex Credits 计量智能体 API 调用，厂商深度读取 CRM 的成本会持续上升。
• 参考可考虑先盘点客户数据分散在哪些系统、多少关键事实厂商读不到；值得挑少量头部客户试点自建数据薄层，并保留人对叙事的事先审核；同时算一下自家 Salesforce API 日调用量以预估成本变化。

AI 销售智能体承接销售文书工作的样板已经出现，运行成本靠模型路由快速下探，但这是 OpenRouter 为自家 Ori 做的背书内容，数字需按自报口径看待。

• 影响围绕每通电话的会前准备、笔记和 CRM 录入约占 1 小时，交给智能体后销售每天可多排 2 通电话；线索分诊从占用一整个人降到约 25% 工时；成交与赢单率的提升混有同期定价和市场变化，复制时不能照抄数字。
• 参考可考虑按同样口径拆解自家销售流程，先算出会前准备、笔记和 CRM 更新各花多少分钟；值得盘点哪一整个人在做线索分诊，评估哪些环节先交给智能体；敏感判断和最终发送保留人工确认作为底线。

生产级智能体的成熟方向是规则化，把确定性环节交给代码，模型只保留人原本做判断的部分，搭建投入可以很小。

• 影响销售漏斗顶部这类流程确定的功能可用极小投入自动化，一名兼职工程师加每年约 1000 美元即可跑通；岗位会向上移动，SDR 提前转向 outbound 对话；业务扩张会推高提示词复杂度，规则与判断的边界需要持续维护。
• 参考可考虑先盘点自家线索处理中的确定性环节，把规则交给代码、只把判断留给模型；试点期可借鉴其做法，先全量复核再过渡到按比例抽检；值得同步测算自动化与人工的成本对比。

AI 把开发者的执行力从亲手实现转向指挥与评审 AI，能力评价的重心正从写代码移向技术判断。

• 影响研发团队的用人与培养标准会随执行力定义变化而调整，评审 AI 产出成为质量把控的关键环节；实现环节被压缩后，需求理解与架构权衡等判断性工作的占比上升。
• 参考可考虑在团队内试行用第二个模型交叉评审 AI 产出的做法；值得把指挥智能体、评审生成代码、架构权衡列入研发能力盘点，再据此定培养与招聘重点。

智能体自我组织的能力超出作者预期，管理不再是人机协作的瓶颈，人的角色收敛到设定目标与把控方向。

• 影响组织智能体的成本大幅下降，企业可能无需为机器重建管理层级；智能体沿用人类现有系统工作，融入组织的门槛比预想低；自组织系统也可能偏离预期方向，委托代理问题转向人机之间。
• 参考可考虑在一个边界清晰的任务上试用多智能体分工并记录人工介入点；值得先明确人在目标设定与中途纠偏上的职责，再决定哪些流程交给自组织智能体。

DevDay 的实质是 OpenAI 从消费级规模补贴转向企业服务，用智能体、项目和权限体系把工作流变成新护城河。

• 影响缓存输入价格减半会改变多步 Agent 工作流的成本测算；UltraFast 等高速档位以数倍价格换速度；智能体接入公司系统和 4000 多个应用后，权限与数据边界的管理需求随之上升。
• 参考可考虑用 GPT-6.1 Sol 的缓存价口径重算现有 Agent 场景成本，与在用模型对比；值得先审阅 dots 的 Custom Rules 与操作审查机制，评估能否满足合规再决定试点范围。

OpenAI 把 ChatGPT 从按聊天工具收费转向按工作量和速度计价，并仿照微信思路把它改造成应用入口

• 影响企业采购 AI 的成本模型要重算，同样月费拿到的用量在下调，按工作量计价后预算更接近人力成本口径；依赖 ChatGPT 入口分发的产品，排序推荐权掌握在平台手里；档位差价拉大，用量规划直接影响支出
• 参考可考虑把现有 ChatGPT 订阅的实际用量折算成 API 花费，再对比新旧档位决定续订哪一档；依赖其入口分发的产品值得先测算插件推荐位变化对获客的影响；高频使用场景可评估 GPT-6.1 Sol 这类低价模型的替代空间

团队共享智能体把个人助手升级为承载共同记忆与流程的协作基础设施，厂商开始按职能角色打包交付。

• 影响团队知识沉淀进共享 Bot，人员轮换时的交接成本可降低；Bot 凭据与插件直连业务系统，数据访问边界需要重新划定；目前仅开放 Teams 与 Enterprise 付费计划。
• 参考可考虑先用预置模板在销售账号简报或一次性数据分析场景试点，记录人工耗时对比；值得盘点团队现有的技能库与数据凭据，评估哪些可交给共享 Bot。

微软把 Copilot 从对话助手扩展为集入口、自助建应用和常驻代理于一体的工作平台，代理类功能转向按用量计费。

• 影响AI 花费拆成订阅固定成本与代理用量两部分，预算口径需要重算；非开发者可自助生成应用并在租户内托管，IT 治理范围随之扩大；常驻代理在租户内持有独立身份，权限、审计与边界设置成为部署前提。
• 参考可考虑先按订阅与用量两条线拆算现有 AI 预算，再决定 Cowork 和 Code 的用量额度；值得在预览期选一个供应商评审或报告类流程试点 Autopilot 并记录人工耗时对比；IT 可提前规划插件审批、模型分组与 Managed Runtime 托管策略。

客服的产能约束正从招聘规模转向人机协作设计，这份厂商自述给出了 Agent 承接工单全流程的落地样本。

• 影响工单量增长175%而无需等比增员，客服人力预算的规划基准需要重算；单均解决成本$0.20至$0.30量级会改变与外包和传统AI工具的比价；数字全部为厂商自述口径，引入前需先自建评估。
• 参考可考虑先给工单分类，把最简单一类作为试点，逐日人工复核后再扩大范围；值得算清自家单均解决成本，与文中$0.20至$0.30对比；可参照先限内部备注、后放开直接回复客户的分步上线节奏。

所谓 3 倍生产力主要来自机器 24 小时连转的排班效应，而非模型更聪明，代价是按量计费的运营支出。

• 影响推理是纯 OPEX，机器夜班成本直接进当期损益而非靠折旧摊销，算力预算要按人头按天重估；超半数产出仍需人工返工，工程师精力会从创造转向清障纠错。
• 参考可考虑先按人头统计一段时间的推理日账单与实际交付量，算出自身场景的自主良率再定并行 agent 规模；值得把试点放在返工成本低、容错高的任务上。

采购这类数据齐全、比价空间明确的重复性职能，正在成为企业级 Agent 交出可量化收益的场景，但所有数字出自 xAI 自述。

• 影响闲置席位、例行续约与重复采购这类值得做但人力不划算的支出工作，可交给 Bot 持续处理；企业要为此开放 Slack、Ramp、Gmail 等内部系统权限，数据边界需提前划定；xAI 对花钱、签条款、联系供应商保留人工审批，说明人审环节短期省不掉。
• 参考可考虑先盘点 SaaS 席位与最近 90 天使用数据，算出闲置支出规模；值得挑一个续约或例行采购场景做 Bot 比价试点，并事先写明哪些动作必须人工批准。

Grok Bot 把交互单位从会话换成有身份、有记忆的智能体，产品思路正从操作工具转向委派协作者。

• 影响持久智能体把例行工作交给日程和事件触发，人的介入点从事中操作后移到结果审查；Bot 各自持有记忆和专属电脑，角色级的数据边界成为新的管理对象。
• 参考可考虑先盘点团队里每天定时发生的简报、巡检或汇总类任务，试配一个 Routine 观察无人值守时的产出质量；值得按角色拆分 Bot 记忆，避免把各角色历史混进一个大上下文。

xAI 把企业 AI 从助手推进到自主执行的智能体员工形态，并把治理控件与全组织免费试用一起打包。

• 影响销售、招聘、营销等流程固定的岗位可拆出环节交给 Bot 代办；访问、网络与审计控件随产品提供，为全员推开提供了治理前提；两周免费且不限现有席位，试水成本很低。
• 参考可考虑用两周免费期在销售或招聘中选一个固定流程做 Bot 试点，记录人工与 Bot 的耗时和质量对比；值得让安全团队先核对访问与审计控件的覆盖面，再决定放开哪些账号。

Grok Bot 从 beta 试用转向随订阅套餐捆绑放量，能交付结果的智能体开始进入付费用户的日常工具范围。

• 影响订阅用户可在现有套餐内直接用上跨应用执行的 Bot，无需新增采购；Bot 需登录邮箱、支付等真实工具，账号权限与人工审批边界要提前划定；企业级开放仍排队，团队推广时间未定。
• 参考可考虑从销售拓客或收件箱整理这类流程明确、风险较低的场景先做试点，记录人工耗时对比；值得先盘点允许 Bot 登录的账号清单，并约定哪些操作必须人工批准。

Grok Bot 把智能体从按次问答推进到常驻团队形态，xAI 借订阅捆绑让存量用户直接获得试用入口。

• 影响销售外联、行政运营等多步骤流程性工作可交 Bot 承接，按任务交付评估价值；Bot 要登录企业现有工具，账号权限和数据边界需要先设好；其用量单独计费，试点预算需另列。
• 参考可考虑挑一个跨多工具的多步骤流程，让 Bot 跟学一次并记录前后耗时对比；值得先盘点哪些业务工具允许代登录、哪些含敏感数据；企业侧可先登记官方等待名单。

实质是使用范式切换，从对话式协作转向把工作分配给智能体，而能力曲线仍在陡升使旧规划迅速失效。

• 影响存量 AI 规划多基于几小时工作量、高错误率的旧系统假设，如今单条提示词可得 16 小时以上工作量；法务、HR 等非技术职能与技术岗同步采用智能体，管理 AI 正在成为跨职能的通用工作方式。
• 参考可考虑重估现有 AI 规划的能力假设，用自身业务场景实测模型而非只看基准分；值得让领域专家优先试点 Claude Code 类智能体工具，并记录产出效率与专业经验的关系。

企业软件厂商正把智能体的治理与入口做成新的收费层，收入模式从按席位转向按用量计费。

• 影响采购这类治理层后，预算要从按席位改为按代理用量测算，总成本包含开发、维护与治理；开发环境选 Workday 还是 Microsoft 会连带影响治理工具的绑定；应用落地前提前买基础设施可能出现闲置授权。
• 参考可先算清用智能体替代人力与支付 token 费用之间的账，再决定是否为安全层付费；值得盘点在 Workday 或 SAP 已积累的业务规则，据此选择接入哪家平台；试点可选低风险场景记录真实用量。

这是分析师对 HR 运作模式的整体重构判断，核心是从流程职能与交易系统转向数据驱动的智能体架构。

• 影响若方向成立，HR 团队规模与预算结构将联动调整，软件授权从按席位转向按算力消耗；存量交易系统不会消失，新旧架构并存的集成成本将持续存在；员工数据采集范围扩大，治理与合规压力随之上升。
• 参考可考虑先盘点现有 HR 系统与员工数据质量，从排班、招聘筛选等场景中选低风险试点；值得测算按席位授权转算力计费后的预算变化，并在厂商选型时要求数据集成与可解释性方案。

AI SDR 是放大器而非修复工具，人工销售动作没跑通就上自动化，只会把无效打法更快更大规模地执行。

• 影响流程未验证就部署，预算会耗在低回复群发上并损伤品牌信誉；已验证的企业可让它承接人工顾不上的小线索和冷线索；人工 SDR 的时间应转向复杂组织与关系型销售。
• 参考可考虑先用创始人销售或调回最强 SDR 跑 4-6 周验证话术，把最佳代表的邮件模板、电话脚本和触达节奏整理成训练数据；值得先算清 CRM 集成与前 60-90 天每日调优的人力成本。

智谱把Agent长链路执行能力前移到基座模型训练阶段，再用套餐定价与安全管控把模型按AI员工的方式打包出售。

• 影响Agent任务tokens消耗远超普通对话，模型选型需把执行稳定性与tokens成本一起核算；企业引入多Agent协同需同步建权限、审计与人工审批机制；国产模型竞争焦点正向Agent执行层集中。
• 参考可考虑用已公开的ZClawBench题库验证模型在自身场景的表现；先测算典型Agent任务的tokens消耗再选套餐档位；自动化流程上线前值得明确人工审批节点。

AI 让执行变得便宜后，稀缺的是知道要什么，界定需求、评估产出的管理能力成为普通员工可复用的杠杆。

• 影响懂业务又能清晰委托的员工与普通使用者的产出差距会拉大；检查 AI 产出本身占用小时级时间，需计入真实成本；转型依靠现有专业判断，不必先成为 AI 专家。
• 参考可考虑盘点人工基线耗时长且验收标准清晰的任务清单先行试点；值得让员工用目标、权限边界、完成定义齐备的委托文档向 AI 下任务，并记录评估耗时算净收益。

编码智能体把 AI 从聊天框变成可指挥的数字同事，人的角色正从修错转向派活和验收。

• 影响能写代码的智能体可操作电脑完成建站、做报表、处理文件等通用工作；管理智能体会成为一项日常工作技能；向其开放电脑权限伴随误删文件与数据外露风险。
• 参考可考虑挑一个资料整理或建站类任务试用此类编码智能体并记录人工介入点；值得先划定智能体可访问的文件与浏览器权限边界，再扩大使用范围。

Gen AI 在企业侧已跨过尝鲜期进入普及阶段，价值主线正从个人提效工具转向端到端的多功能智能体。

• 影响AI 预算已成大企业常规开支，HR 等职能部门的用例密度接近 IT 与财务；多功能智能体会吸收流程中的具体岗位，数据治理随之成为关键能力；供应商格局未定，深度绑定单一厂商有被淘汰风险。
• 参考可考虑按用例测算现有 AI 工具的真实回报，决定预算向端到端流程倾斜的节奏；值得参考 IBM 为每条政策指定负责人的做法，给内部数据定归属；智能体供应商可先签一年期合同，避免过早绑定。

数字孪生从工程仿真走向知识型员工，个人多年工作积累变成组织内可直接查询的共享基础设施。

• 影响专家经验变成全员可随时查询的资源，减少打扰与会议协调成本；接入全员工作数据需要先解决隐私标记与权限配置，员工离职后分身信息的归属风险由雇主承担。
• 参考可考虑先在客服或技术支持这类依赖少数资深专家的场景试点；上线前值得先定好个人数据排除规则、分身查询权限，并在合同或制度里写清离职员工数字孪生信息的归属。

AI 基础设施投入已达到堪比阿波罗计划的年度资本规模，同时 AI 功能正快速涌入企业人力与管理软件。

• 影响核心 HCM 厂商将批量推送 AI 功能，采购选项增多；HR 组织可能收缩，岗位重设与任务分析成为转型中的具体工作；大型科技公司裁员显示组织调整已在发生。
• 参考可考虑盘点现有 HR 供应商新推出的 AI 功能并按招聘、排班等场景分类比较；值得先研究岗位重设计与任务分析方法，为组织调整预留方案。

AI 时代赢单率下滑的首要原因常不在销售执行，而在产品迭代节奏、定价结构与能否被智能体独立评估。

• 影响企业每一单都在与被砍掉的既有软件预算竞争，定价结构可能在销售介入前就决定胜负；智能体正替买方筛选入围名单，部分交易在销售不知情时已出局；赢单率提升是不加线索和人数的最便宜增长来源。
• 参考可考虑先对比 6 个月前后的赢单率与净新增客户数，判断问题在产品还是执行；在下 20 单中并列提供用量或按解决次数计价选项并分别跟踪赢单率；让官网公开定价、真实 API 文档和免演示试用通道能被智能体自助评估。

成交环节的差距常出在响应速度这类基本功上，而 AI 正在把全天候即时响应变成销售流程里可自动化的部分。

• 影响响应速度是少数不依赖额外预算的改进点，直接影响线索转化；把资格筛选和首轮跟进交给 AI 或值守流程后，销售人力的重心需转向建立信任和促成签约；B2B 与 B2C 的响应标准差距明显，慢回复可能直接流失线索。
• 参考可考虑先测算线索从进入到首次响应的平均时长，对照 60 秒这类标杆设定目标；值得评估把 24 小时资格筛选交给 AI 或轮值处理，让销售把时间集中在演示、信任建立和签约环节。