a16z 联创：Agent 时代的企业，人人都将成为管理者
作者：Ben Horowitz、Michael McGuiness
编译：佳欢，ChainCatcher
如果 AI 能直接查询业务情况、执行任务并追踪结果，公司还需要多少层汇报？员工每天的工作，又会发生什么变化？
a16z 联创 Ben Horowitz 以 Databricks 为例指出，共享的企业数据系统将让一线员工直接行动，管理工作不再由少数职业经理人垄断；而企业能否把决策经验沉淀在自己的系统里，将决定其长期竞争力。
注：Databricks 是 a16z 的被投公司，Ben Horowitz 同时担任其董事，文中涉及该公司的内容带有投资方视角，不构成投资建议。以下为正文。
未来 20 年，我们生活的许多方面都会发生变化。其中，肯定能排进前五的问题之一是：“你每天上班都在做什么？”
围绕这个问题，两项重大突破即将发生。第一项是通过 Agent 实现自动化：“描述一项我们目前在做的任务，然后让它自动完成。”第二项是让员工有能力主动采取行动。最接近问题的人，越来越能够直接调查情况、把握机会，而不必等待信息和决策权在层层管理体系中传递。
这两项突破都会从根本上改善每个人的日常工作。但有一个很大的前提：组织确实能够转向这种新的工作方式。
“一个人每天做什么工作”，在很大程度上受制于雇主使用的企业数据与决策系统。而这套系统本身，又受制于所采用的数据库技术，以及这些技术能够实现什么。很少有人想到后一层。
这个故事分为四个部分：
1）Databricks 究竟做什么？你可能在广告牌上见过的“Lakehouse”和“Lakebase”是什么？为什么说，它们是恰逢其时的架构突破？
2）什么是“企业数据系统”（system of record，SoR）？如果 Agent 要在真实的公司里工作、作出真正的决策，并为公司的知识库作贡献，为什么需要一种新的企业数据系统？
3）企业究竟是什么？如果 Agent 与人类的数量比达到 1000∶1，企业会发生什么变化？企业又该如何形成差异、创造价值？
4）在这个新世界里，人们每天上班都做什么？工作场景中的 AI 经常被宣传为“让普通人拥有软件工程师的能力”。但从长期看，它带来的变化未必是“人人成为工程师”，而可能更接近“人人成为管理者”。
这或许是其中影响最为深远的部分。我们正在亲眼见证，塑造了 20 世纪的管理方式逐渐被拆解。詹姆斯·伯纳姆在名著《经理人革命》中记录过这种管理方式。
85 年前，他描述了信息技术与组织复杂性如何催生一种企业运营模式：由一小群职业经理人集中掌握公司内部的决策权。如今，新一轮技术变革正在让一线专业人员重新承担起责任，而我们都会因此受益。
从 Spark 到 Agent
最近，有人把 Databricks 描述为“一家赶上 AI 浪潮的数据公司”。但早在这股浪潮到来的 10 年前，AI 研究人员就创办了这家公司。
Databricks 最初要解决的问题很直接：企业拥有越来越多的数据，处理起来却太慢。2009 年，Ali Ghodsi 在伯克利做研究时，看到互联网公司用海量数据预测用户行为。但当时的主流工具，并不适合机器学习所需的反复计算。
伯克利研究人员随后开发了 Spark，让这类任务的处理速度最高达到原来的 10 倍。2013 年，Ali、Matei Zaharia 等 7 名研究人员创办了 Databricks，将 Spark 做成企业可以直接使用的平台，省去自行搭建和维护复杂系统的麻烦。
Spark 加快了数据处理速度，但企业的数据仍然分散在不同系统里。其中，数据仓库存放经过整理、可以信任的数据，主要用于业务分析和制作报表；数据湖则以较低成本，存放文档、图片、录音和日志等各种原始数据，但这些数据往往缺少整理，质量也难以保证。
两套系统各有用途，却也让不同团队彼此割裂。工程师和数据科学家主要使用数据湖，分析师主要使用数据仓库。一方需要另一方的数据，就得有人负责搬运和维护，企业也因此积累了大量数据副本，以及彼此冲突的业务定义。
2020 年，Databricks 将两者结合，推出“湖仓一体”（Lakehouse）架构。它让企业在同一套数据上，同时开展业务分析和机器学习：既保留数据湖低成本存储各种数据的能力，也提供数据仓库所需的可靠管理和快速查询能力。
这样一来，工程师、数据科学家和分析师就能共用同一套数据，减少在不同系统之间反复复制和搬运的工作。
图 ：湖仓一体将数据湖与数据仓库结合，让同一套数据同时服务业务分析、机器学习与 AI。
但还有一部分数据没有被整合进来。企业处理支付、用户登录等日常业务，依赖的是另一类数据库。这些数据库仍需通过另外搭建和维护的连接，把数据送到用于分析的系统中。业务持续变化，连接这些系统的工作也就一直存在。
2025 年，Databricks 收购了 Neon，并在此基础上推出 Lakebase，将整合进一步延伸到日常业务数据库。业务系统中的数据发生变化后，可以自动同步给分析师、工程师和 Agent 使用，减少在不同系统之间搬运数据的工作。
对 Agent 来说，Lakebase 还提供了一项重要能力：快速创建与正式业务隔离的数据副本。即使数据库规模很大，也能在几秒内准备好这样的副本。Agent 可以在里面试验，用完后再丢弃，不必每次都从头复制整个数据库。
这为软件使用方式的变化提供了基础。几十年来，企业软件主要由少数工程师开发，其他员工负责使用。如今，人们正在走向一种新的工作方式：先说明想要的结果，再让软件想办法实现它。
企业不再只是让数千名员工，读写由中央团队管理的少数几个数据库，而是可能拥有数千个数据库，由数百万个 Agent 进行读写。让数据能够被共同使用、及时更新，并方便 Agent 在其中开展工作，也就变得越来越重要。
面向 Agent 的企业数据系统
图 ：Databricks CEO Ali Ghodsi 在公司 2026 年 Data + AI Summit 的舞台上。
6 月，Ali 站在公司 Data + AI Summit 约 3 万名观众面前，请认为通用人工智能已经到来的人举手。他估计，举手的人大约占 10%。
“我们认为，AGI 已经到来了。”他告诉观众，如今的前沿模型已经能够答对“人类最后的考试”中超过一半的题目。这项测试包含由 100 多个领域的专家编写的 2500 道题，原本被认为难到任何 AI 都无法回答。
2022 年 ChatGPT 刚推出时，它能处理的编程任务，大致相当于人类花 30 秒就能完成的工作。如今，前沿 Agent 已经能够完成熟练工程师需要一整个工作日才能做完的编程任务。
独立评测机构 METR 追踪了从 2019 年以来不同模型能够独立完成的任务时长，发现这个时长大约每 7 个月翻一番。最近，进展甚至更快，而且类似趋势也出现在编程以外的领域。如果这一趋势持续到 2030 年代初，Agent 将能够完成那些人类需要数年才能完成的任务。
图 ：AI Agent 的“新摩尔定律”。
然而，在今天的大多数公司里，人们仍然不相信 AI 能够可靠地更新 Salesforce （一款客户管理软件）中的记录。
“AI 的问题不在智能，而在上下文。”Ali 解释说。即使是最聪明的人，如果无法获取公司数据，没有行动权限、反馈，也不了解其他员工脑中的知识，几乎同样无能为力。Ali 给出的答案，是他所说的“面向 Agent 的企业数据系统”。
你也许看过 Palantir CEO Alex Karp 谈论业务本体（Ontology）的视频片段。他认为：“市场上的全部价值，都将流向芯片，以及我们所说的业务本体。业务本体让你能够拿来一个大语言模型，使用它、改进它，再将它应用到企业之中。”至于这在实践中究竟意味着什么，通常就留给听众自己琢磨了。
每家公司都有自己的业务本体，也就是一套描述公司里有哪些事物、它们如何关联、各种用语是什么意思，以及两个信息源发生冲突时应以哪个为准的模型。其中一部分存在于数据库、仪表盘、制度和文档中，但还有很大一部分，只存在于资深员工的脑中。
而且这套模型永远不会定型。合同会变，临时的变通办法会成为流程，例外会成为规则，正式记录也会逐渐偏离实际工作方式。谁来决定什么、哪些决策后来被证明正确，同样如此：决策权限和评估标准，与业务本体一样，常常没有写下来。
人们会在日常工作中不动声色地补上这些缺口。销售副总裁就需要知道，原本被认为能成交的最大一笔订单之所以停滞，是因为客户内部推动这笔交易的关键人物正在悄悄面试其他工作；也需要知道，某位销售口中的“90%”成交概率，实际上只有 50%，并在预测上报给 CEO 之前将其下调。
要让 Agent 自主行动，目前存在于人脑中的大量业务本体知识、决策权限和评估标准，就必须进入企业的数据系统。Databricks 押注湖仓系统是承载这些内容的天然选择，因为公司的其他数据已经在那里存储和管理。
“如今，湖仓系统已经成为企业数据系统。”Ali 说，“我把它称为 SORA，也就是面向 Agent 的企业数据系统（System of Record for Agents）。”
员工可以通过 Genie 与这套企业数据系统交互。Genie 是 Databricks 于 2024 年推出的自然语言交互界面，让公司里的任何人都能向企业数据提问，并且越来越多地在这些数据之上构建 Agent。
在底层，这套记录系统必须覆盖整个企业，持续回答四个问题。Databricks 正在逐一解决这些问题：
什么是真实的？Lakehouse 和 Lakebase 已经保存了企业当前的业务状态。
这些信息意味着什么？为避免 AI 每次收到问题时，都在公司数据中反复翻找答案，Databricks 的 Genie Ontology 会持续构建组织知识图谱，例如收入如何计算，上周例会的会议记录讨论了什么。
工程师把其中的算法命名为 OntoRank，向谷歌的 PageRank 致意。它会根据定义由谁创建、使用范围多广、最近何时修改等属性，判断哪些知识更具权威性。在 Databricks 的测试中，让 Agent 以企业业务本体为依据，将回答准确率从约 50% 提升到了 84.5%。
允许做什么？过去，每名员工拥有一个登录账号的访问模式，在所有员工都是人类时还能运转。但当员工每天都能启动数百个 Agent 时，这套模式就行不通了。“你不可能逐一为 Agent 授予每个专有、彼此孤立的数据库的访问权限。”Ali 解释说。
Databricks 的 Unity Gateway 为公司里的每个模型、Agent 和 AI 工具分配身份、预算和操作限制，并通过追踪日志记录每一步操作，让公司能够看到 AI 系统在做什么、访问了哪些数据，以及花了多少钱。
有没有奏效？Databricks 为企业提供了两种构建 Agent 的方式。业务团队在 Genie 中构建，把一段提示词变成可以分享的 Agent，让它基于企业数据进行推理，并越来越多地在 Slack 或 Salesforce 等应用中采取行动。工程师则可以使用 Agent Bricks，为实际生产环境构建定制程度更高的 Agent。
无论采用哪种方式，Databricks 都允许团队设计自己的“考试”，明确哪些结果可以接受、哪些错误绝不能出现，再提供工具，按照企业对具体任务的要求优化每个 Agent。AI 就这样形成了一个反馈闭环。
图 ：AI 如何形成反馈闭环：确认事实、理解含义、明确权限、执行并评估，再将经验写回企业掌握的记录系统。
企业计算领域的每次平台变革，都会引发新一轮围绕企业数据系统的争夺。IBM 主导了大型机时代；甲骨文和 SAP 成为客户端与服务器架构时代的企业基础；Salesforce、Workday 和 ServiceNow 则分别构建了销售、人力资源和 IT 领域的 SaaS 企业数据系统。Agent 将带来下一轮变革。
但与哪家供应商能够胜出相比，Agent 会怎样改变企业本身，是一个更大的问题。
企业的性质
在 1937 年的论文《企业的性质》中，经济学家罗纳德·科斯提出：企业为什么会存在？如果市场可以通过价格和合同协调经济活动，为什么还要把人聚集到公司里，让他们的工作接受管理者指挥？
他的答案归结为交易成本。找到合适的人，商定做什么、以什么价格做，再监督整个过程，都需要时间和金钱。企业通过一种不预先限定每项具体任务的安排，取代了部分反复进行的市场交易，让管理者在约定的范围内调配资源。
但在企业内部组织工作，同样不是没有成本。随着公司扩大，更多信息需要经过更多人传递。最终，在内部组织下一笔交易的成本，会与从市场购买的成本相等。按照科斯的解释，企业会一直扩张，直到这两种成本相遇。
40 年后，同时获得诺贝尔奖与图灵奖的少数人之一赫伯特·西蒙发现，把企业的记忆集中存放，反而能让决策分散进行。他写道，共享的计算机记录“让各个分散的决策点能够独立采取行动”，因为系统会自动将这些行动与共享记录进行核对和协调。
以航空公司为例，波士顿的一名售票员在卖出飞往芝加哥的最后一个座位之前，不必给其他所有售票员打电话。她只需要查询记录；当她卖出这个座位，所有人看到的记录都会随之更新。集中管理的业务状态，让分散行动变得更安全，因为人们可以通过共享记录协调，而不必逐一与他人沟通。
关系型数据库将这一原则推广到了整个企业。过去需要报告、会议和管理层交接才能完成的工作，变成了对共享记录的一次查询。这让公司能够协调更多产品、地点、人员和交易，而不必按同样的比例增加管理人员。
到了 20 世纪 90 年代，互联网让外部世界也能向企业的记录写入信息，在线市场由此能够协调数百万陌生人之间的买卖、库存和支付。
由于企业内部和外部的交易成本都下降了，数据库时代并没有让所有企业一致变大或变小，而是让更多不同类型的企业得以存在。大企业能够管理复杂得多的业务，小企业则可以租用或购买过去需要整个部门才能提供的能力。
AI 很可能也会如此。在企业内部，Agent 可以通过自动完成报告、搜索和日常任务，降低协调成本。在企业外部，它们可以帮助寻找和评估供应商、协商常规条款，并监督结果。
正如之前的数据库，AI 将让企业和市场能够承载更复杂的活动。但它影响更深远的地方，可能是改变企业的组织形态。
20 世纪的典型企业呈金字塔形，因为层级体系就是它的信息处理系统。事实通过报告和会议向上传递，决策再逐级向下传达，信息流动的路径与组织架构图相互对应。管理层决定哪些数据值得收集和分享，这意味着，公司对自身的认识，取决于管理者选择收集哪些信息。
数据库改变了这种结构，但只改变了一部分。共享记录让人们能够直接获取信息、更独立地行动，但通常仍然局限在别人事先设计好的流程之内。
在计算机时代的大部分时间里，由相对少数的管理者、运营团队和工程师，定义公司的数据结构、指标、应用和工作流程。使用这些系统的员工，远比参与设计系统的员工多。
这不仅限制了人们能做什么，也限制了组织能够知道什么。比如，一名客服每周都会听到好几次相同的投诉，如果她的经理没有写报告把它记录下来，那么她知道的事情，公司却并不知道。而解决这个问题，又是另一回事。
如今，获取信息与采取行动这两方面的技术门槛，正在同时下降。
正如 Andrej Karpathy 在 2023 年所说：“最热门的新编程语言是英语。”自然语言界面让更多领域专家能够直接查询企业数据，而不必等懂 SQL 或 Python 的人预先想到这些问题，或代为回答。
在有着百年历史的全球医疗保健公司诺和诺德，科学家过去需要等数据工程师编写查询。现在，他们只需向 Genie 提出“展示我们所有与肥胖相关的数据”，它就会立刻找出相关试验、研究发现和可视化结果。
在明确的权限范围内，员工还可以自行构建解决方案，节省数小时甚至数天的工作。在电动汽车制造商 Rivian，一名没有 SQL 经验的财务分析师，用 Genie 为 CFO 制作了营收仪表盘；一名供应链分析师，则开发了一个追踪入库货物运输情况的应用。
这并不意味着，每个人都可以不经批准就访问公司的所有数据或资源。随着工作更加分散，共同的业务本体、权限体系和问责机制反而变得更加重要。企业数据系统集中管理业务状态和操作边界，同时让更多人能够提出问题、设计工作流程并采取行动。
3 月，Jack Dorsey 写了一篇题为《从层级到智能》的宣言，介绍他的公司 Block 如何开始尝试这一理念的一种更彻底的版本。他写道：“一个系统首次能够持续维护整个企业的最新模型，并据此协调工作。过去，这些工作需要人类通过层层管理体系传递信息才能完成。”
Ali 所说的“面向 Agent 的企业数据系统”，与 Jack 所称的企业“世界模型”类似，都是持续更新的模型，呈现组织的运营、决策、能力和优先事项。一线员工让模型与现实保持联系，模型则提供采取行动所需的共享背景信息。
“人可以进入模型还无法触及的领域。”Dorsey 解释说，“他们能感知模型感知不到的东西：直觉、明确的方向判断、文化背景、信任关系的变化，以及现场的气氛。他们会作出模型不应该自行作出的判断，尤其是在伦理决策、全新情境，以及一旦犯错就可能危及企业生存的重大时刻。”
结果是，企业在工作更加分散的同时，能够用更少的管理层级完成协调，也让领导者更清楚地了解工作情况。
在 Dorsey 看来，这种新架构的竞争优势在于速度。“公司运转得快还是慢，取决于信息如何流动。”他说，“层级体系和中层管理会阻碍信息流动。”
Ali 总体上认同 Dorsey，但有一点不同。“从理念上说，我认同 Jack Dorsey。”他说，“问题是，这是否也适用于人类员工的组织架构图？”他认为，人们把两件事混为一谈了：公司的组织架构，以及信息在公司内流动的方式。
“10 年、20 年前，它们确实是一回事。”当时，要了解公司发生了什么，只能沿着组织架构逐级询问：你问下属，下属再问他们的下属。但现在已经不同了。
企业仍然需要管理者，只是不再需要那么多负责传递信息的人。培养员工、帮助团队确定什么更重要，以及发现有人情绪低落，仍然需要人的关注。
因此，尽管两人对于管理层级会减少到什么程度看法不同，但他们都认为，AI 将接手信息传递工作。20 世纪，正是因为企业变得过于复杂、离不开这些协调工作，管理者才获得了巨大的权力。
第二次经理人革命
85 年前，大萧条刚刚过去，詹姆斯·伯纳姆写下了《经理人革命》。这本书预见了企业运作方式，乃至资本主义本身将发生的巨大变化。
大萧条之后，一种流行看法认为，企业家资本主义已经走到尽头，必然会有某种新制度取而代之。当时流行的方案包括社会主义集体组织，以及国有化。
伯纳姆看懂了正在发生的事情。他提出了第三种可能。这不只是一种公司结构，而是一种全新的社会秩序，他称之为“经理人社会”。在这个体系中，起决定作用的统治阶层，既不是传统的资本所有者，也不是工人，而是经营大型企业和国家机构的职业经理人、规划者、官僚和高管。
他认为，现代机构在技术上已经复杂到无法由个别资本家亲自指挥。没有任何 CEO 能够知道一家拥有 10 万名员工的公司里发生的一切，因此，控制权将逐渐从所有者和领域专家手中，转移到行政管理者手里。
到了 20 世纪下半叶，职业经理人主导的管理模式几乎取得了全面胜利。“《财富》500 强公司的大多数高管，并不是各自公司所在领域的专家，更肯定不是那些公司的创始人。”Marc Andreessen 说。
“他们是职业经理人。事实上，在整个职业生涯中，他们很可能会管理许多不同类型的企业：先在医疗保健行业待一段时间，再去金融服务行业，之后又转到别的行业。”
但这种胜利正在耗尽自身的优势。伯纳姆所说的经理人阶层，带来了可规模化复制的管理能力和稳定可靠的专业运作，却牺牲了速度与适应能力，尤其是在技术不断变化的时候。
Marc 提出，完善的数据基础设施与 Agent 相结合，或许能让企业同时保留创始人的活力，以及大规模组织所需的协调能力。
过去，部分信息传递和协调工作让管理层成为必需。Agent 将其中一些工作自动化，让更多创始人能够采用这种运营方式；企业的数据系统，则为一线员工提供行动所需的背景信息与权限。
Elon Musk 把 Marc 的想法又向前推了一步。今年早些时候，他预测，那些仍然“保留人工参与环节”的公司会输。他认为，在 AI 时代还把人留在流程中，就好比使用一张电子表格，却要求由人手工计算其中一些单元格。
对于最终的方向，Elon 或许是对的。但没有人知道，全自动运行的公司距离我们究竟有多远：有人预测只需几年，也有人认为永远不可能。
在那之前，一个颇具反讽意味的结果是，职业经理人主导模式的衰落，可能表现为人人开始承担管理工作。并非每个人都会有直接下属，但会有更多人负责明确工作内容、分配执行任务、检查结果，以及更新流程。第二次经理人革命，与其说是管理的消亡，不如说是职业经理人阶层对管理工作的垄断走向终结。
软件工程师如今已经强烈感受到这一点：他们的工作正在从亲手编写代码，转向管理一组编程 Agent。工程师的一天越来越像管理者：界定问题，把问题拆成任务，交给并行工作的 Agent，再审查它们提交的代码合并请求，有的批准，有的附上意见退回。
随着 Agent 在更多领域具备能力，更多知识工作者也会经历类似转变：从亲自完成每一个步骤，转向明确要求、分配任务和判断成果。
诺和诺德的科学家和 Rivian 的供应链分析师，已经在通过 Genie 指挥 Agent，完成过去需要一组工程师或数据科学家才能完成的工作，让这些团队能够专注于最具战略价值的任务。
这对人的生产率和薪资都是好消息，因为执行与判断在经济上相互补充：当 AI 降低了常规执行工作的成本，对指导这些工作的判断能力的需求就会上升。
一个世纪前，数学家阿尔弗雷德·诺思·怀特海指出：“文明的进步，在于让越来越多重要操作能够在我们无需思考的情况下完成。”企业也是如此，每完善一个工作闭环，就能提高一点自主运行能力。
每当有人纠正 Agent 的工作闭环，这次纠正都应改善下一次执行。当一个闭环证明自己能够可靠地完成一项范围明确的工作后，人就可以退出这个环节，转向下一个尚未解决的问题，同时把积累的经验留在企业的共享记录中。
不过，正如伯纳姆很可能也会注意到的，要保持自主权，企业就必须掌握自己的模型，以及一线员工教给它的所有东西。
自主可控的企业
在由 Agent 参与运作的企业中，优秀人才将比以往更有价值。但优秀人才也会来来去去。与此同时，模型不断进步，每个竞争对手都能租用相同的模型。那么，在这个新世界里，企业究竟该如何建立可持续的竞争优势？
设想两家银行租用同一个前沿模型，辅助信贷决策。第一家向模型发送提示词，收到回答，然后记录最终决定。第二家则记录哪些事实促成了回答、人类作过哪些修改、哪些决策效果好、哪些失败，并在整个过程中不断调整政策。
一年后，更好的模型出现时，只有其中一家银行真正变得更好了。如果你更换公司的 AI 模型，新模型仍能继承公司的业务定义、权限设置、经过评估的案例、客户历史，以及来之不易的特殊情况处理经验，那么这就构成了可持续竞争优势的基础。如果新模型仍然和所有竞争者一样，从同样的提示词起步，就没有这种基础。
第二家银行，就是人们开始称作“自主可控”的企业。如果供应商涨价、修改条款，或者停用某个模型，企业能够更换供应商，而不会丢失积累的经验。随着模型变得更聪明、企业对它们越来越依赖，这种独立性只会更加重要。
在最近的一篇文章中，微软 CEO Satya Nadella 从另一个角度得出了相近的结论。他认为，AI 模型不断吸收个人和组织的专业知识，并将其变成人人可用的通用能力，因此，“每家公司都必须建立我所说的人力资本和 Token 资本”。
人力资本，是员工的知识、判断力、人际关系与创造力；Token 资本，则是企业构建并掌握的 AI 能力。两者在持续学习的闭环中相互积累、共同增长，而“这个闭环，将成为企业新的知识产权”。
数据是 Token 资本的基础。“每家公司的业务数据，都是自己的金矿。”英伟达 CEO 黄仁勋在 Databricks 2024 年 Data + AI Summit 上对观众说。他解释，从芯片设计到供应链，英伟达几乎每个流程都从数据飞轮开始。
“它让我们能够成为世界上规模最大的‘小公司’之一。”他说。当时，英伟达的估值超过 3 万亿美元，员工却只有 3 万人。“原因当然在于，公司内部有大量 AI 在帮助我们，完成了不起的工作。”黄仁勋认为，每家公司都将如此。“这是一个非同寻常的时代。”他说，“而一切都从数据开始。”
企业的未来
要让 Agent 在企业里可靠地工作，数据系统需要持续回答四个问题：发生了什么，这些信息意味着什么，允许采取哪些行动，以及行动是否有效。
有了这层基础，人和 Agent 就能自主行动，不必让每一项决策都经过层层管理体系传递；行动的结果，也会回到企业自己掌握的记录中。
协调成本会下降，企业可以用现有员工完成更多工作。过去在商业上无法成立的新公司也将出现，因为 10 个人将能够完成过去需要数千人才能完成的工作。而在 AI 能够做到优秀人才所能做的一切之前，优秀人才将因此变得更加宝贵，而非贬值。距离那一天，还很遥远。
按照别人设计好的流程办事的人会越来越少，因为 Agent 会处理那些我们已经弄清楚该怎么做的工作。更多人将转向尚无人解决的问题：判断什么是好的，察觉发生了什么变化，以及决定接下来应该创造什么。
未来几十年，人们每天上班都做什么？诚实的答案是：做那些我们还没弄清楚该怎么做的事。当 Agent 和企业将更多已经知道做法的工作自动化之后，人们将与这种新的智能一起，创造出色的新事物，解决过去无力解决的问题。