AI 原生公司如何把工作流变成运营能力

AI 原生公司怎么把工作流变成运营能力

Basis、Clay 和 Exa Labs 把智能体（agent）分别用在了员工入职、客户管理和开发者生态拓展上。他们的做法能给企业领导者一些借鉴。

OpenAI 最新发布的《企业信号》（Enterprise Signals）报告显示，企业 AI 正在以截然不同的速度从辅助走向执行。前沿企业（AI 使用量排名前 10% 的企业）活跃用户人均输出 token（模型生成的基本文本单元）数量已达到普通企业的 8.3 倍，今年 1 月这个差距还只有 2.6 倍。差距在拉大，背后其实是一种更深的运营转向。领头的公司都在做三件事，把智能体接上公司的上下文和工具，把更实质的工作交给它，让已经跑通的工作流更容易再来一遍。

对领导者来说，难点在于把这种深度变成大家信得过、量得清、能持续改进的工作。另外还得给试验留点余地，哪怕有些场景乍一看价值不明显，也别一上来就否定。

Basis、Clay 和 Exa Labs 这三家创业公司，分别把智能体嵌进了员工入职、客户管理、开发者生态增长这些场景。流程各有不同，但演进逻辑值得参考。教智能体先跑通一套稳定流程，工作变了给它持续更新的上下文，等跑熟了让它自己把机会推进到已经验证过的执行环节。

这些案例凑在一起看，能看出团队怎么把智能体融进熟悉的工作里，又怎么在过程中一步步把流程磨得更好。

Basis：让入职流程可被智能体教导

入职这事一直挺折腾人，雇主和员工两边都嫌麻烦。Basis 这家给会计师事务所做 AI 智能体的公司，把第一天的入职流程压到了 30 分钟，之前得花两小时。HR 那边也就腾出手来，多花点心思在文化建设和员工支持上。

入职第一天，员工就能拿到 Codex 的访问权限，外加一套公司专属的入职技能（onboarding skill，针对特定工作流的可复用指令和资源包）。Codex 会先打个招呼，顺带把公司的核心概念讲一遍，然后悄悄在后台用他们的电脑把集成配置搞定。后面碰到反复出现的问题或例外情况，HR 在下一批新人进来前更新一下这套技能就行。

Basis 把入职流程演示了一遍，然后把它做成了一项可复用技能。里面有明确的触发条件、走过哪些步骤、需要访问哪些工具，还有「完成」的清晰定义。

这套流程不再卡在某一个人身上，团队照样能在出现例外或复杂问题时顶上去。入职变得更一致、更可重复，也更好改进，新员工第一天就拿到一个跟 AI 协作的范本。

Clay：给分散的工作一个持久的「主基地」

Clay 给市场进入（go-to-market）团队做一个能自我学习的收入引擎。它碰到一个老问题，关键的交易上下文散得到处都是，CRM（客户关系管理系统）记录、邮件、Slack、通话、演示、短信，还有和内部团队、客户拥护者的对话，全是。

为了让上下文保持新鲜，Clay 的一名 GTM（市场进入）工程师试了个新做法。每个客户账户配一个持久工作区，再配一个专属的子智能体（subagent）。子智能体每天晚上去翻主要信息源，更新自己的交易文件夹。第二天早上，一个协调智能体把这位工程师名下所有账户的更新汇总成一份简短的优先行动清单。回复客户悬着的问题、补齐采购委员会里缺的人，或者给潜在客户一个重新接上的理由。

Clay 自己说，这套工作流帮她每天晚上省下大概一小时的收件箱梳理时间。每日的优先事项让她能把那些小动作落实下去，企业销售周期长，积少成多。每条建议背后都贴着支持证据，销售动手之前可以回头查一手信息源。在现有账户权限的范围内，企业可以把这种共享上下文延伸到客户经理、BDR（业务开发代表）、方案工程师、销售负责人这些角色。

Clay 的做法告诉我们要让一份持续演进的工作具备可扩展性，得凑齐这些东西。一致的结构、有用的刷新节奏、共享的证据，再加上在动手那一步留出人的判断。

Exa：把机会推进到经过验证的行动

Exa Labs 给 AI 智能体做网页搜索基础设施，目标是把搜索 API（应用程序编程接口）铺到所有开发者用得到的地方。团队内部管这个叫「Exa everywhere」。以前要把这事往前推，得靠开发者关系团队和客户团队盯代码仓库和更大的生态圈，找出有潜力的集成机会，凑齐上下文，再跨系统去协调。机会各不相同，但从发现到落地的路径其实有一套固定的顺序。Exa 把这套顺序做成了给 Codex 跑的定义化工作流，配上清晰的优先级、必要信息源的访问权限，再加上发布前的人工审核。

现在 Codex 会盯着高优先级的集成机会，把上下文拉齐，创建拉取请求（pull request），跑测试，再基于 Slack、Notion 这些信息源准备每周更新。合适的时候，它还能起草下一步动作（比如一则初步公告）交给团队审阅。一条机会从信号到经过测试的产物，整条路工作流都能跑下来，研究、工程、沟通之间的交接也少了。

哪些机会真正重要、Exa 该做出哪些承诺、外部关系怎么打理，这些还是人来定。测试和审核节点让智能体的工作在交付前是透明的。测试结果加上人工审核，能帮团队在下一次跑之前把工作流调一调。工作越重要，权限、证据、决策权这些在工作流设计里的分量就越重。

Basis、Clay 和 Exa 三家，把《企业信号》里看到的模式变成了可操作的实践。Basis 把经验证过的流程做成可复用技能；Clay 给智能体配上上下文和持久性，让一份持续演进的工作能一直保持新鲜；Exa 把工具、测试、审核补齐，让智能体把一个信号推进到有边界的执行。三家都把改进塞进了工作流本身。入职的例外指明技能哪里要打磨；新的账户动态加上销售人员的校验，让交易上下文保持更新；测试和人工审核则把未来执行的边界磨得更清楚。每一个案例都从一个具体的工作起步，留出足够空间去试。用的次数多了，分工会越来越清晰；工作流跑顺了，责任也会跟着往外扩。

现在开始试验，把跑通的规模化

前沿差距还在拉大，企业领导者得给员工空间，去测试关键工作流、衡量结果，把最管用的试验做成可重复的实践。

挑一个关键的价值场景（value surface）。

找一个端到端的工作流下手，让战略优先级、系统、交接、管控、可衡量的利害关系交汇到一起。这个流程要重复得够频繁，人才学得到东西；又要足够重要，才值得去重新设计。

把结果和衡量方式都定义清楚。

把负责的所有者、KPI（关键绩效指标）、基线、护栏都点明白。深度靠这些来量，完成的任务数、接上的上下文和工具、例外情况、审核负载；价值也靠这些来量，周期时间、质量、成本、收入、风险。输出量能看出大家让 AI 干得更多了，但工作流的结果才能说明这些事到底有没有意义。

给智能体写一份岗位说明书。

把触发条件、想要的结果、必需的上下文、工具、权限、智能体该以多大的劲头去推进完成，都写清楚。再规定它必须交出什么证据、哪些节点必须停下来等人审。

围绕智能体把人的体系搭起来。

让最贴近工作流的人进到设计闭环里。业务结果归谁、领域逻辑归谁、访问和管控归谁、推广采用归谁、日常使用归谁，都要点名。创业公司里这些事压在少数人身上；到了企业，工作流要规模化，决策权就得明确写出来。

让试验可见、可复用。

OpenAI 的研究发现，用上 AI 六个月后，初级员工每周发的消息比高管多 13 条。要给员工空间去试新场景，然后把有效做法背后的过程和证据抓出来，打包成技能、插件（Plugins）或共享工作区。

Chat、Work、Codex 三种模式各有分工。Chat 适合提问和快速协作，Work 适合多步骤的知识工作和成品交付，Codex 适合技术性的执行。

把运营模式往下传递。

把跑通过的上下文、权限、评估、审核节点、所有者、衡量方式、赋能措施都保留下来，再照搬到下一个价值场景上。每一次新试验都得让下一支团队有个更好的起点。