核心觀點

OpenAI 以 Basis、Clay 與 Exa Labs 三個案例說明：企業 AI 的差距，不在員工是否「有在用聊天機器人」，而在能否把一段已被驗證的工作，包裝成可重複執行、可觀察、可改善的營運能力。其 Enterprise Signals 資料稱，使用量最高的前 10% 企業，每位活躍使用者產生的輸出 token 已是一般企業的 8.3 倍，高於 1 月的 2.6 倍；這是官方採用深度指標，不能直接等同於生產力或獲利倍數，但反映了代理已從輔助回答走向承接較完整的任務。

三個把流程產品化的案例

Basis：將 onboarding 做成 Skill。 會計事務所 AI 代理公司 Basis 把新人到職流程拆成明確觸發條件、步驟、工具存取與「完成」定義。新人第一天取得 Codex 與公司專屬 onboarding skill 後，代理可介紹組織脈絡並在背景完成整合設定；重複出現的例外與提問，則回寫成下一批新人可用的流程修正。其案例宣稱首日 onboarding 由兩小時縮至 30 分鐘。關鍵不是少了人，而是 HR 從手動設定轉向文化支持與例外處理。

Clay：讓帳戶脈絡持續更新。 銷售情境的資料常散落在 CRM、email、Slack、通話與簡報中。Clay 為每個帳戶建立持久工作區與子代理，夜間讀取一手資料、更新交易資料夾；協調代理再把跨帳戶變化整理成每日優先行動，例如回覆客戶問題、補足決策鏈缺口或重啟互動。推薦旁保留證據，使業務人員能在行動前查核來源。這正是 AI-Native 公司的八個組織重構原則 所說的 closed loop：脈絡不是一次性匯總，而是隨結果持續刷新。

Exa Labs：把訊號導向受限執行。 Exa 將「找出有價值的 API 整合機會」流程交給 Codex：監控訊號、蒐集脈絡、建立 pull request、執行測試並準備週報。但對外承諾、機會優先級與關係管理仍由人決定；測試與人工審查是正式交付前的閘門。這與 AI Agent 工作流的人機分工原則 一致：代理可以拉長執行半徑，責任歸屬與風險承擔不能跟著外包。

從案例抽出的營運設計

三案分別補齊了可複利工作流的三個元件：可重用的程序（Basis）、持續且有證據的脈絡（Clay）、以及具測試與審查邊界的行動（Exa）。因此，導入起點應是某個端到端、重複發生、且有明確利害關係的「價值面」；不是先問哪個模型最強。對每個流程至少應寫清楚：觸發條件、期望結果、上下文與工具、可用權限、完成證據、停下來請人覆核的位置，以及對應 owner、基準線、KPI 與風險護欄。

衡量也不能只看 token 或任務數。較可靠的指標包括週期時間、品質、成本、收入、風險、例外率與人工審查負荷；當流程的證據與決策點可被回看，團隊才知道要修 agent、修資料、還是修流程本身。這延伸了 企業 AI 規模化的五大模式：OpenAI 歐洲企業領袖洞察 的結論：治理不是最後加上的剎車，而是讓實驗能安全擴大的基礎設施。

實務意義與限制

對企業而言，最小可行實驗不是「全面導入」，而是選一條重要且可回溯的流程，先保留人的決策權，再把成功做法、資料權限、評估和例外處理固化為共享 skill 或工作區。隨著流程承接更高後果的行動，權限、證據、審查與決策權必須同步變得更精確。把流程變成能力，才有可能把一次有效的 AI 試驗，變成下一個團隊可直接接手的起點；否則它只是一次看起來很忙的 demo。

相關連結

反向連結

以下頁面引用了本頁：