跳到主要内容

当Agent成为职场和实验室的重要搭子

要点速览

  • 本文分享了OpenAI和Google DeepMind近日分别发布的两份报告，展示了AI Agent正在改变工作方式的底层逻辑，并拓展人类工作与科研能够触达的边界。
  • OpenAI的报告显示，AI Agent工具Codex已成为公司各部门主要工作工具，占据了公司内部每周输出token总量的99.8%。一方面，任务时长被持续拉长，80.6%的用户曾提交需人工30分钟以上才能完成的任务；另一方面，由于AI Agent可以帮助非专业人员突破技术瓶颈，所以工作岗位的局限性正在被打破。
  • Google DeepMind在《自然》杂志上发表了Co-Scientist的研究，这一多智能体系统让Agent协助科学家工作，已在多个领域产生实质性科研成果。参与研究的科学家表示，Agent的协作有望大幅缩短实现科学突破所需的周期。

AI Agent正在重新定义知识工作的基本单元——从单次交互，变为可以托付出去、长时间自主执行的任务。

这是近日OpenAI发布的一份报告的第一句话。报告称，Agent可以独立运行数小时，在此过程中调用工具、与外部环境交互、持续迭代，直到完成任务。这一能力的跃升，正推动Agent成为职场中最强大的AI工具。

无独有偶，Google DeepMind近日公布了在《自然》杂志上发布的最新Co-Scientist 研究——一个基于Gemini构建的多智能体系统，由多个专职Agent协作，模拟科学思维的完整循环。研究中记录了多个真实案例，展示了Co-Scientist在多个科学领域已经产生的切实影响。

AI Agent，不只是在让人类工作得更快，而是在改变人类工作方式的同时，悄然拓展人类工作能够触达的边界。

工作方式是如何被改变的？

OpenAI的这份报告以自身为样本，记录了AI Agent工具Codex在公司内部的扩散轨迹。

Codex面向公众发布后的头几个月，即便在OpenAI内部，ChatGPT仍是员工的默认AI工具。直到2025年8月，普通员工花在Codex上的token使用量还不到10%。但这一局面在此后迅速逆转。

到2026年，Codex已成为OpenAI每一个部门的主要AI工具——不只是工程师，法务、财务、招聘部门同样如此。其目前占据了公司内部每周输出token总量的99.8%。OpenAI认为这一趋势反映出未来工作的走向，随着Agent工具能力增强、门槛降低，这将成为普遍常态。

一方面是任务时长在持续增加。报告估算了Codex请求所对应的“人工时长”。到2026年5月，80.6%的用户曾向Codex提交过需要人类工作超过30分钟才能完成的任务，70.2%的用户提交过对应人工时长超过1小时的任务，而对应超过8小时工作量的任务，增速最快。

Codex早期更多被用来快速回答问题、生成代码片段；而现在，用户开始向它“委托”整块的工作——调研、分析、搭建流程。OpenAI称，随着Codex处理长上下文、独立作业的能力不断提升，用户的使用习惯也在悄然改变：从短平快的交互，转向更复杂、周期更长的任务委托。

另一方面，则是工作的可能边界正在由此而拓展。程序员率先拥抱Codex，并不令人意外——它本就是一款以编程为核心的工具。但报告显示，自2025年8月以来，个人用户中非开发者的使用量增长了137倍，企业用户中非开发者增长了189倍。此外，在其他职能部门（非程序员技术岗位）中，员工使用Codex产出的内容有超过四分之一属于工程或编程类工作。也就是说，过去需要请技术团队支援才能完成的自动化、数据处理、工具搭建、调试任务，现在非程序员员工自己就可以委托给Agent来做。

这些变化，对企业重新设计工作流程、对员工判断哪些技能更有价值、对研究者理解 AI如何重塑劳动力市场，都有直接参考意义。OpenAI表示，当人们能够顺畅地使用强大的Agent工具，他们会自然地将其用于时间更长、难度更高、跨越更多职能边界的工作。随着时间推移，这很可能就是未来工作的样貌。

科学家副手也可以是Agent

如果说OpenAI的报告讲述了职场中知识工作交付方式正在发生改变，那么Google DeepMind在《自然》杂志上发表的Co-Scientist研究，则显示了AI Agent正在各类科研工作中发挥实质性的作用。

Google DeepMind表示，Co-Scientist试图解决的是科研中如何在浩瀚的信息中找到正确的科研假设这种“大海捞针”一般的问题，因为“每一项重大科学突破，往往始于一个正确的假设”。据悉，Co-Scientist是一个基于Gemini构建的多智能体系统，由多个专职Agent组成协作，模拟科学思维的完整循环——生成假设、批判审查、迭代进化。系统分为生成、辩论、进化三个阶段：先由 Agent提出初始假设并进行多样性聚类，再由“虚拟同行评审者”对假设展开批判性评估，最后持续优化排名靠前的方向，输出供研究者审阅的研究提案。整个系统由一个“督导Agent”统筹协调，将高层研究目标拆解为可执行步骤，驱动多个Agent并行探索。

Co-Scientist最具特色的设计，是它验证假设的方式。系统借鉴了AlphaGo和AlphaStar的竞赛机制——但不是让AI下棋或打游戏，而是让Agent们进行科学辩论。系统将所有候选假设投入一场“创意锦标赛”，通过两两对比和模拟辩论不断筛选、淘汰、进化，同时深度比对科学文献与专业数据库，确保每一个留下来的假设在逻辑上站得住脚、在事实上有据可查。计算资源的大头，也正是投入在这个验证环节。

报告中记录了多个真实案例，展示了Co-Scientist已经在科研中产生的切实影响。例如，有科学家及其团队借助AI Agent加速了肝纤维化治疗方案的探索，发现了此前被忽视的药物；有团队在细胞衰老逆转研究中将分析庞大筛选数据集的时间，从数月压缩至数天；还有衰老生物学领域的企业由此生成出了新假设，后来在实验室中得到了验证等。

参与研究的科学家表示，AI Agent出现在科研工作中有各种好处，但最重要的还是其能提高效率，由此大幅缩短实现科学突破所需的周期。

Google DeepMind在官方博客表示，他们的AI Agent“旨在成为研究伙伴，而非科学或临床专业知识的替代品”。另一边，OpenAI在报告中强调的是AI Agent不只是让人们的工作“提速”，而是扩大每个人能够触达的工作半径。他们都聚焦于人类如何与AI Agent协作，从而完成更复杂的工作。

但协作的边界，不可避免地会被持续重新划定。当Agent能够承接原本需要专业技能的任务，工作流应该如何重新设计？当职能边界开始松动，什么样的能力会变得更有价值、什么样的会被重估？当科研假设的生成速度以数量级提升，哪些领域会率先迎来突破？

真正的问题是，人应该把时间和精力放在哪里。