@levie：智能体的扩散速率将出现不均衡的一个原因是，企业中的不同工作流……

我们将看到智能体扩散速率不均衡的一个原因是，企业中的不同工作流与持续的、不间断的计算机工作的对齐程度各不相同。 智能体编程增长之所以完全垂直增长的一个重要原因是，这类工作的经济价值与纯数字信息输出直接相关，而且任务规模在理论上可以在单次会话中无上限。这意味着，随着 AI 智能体单次能完成的工作量越来越大，并且模型在该任务类型上的能力不断提升，它们几乎可以即时地以更大的工作负载被部署。 许多工作在当今工作流的设计方式下并不天然具备这种特性。销售代表需要与客户建立反馈循环，才能针对某个特定账户开展额外工作；律师需要与客户沟通；医生需要与患者互动。因此，大规模的智能体工作很可能不会像编程领域那样呈现相同形态，至少默认情况下不会。 相反，在其中的许多领域，智能体实际上需要接入一个为 AI 重新设计的工作流。 Factory 的 Matan Grinberg 在 Training Data 播客上提出了一个很好的思考方式：如果明天所有人都请病假，token 使用量会骤降，因为没有人会去提示它们。这表明，在大多数流程中，智能体在后台运行的时代还处于早期阶段；而这才应该是未来智能体工作量的主体。 在法律领域，这将是处理每一份进来的合同；在销售领域，将是智能体遍历客户记录，找出何时更好开展外联的信号；在生命科学研究领域，将是成群智能体阅读每一项测试或全部研究。 要做到这一点，这些业务流程必须被改造成支持智能体的，而不是像我们今天这样依赖大量人工工作。 这就是当下的巨大机遇，但它的扩散方式将与智能体编程之类有所不同。需要大量的变更管理、大量的数据清理、大量的工作流重构，以及更多。