从完成任务到持续推进

AI 写出一封销售邮件，不等于接管了销售。

只有当它能等待回复、处理异议、调整下一轮触达，并在无法推进时主动升级，人类才真正交出了一部分持续推进责任。

这就是 Task Agent 与 Autopilot 的分界：前者交付一次结果，后者维护一个尚未完成的目标。

它不是更长时间运行的 Chat，也不是在后台多转几个小时的 Cowork。一个 Agent 即使连续工作八小时，只要最后交付的是一份报告、一个网站或一个 PR，它仍然是在完成 Task。

Autopilot 的变化不在运行时间，而在责任终点。

本文所说的“责任”，指工作流中的持续推进责任（operational ownership），不是法律、管理或商业意义上的最终问责。高风险决策、专业签字和最终损失，仍由人和组织承担。

分界线不是能力多少，而是责任在哪里终止

真正可以放在一条轴上的，是用户交付出去的三种“责任合同”：Task、Workflow 和 Mission。

发一封销售邮件是 Task；新 Lead 到来后自动研究、写入 CRM 并启动固定跟进序列，是 Workflow；等待回复、判断异议、改变策略，直到约到会议或确认失败，才接近 Mission。

这条轴描述的是责任跨度，不是技术成熟度。一个完成复杂代码迁移的 Task Agent，技术上可能远强于每周运行一次的 Workflow Agent；区别只在于它们对“完成”的承诺不同。

判断一个产品是否接近 Autopilot，可以看六件事：

1. 是否把目标及完成条件保存为长期对象，而不只是保留聊天记录；
2. 是否能被时间和外部事件触发，而不是永远等用户 Prompt；
3. 是否能通过浏览器、应用、代码或本地系统改变外部世界；
4. 是否能跨运行记住尝试、等待对象、阻塞和下一步；
5. 是否会观察行动结果，并据此重新规划；
6. 是否知道何时停止、失败或向人升级。

Memory、定时任务和 Multi-Agent 都有帮助，但单独拥有任何一个，都不足以证明 Mission ownership。

Autopilot 和 Digital Employee 是两根轴

Autopilot 描述的是系统如何工作：收到目标后，它能否持续维护状态，观察变化，执行、等待、重新规划，并在成功、失败或需要人工判断时停止或升级。

Digital Employee 描述的是系统如何进入组织：它是否拥有明确岗位、工作队列、权限与预算边界、协作渠道、KPI 或 SLA、负责人、审计记录和生命周期。

两者并不互相包含。

• Personal Autopilot 可以高度自治，却不是员工。
• AI SDR 可以作为 Digital Employee 售卖，却只执行边界明确的销售 Workflow。
• 只有一部分企业产品会同时满足两者：既能闭环推进 Mission，又能作为组织角色被治理。

所以，Digital Employee 不是 Autopilot 之后的“第四级”。它是一种组织包装。同样，一个名字很像员工、有头像、有邮箱的 Agent，也可能只是包装精美的 Workflow。

市场不是四级楼梯，而是三类应用加一层基础设施

从需求侧看，目前主要出现了三类产品形态。

这三类应用下面，还有一层供给侧基础设施：Agent Platform 与 Control Plane。Microsoft Copilot Studio、Salesforce Agentforce、OpenAI Workspace Agents、Gemini Enterprise 和 Relevance AI 提供触发器、连接器、执行环境、身份与权限、评测、成本、审计和部署治理。

平台卖的是“构建和治理 Agent 的能力”；应用卖的是“已经定义好的结果或责任”。同一家公司可以同时处于两层。Agentforce 就既是平台，也提供 Sales、Service 等现成角色 Agent。

产品成熟度也不能一概而论。截至本文数据截止日，Gemini Spark 仍是面向 Google AI Ultra 用户逐步开放的 Beta；OpenAI Workspace Agents 仍是 research preview；Copilot Studio 和 Gemini Enterprise 也都有 GA 与 Preview 并存的功能。架构愿景、Preview 和 GA，不能拿同一种荧光笔涂成“已上线”。

Pazi 属于 Autopilot 赛道吗？属于，但要加“早期”两个字

Pazi 是目前最接近 Business Mission Autopilot 的早期样本之一，更准确地说，它是一个 mission-shaped business agent。

它没有从空白聊天框开始，而是把 Business、Main Goal、Opportunities 和 Operating Officer 做成产品的一等对象。主 Agent 记录业务目标、生成阶段性机会，再把研究、设计、开发、QA 和 Outreach 委派给不同 Specialist Agents。Business Pulse、任务、记忆、收件箱和连接器构成持续工作面。Pazi 产品文档

这套设计最有价值的地方，不是“Agent 可以创建 Agent”，而是把业务目标和未完成工作变成持久对象。用户对外只需要和一个 Operating Officer 建立关系，内部则可以有多个 Specialist：对外一个关系，对内无限分工。

但 Pazi 还不能被当作开放式目标已经实现闭环自治的证据。公开资料不足以证明它能稳定识别失败、跨事件改变策略，并持续对最终业务结果负责；浏览器行动也需要用户授权。官方明确保留了用户对目标、约束、权限和最终决策的责任。Pazi 安全与权限

所以，Pazi 已经明显越过一次性 Cowork，也比简单的定时 Workflow 更接近 Mission；但它目前是 Business Mission Autopilot 的候选形态，不是成熟答案。

Pazi 的直接同类其实不多。ClawTeams 把电商目标、Team Lead、专业分工、持续监控和审批边界组合在一起，处于 Business Mission Autopilot 与 AI Team 的交叉位置；但其经营效果和长期重规划能力仍主要来自厂商描述。ClawTeams

其他看似相近的产品，责任合同并不完全相同：

相关一手资料可见 Motion、Lindy、Sintra 和 Manus Scheduled Tasks 2.0。

Role-based Digital Employee：先出售一个窄岗位，而不是一个万能员工

这类产品不承诺“什么都能做”，而是出售一个边界明确的工作闭环。

• Artisan Ava 与 11x Alice 覆盖潜客研究、外联、回复和会议预约；商机质量、关系建立、报价和最终收入仍由销售团队负责。
• Harvey Agents 把复杂法律流程转化为律师可审阅的工作成果；专业判断、采用、签字和法律责任仍属于律师。
• Agentforce 将 Agent 放进 CRM 数据、事件、权限和 Service、Sales、Marketing、Commerce 工作流中，并在边界外升级给人。

目前，这些产品更容易形成清晰的购买理由和计费单位：有没有预约会议、完成 Case、更新 CRM、生成可审阅的合同分析，通常比“让我的公司增长”更容易验收。

但“执行一个岗位的大量工作”仍不等于“承担这个岗位的终局责任”。Harvey 自己发布的严格 Legal Agent Benchmark 就是一个很好的反证：在要求所有标准同时通过的 all-pass 口径下，受测前沿模型端到端完成的复杂法律任务还不到 10%。这说明 review-ready 比“AI 律师已经能独立工作”准确得多。Harvey Benchmark

市场已经证明了什么，又没有证明什么

目前不存在可信的 Autopilot 统一市场份额。厂商披露的是 MAU、付费席位、ARR、客户数、交易数、Agent 数、Task 数和自定义 Work Units。这些单位既不能相加，也不能互相除出一张漂亮饼图。

下面这些数字更适合被称为“商业信号”，而不是市场份额。Salesforce 数据来自上市公司投资者披露；其他公司数字来自厂商自报。它们都不应被当成对整个市场的独立审计。

数据来源：Salesforce FY26 Q4、Manus、Motion、Sintra。

需求窗口确实正在打开。Gartner 的 2026 CIO 与技术高管调查在 2025 年 5—6 月收集了 2,501 名受访者的数据：17% 的受访组织已经部署 AI Agents，64% 的受访技术高管计划在未来 24 个月部署 Agentic AI。但部署意向不是采购完成；Gartner 同时指出，多数部署仍范围狭窄，完全自治的 Agent 尚不适合大多数企业场景。Gartner Hype Cycle｜调查口径

更准确的市场结论是：

边界明确、结果可审阅、嵌入既有业务系统的垂直 Agent，正在比开放式通用 Autopilot 更早进入采购和规模化使用；但这还不足以证明 Digital Employee 已经能承担终局责任。

为什么边界明确的垂直责任单元更可能先商业化

开放式 Autopilot 同时面临三个难题。

第一，目标容易被错误优化。“帮我增长业务”没有天然完成条件。Agent 可能通过降价、群发邮件或制造短期指标，在数学上完成目标，在商业上毁掉公司。

第二，反馈周期太长。一份 PPT 几分钟就能评价，一段代码可以立即跑测试；销售增长、招聘质量或旅行体验可能几周甚至几个月后才知道好坏。

第三，结果难以归因。会议没有约到，是 Agent 策略错误、产品没有竞争力、名单质量太差，还是市场刚好进入淡季？

垂直产品通过缩小责任单元绕开这些困难。Ava 不负责“让公司成功”，而是推进从找人到预约会议的 outbound 流程；Harvey 不负责赢下案件，而是交付可审阅的法律工作；Agentforce 不负责整个客户关系，而是在明确权限和状态机里处理 Case 与 Workflow。

因此，未来几年更可能先成熟的，不是万能数字人，而是一批边界窄、验收清楚、人工接管点明确的岗位 Agent。

但要注意：垂直 Agent 先商业化，不等于垂直 Agent 最终一定赢。

长期差异会沉淀在六层基础设施中

模型和 Multi-Agent 会逐渐成为公共能力。更难复制的差异，可能沉淀在下面六层。

这里面最容易被低估的是 Mission State。聊天历史、长期记忆、项目上下文和 Mission State 不是一回事。只有系统保存了完成条件、尝试历史、等待对象、风险和下一步策略，它才真正知道“事情进行到哪里”。

最大的产品反模式：让用户成为 Agent 的项目经理

今天很多所谓 AI Team，只是把一个聊天框变成十个聊天框。

用户要给每个 Agent 写 Prompt、决定分工、检查重复工作、处理上下文冲突，再把结果拼起来。人类没有减少管理，只是管理对象从同事变成了更爱熬夜的 Token 消费者。

如果系统把分工、冲突和验收重新交给用户，它卖的不是 Autopilot，只是 Agent Theater。

真正的 Autopilot 必须承担管理复杂性，而不是把复杂性重新包装后还给用户。

对产品设计的四个启示

第一，先窄后宽。先在销售、客服、法律、招聘、财务或电商运营中证明一个可验收闭环，再扩展责任边界。

第二，一个关系，多个内部执行者。用户对外只建立一个长期信任关系，内部可以由多个 Specialist Agents、Skills 和工具完成分工。Pazi 的 Operating Officer + Specialists 是这一方向的早期样本。

第三，界面会从 Chat 转向 Mission Control。首页不应该只是空白输入框，而应展示 Goals、Active Work、Waiting、Approvals、Risks、Cost 和 Completion Evidence。

第四，商业模式更可能是 Seat + Consumption，Outcome pricing 只适合归因清楚的场景。Seat 购买入口与治理，Consumption 支付执行成本；按成功会议、解决 Case 或完成 Workflow 收费，只在结果可定义、外部变量可控制时才成立。毕竟，归因和外部变量不会因为用了 AI 就突然变得讲道理。

Autopilot 与 Digital Employee 改变的，不只是模型聪明了多少，而是人和软件之间的责任契约。

Autopilot 要回答：系统能否在可见边界内持续推进一个尚未完成的目标？Digital Employee 要回答：这个系统能否作为一个清晰、可治理、可衡量、可退出的组织角色运行？产品可以只回答其中一个问题；更强的企业 Agent，才会同时回答两个。

当用户不再盯着它时，工作还会不会向正确的方向继续前进？