從科研到客服：智能體開始接管真實工作

本期要點

• OpenAI 聯合兩家機構用數千智能體挖掘生物數據
• Uber 內部將智能體接入工程工作流並量化影響
• Comcast 裁員同時加碼 AI 智能體客服

科研與工程：智能體進入生產環節

今天最具體的一條落地線索來自生命科學。OpenAI 與 PerturbAI、Scripps Research 合作，用數千個分布式 AI 智能體處理來自數百萬個腦細胞的數據，目標是找出有前景的研究線索(來源: OpenAI News)。這不是單次問答，而是把智能體當作可橫向擴展的科研勞動力來用——分布式、批量、面向探索性任務。

工程側同樣有可驗證的案例。Uber 傑出工程師 Uday Kiran Medisetty 介紹了 Uber 如何構建內部開發者工具、把 AI 智能體整合進工程工作流，並衡量其對生產力的影響(來源: The Pragmatic Engineer)。值得注意的是「衡量」這一環：智能體進入工作流之後，團隊需要回答它到底改變了甚麼，而不只是部署了甚麼。

企業側：一邊裁員，一邊加碼智能體

Comcast 的動向提供了另一種視角。該公司在用戶持續流失的情況下計劃裁員，同時為不斷縮小的有線電視用戶群部署更多 AI 智能體(來源: Ars Technica)。同一條線索里，Comcast 還稱其他 ISP 的低價「不理性」。把智能體與降本直接綁定，是這一輪企業採用中最現實、也最容易被質疑的動機。

面向消費者的方向則更強調信任。FT Technology 的評論指出，AI 智能體有望增強消費者能力、促進競爭，但首先必須贏得用戶信任(來源: FT Technology)。智能體替用戶比價、下單、談判，前提是用戶願意把決策權交出去。

組織內部：智能體改變的是人的結構

Anthropic 提供了一個少見的內部樣本：隨著智能體承擔更多工作，公司相對減少了初級崗位的招聘，同時增加了管理者數量與會議數量(來源: FT Technology)。如果這一觀察成立，智能體的影響可能不是簡單替代人力，而是重塑團隊的經驗梯隊與協調成本——初級工作被吸收後，組織反而需要更多協調層。

評估與質疑：熱度之外的冷靜聲音

能力擴張的同時，如何評估智能體成為獨立議題。一篇新論文梳理了 AI 智能體評估的方法、問題與生態(來源: AI Snake Oil)。而在能力上限的討論上，Ramez Naam 對「智能體蜂群」給出了懷疑視角，回應了「百萬智能體能否創造超級智能」這一問題(來源: Noahpinion)。

產品層面，Meta 的 Muse 系列被兩篇報道從不同角度拆解：一篇實測其宣稱的前沿智能體性能，在近 20 項任務上驗證真偽(來源: Lenny's Newsletter)；另一篇由設計總監 Alex Cornell 講述如何讓同一個界面同時服務普通用戶與工程師(來源: Lenny's Newsletter)。性能與可用性，仍是智能體產品化的兩條並行考題。