夜雨聆风前几天，Anthropic 发布了一份很有意思的研究《Coding agents in the social sciences》重磅｜Anthropic最新调查：不只编程，Coding Agent正快速进入社科研究，早期使用者已多发75%工作论文。关注的是2至3月份期间社会科学研究者如何使用 Coding Agent：做数据清洗、跑分析、写脚本、整理文献，甚至加速研究产出。这个信号很重要，因为它说明 Coding Agent 正在越过“写代码”本身，进入更广义的知识生产过程。
而紧接着昨天6月2日，OpenAI 又发布了一份最新报告《The Next Era of Knowledge Work》（知识工作的下一个时代）【文末有链接，需要PDF可以私信报告】
这次报告中的数据截止到5月，反映最新的情况。但毕竟这是OpenAI 自己发布报告，带有明确的产品宣传属性，核心是在讲 Codex 如何从开发者工具扩展为更普遍的知识工作工具。但即便带着谨慎态度看，它仍然值得关注。因为它透露出一个更底层的变化：AI Agent 的主战场，正在从“代码生成”转向“知识工作重组”。
报告开篇给出了一组非常直接的数据：Codex 目前已经有超过500万周活用户，自2月桌面应用发布以来增长超过6倍；虽然开发者仍然是最大用户群，但知识工作者已经占到约20%，并且采用速度超过开发者的3倍。同时指出知识工作者增长最快的任务类型是数据分析、研究和知识产物创建。
【Codex周活用户超过500万，知识工作者采用速度超过开发者3倍。】
这说明一个趋势正在发生：Codex 不再只是程序员的“写代码助手”，而开始变成知识工作者的“通用生产力 Agent”。
一、知识工作的问题：不是工具少，而是太碎了
OpenAI 在报告中先回到一个更大的背景：知识工作已经成为发达经济体的主体工作形态。报告提到，美国超过40%的劳动人口，也就是大约7200万人，主要从事信息相关工作，包括分析、代码、文档、设计、系统、决策和沟通。Peter Drucker（德鲁克） 早在1959年就提出“知识工作者”这个概念，用来描述那些主要输入和输出都是“符号”而不是农产品或工业品的职业。
今天，这个范畴已经覆盖软件、工程、科学、管理、教育、医疗、法律、金融、设计、市场、新闻、咨询和公共管理等大量职业，也通常指代“白领工作”。
报告指出现代知识工作有一种“奇怪的富足”：人们生产文档、消息、仪表盘、模型、PPT的速度越来越快，但也花了大量时间寻找上下文、核对不同版本、等待回应、在系统之间搬运信息。报告引用麦肯锡全球研究院的研究称，知识工作者平均大约28%的工作周花在处理邮件上，近20%的时间花在寻找内部信息或追踪能帮助完成特定任务的同事上。而这些问题正是AI 智能体能够发挥价值的空间。
二、Codex等智能体想解决的，是三类知识工作摩擦
报告把知识工作的日常成本概括为三类摩擦：搜索、协同、审批与验证：
第一类是搜索成本。也就是在复杂、不透明的系统里找到正确输入：正确文件、条款、路径、先例、数据集、消息或专家。
第二类是协同成本。也就是在不同团队、工具、格式和激励之间移动信息和决策。
第三类是审批与验证成本。也就是让工作成果被接受，并且经得起现实检验。工程里需要测试、评审、部署和监控；法律或咨询里需要合伙人审阅、客户接受和可辩护的推理；科学研究里则需要实验、复现和证据。
这也是为什么很多办公软件没有真正解决知识工作的低效。邮件让沟通更便宜，但也制造了更多邮件；在线文档让协作更方便，但也带来了更多版本和更多审阅循环；SaaS系统捕捉了更多工作过程，但也制造了更多工具孤岛。
OpenAI 报告用了一个很大的类比：知识工作还在等待自己的“工厂重构”。电力真正提升工厂效率，不是因为工厂把蒸汽机换成电动机，而是因为工厂围绕分布式电机重新设计了车间布局。OpenAI 的观点是，Codex 等智能体就像把AI放到每一个具体问题旁边，让人可以更快找到输入、协调流程、产出交付物、检查质量，并推动必要的审批。这个说法当然有产品叙事色彩，但它抓住了一个关键点：Agent 的价值不只是生成内容，而是重新组织工作流，从而减少摩擦，提升工作效率。
三、72%的知识工作者，用Codex生成报告、合同、表格和PDF
报告中最值得关注的一组数据，是知识工作者到底在用 Codex 做什么。
知识工作者现在已经占到 Codex 用户的约 20%，并且他们采用 Codex 的速度是开发者的 3 倍以上。这些用户覆盖了产品管理、项目管理、设计、研究和学术等多个角色。个人用户占 Codex 用户的 5% 以上，并且增长速度是开发者的 4 倍以上，主要使用场景包括兴趣爱好与创意工作、教育与自我学习、个人财务和娱乐。
【 Codex 使用人群时间占比，从编程逐步扩大到知识工作者】
进一步细看，在知识工作者中，每周有72%的知识工作者用户用 Codex 生产“知识产物”，包括报告、备忘录、合同、图片、音频、视频，以及越来越多的PDF和电子表格。与此同时，47%用于工程运维，46%用于代码实现，42%用于应用管理，41%用于研究，27%用于数据分析。
【知识工作者使用 Codex 最多的任务，不是纯代码，而是报告、合同、PDF、表格等知识产物。】
这个数据很关键，因为它说明开发者和非开发者之间的边界正在模糊。开发者开始用 Codex 做知识产物，知识工作者也开始用 Codex 做代码和工程操作。
过去，一个产品经理要做数据看板，通常要找数据或研发同事排期；一个研究人员要清洗数据，可能要等工程支持；一个设计师要验证产品原型，要依赖开发资源；一个高管要做一个内部自动化工具，往往要进入正式软件需求流程。现在，Agent 工具让“离问题最近的人”具备了一部分构建能力。
报告中也明确写到：产品经理可以自己搭建仪表盘，研究者可以自己写数据清洗脚本，设计师可以不用等开发就做出原型，高管可以构建一个整合文件并生成周报的内部工具。
这对组织管理者很重要。AI Agent 不是简单替代某个岗位，而是把一部分“工具构建能力”下放给业务一线。以前只有研发团队才能做的小工具、脚本、自动化流程，现在开始被产品、运营、研究、市场、财务、HR、咨询顾问等知识工作者直接调用。
四、增长最快的任务，不是写代码，而是数据分析
报告还列出了知识工作者使用 Codex 增长最快的任务类型：
【知识工作者增长最快的任务是数据分析、研究和知识产物创建。】
数据分析周环比增长110%，研究增长37%，知识产物增长36%。在知识产物中，用户最常处理的是文本文件，比如 Google Docs、Word文档、报告、备忘录、合同，也包括图片、音频、视频等多媒体资产；PDF和电子表格相关任务的用户增长超过50%。在研究任务中，常见场景包括网页搜索、内部知识搜索，以及公司、行业、竞争对手、市场规模和市场定位等市场研究。
报告还提到，起草消息、产品设计与搭建、理解合同与政策法规、招聘和面试等任务也出现超过40%的增长。
这说明 Codex 的扩散，不只是“更多人在写代码”，而是更多人在把它用于真实业务任务：看数据、查资料、做研究、写报告、处理表格、理解合同、搭建流程、支持招聘。
这也是 Agent 和普通 AI 写作工具的差异。普通工具更多是“生成内容”，而 Agent 更接近“推进任务”。它不仅帮你写一句话、一段文案，而是参与到完整工作链条里：搜索资料、处理数据、生成脚本、产出报告、检查结果、形成可交付物。
五、一个人开始像一个小团队一样工作
这份报告里还有一个非常值得关注的行为变化：并行任务。
OpenAI 提到，大约50%的用户现在会在一天中的某个时间点同时运行多个 Codex 任务，而4月中旬这个比例还不到三分之一。报告认为，从“顺序执行”转向“并行任务”，让一个知识工作者可以开始以“小团队”的规模工作：一个任务检查数据，一个任务起草脚本，一个任务组装报告，一个任务检查应用。人的角色开始从单点执行者，转向多个工作流的调度者。
这可能是 AI Agent 对知识工作影响最深的一点。传统知识工作基本是线性的。一个人先查资料，再整理数据，再写初稿，再做表格，再做PPT，再检查逻辑，再发给别人看。即使借助办公软件，本质上仍然是一个人在一个时间段处理一个任务。
但 Agent 工具带来的变化是，一个人可以同时让多个任务流动起来。人的角色不再只是“执行每一个步骤”，而是定义目标、拆解任务、分派Agent、检查结果、做最终判断。
这也是为什么 Codex 不应只被看作 coding 工具。它的底层逻辑不是“帮你把一句话写成代码”，而是帮助你把复杂工作拆解为多个可委派、可并行、可验证的任务单元。
六、报告中案例：Agent开始进入具体工作流
OpenAI 在报告中放了几个案例，虽然都有产品宣传色彩，但可以帮助我们理解 Agent 工具如何进入非传统开发场景。
GroundVue 的案例关注公共信息整理：
这家公司帮助政府机构从公开会议中学习和比较信息。问题在于，约90,000个政府机构的关键信息分散在视频、网站和地方平台中。GroundVue 使用 Codex 寻找难以触达的公共信息源，并构建持续收集和整理信息的系统，把原来需要数天甚至数周的任务压缩到几分钟。
Proaction 的案例更像销售、客户发现和产品开发的融合：
它是一家只有5人的创业公司，帮助车队管理车辆和设备数据。这些数据原本分散在车联网系统、维护平台、电子表格和组织记忆里。其联合创始人 Colin Knudsen 用 Codex 把客户对话转化为定制化方案、工作流原型和可运行演示。这样一来，销售不再只是通用介绍，而是在签约前就能快速构建和验证方案。报告认为，Codex 实际上连接了客户发现、销售和产品开发，让一个5人团队可以超出自身规模竞争。
还有一个教育场景：
数学教授 Taiyo Inoue 使用 Codex 自动化教学中最耗时、也最缺乏成就感的一部分：维护学习管理系统。他通过 Codex 生成脚本，自动更新 Canvas 系统里的作业、日历、材料和公告。Inoue 估计，这一流程每周节省4到5小时。他把节省下来的时间重新投入课堂，把课程设计成更多协作式解题。
报告结尾还有一个很个人化的案例：
Luke Xing 用 Codex 构建了一个桌面应用，帮助补偿自己左耳严重且不稳定的听力损失。他用自然语言描述问题，Codex 帮他创建了一个可以测试不同频率听力、并针对不同设备调整音频输出的工具。这个应用不是医疗设备，但它说明了一个更大的变化：人们不一定需要等待别人来开发自己需要的工具，越来越多具体、个性化、小规模的问题，可以由当事人自己借助Agent解决。
这些案例的共同点不是“AI写了多少代码”，而是 Agent 进入了具体工作流：公共信息整理、客户方案生成、教学行政自动化、个性化工具构建。它解决的是具体场景中的碎片化、重复性和等待成本。
七、这份报告也要谨慎看
当然，这份报告来自 OpenAI，本质上不是中立研究报告，而是产品叙事的一部分。它强调 Codex 的用户增长、场景扩展和生产力潜力，但对失败案例、组织阻力、数据安全、结果可靠性、员工能力差异等问题谈得较少。
所以，不能简单得出“Codex已经重塑所有知识工作”的结论。更合理的理解，把它看作一个产品侧信号：一个头部AI公司正在如何定义未来知识工作的信号。
这个信号至少说明三件事：第一，Coding Agent 的使用边界正在快速外溢；第二，知识工作者已经开始把 Agent 用在报告、表格、研究、数据分析、合同、自动化、招聘和内部工具等真实场景中；第三，Agent 的核心价值不是简单生成内容，而是重组工作流，让一个人能够调度多个并行任务。
八、从生成式AI到智能体：真正的变化才刚开始
如果把 Anthropic 的《Coding agents in the social sciences》和 OpenAI 这份《The Next Era of Knowledge Work》放在一起看，趋势会更清楚。
Anthropic 的研究说明，Coding Agent 已经开始进入研究型知识工作；OpenAI 这份报告则进一步说明，Agent 正在进入更普遍的白领工作：报告、表格、研究、合同、市场分析、流程自动化、内部工具构建，甚至教学、销售和公共服务。
这就是生成式AI到AI Agent智能体的关键转变。
当然，OpenAI这份报告讲的是 Codex，但它背后的趋势并不只属于 OpenAI。国内其实已经有大量智能体和Agent类工具在快速发展，很多团队也已经开始用起来了。无论是几个大厂出的智能体产品，还是各类办公、研发、数据、知识库、流程自动化工具，本质上都在往同一个方向演进：让AI不再只是“生成内容”，而是参与任务执行。
对普通管理者和知识工作者来说，真正重要的不是纠结某一个工具叫什么，而是要开始习惯一种新的工作方式：把AI当成一个可以协作、可以委派、可以试错、也需要管理的同事。
如果还没有用起来，我的建议很简单：先不要急着上升到战略判断，也不要只停留在围观新闻。找一个真实的小任务，认真用几次。比如让它帮你整理资料、分析表格、生成访谈提纲、搭一个简单自动化流程、检查一份报告逻辑，或者把一个重复性工作拆成几个可以并行处理的小任务。
很多价值，不是看报告能看出来的，而是用过之后才会发现。
一句话：用就完了～
报告地址：https://openai.com/index/codex-for-knowledge-work/
若需帮助可以后台私信“报告”，我来发送～
📍关注AI组织进化论｜赋能AI组织转型
AI转型升级中，我们也坚信人是终极变量，而管理者则是关键杠杆。因此我们设计了一门面向AI时代管理者的《极简AI领导力-加速迈向智能组织》课程，聚焦如何领导AI，而不仅仅个人使用AI，帮助管理者快速掌握推动团队AI落地的核心框架、方法与工具，推动团队AI升级。适合管理者、技术负责人、产品负责人、HR、OD 及数字化转型相关伙伴，欢迎私信交流。
其他推荐阅读：
案例PPT｜谷歌最新六大机制：AI时代如何对抗大公司病，重塑产品力
