夜雨聆风OpenAI联合哥伦比亚商学院、沃顿商学院及杜克大学撰写了《The Shift To Agentic AI Evidence From Codex.pdf》，文章认为：
AI正在完成从“咨询助手”到“自主执行智能体”的范式转移：Codex实证表明，前沿环境下员工已大规模委托高复杂度、长周期、多线程并行任务，通过标准化工作流批量复用AI能力。当前采用差距并非源于模型能力，而是组织配套、流程改造、人员认知的摩擦差异；未来知识工作者的核心工作将从动手执行，转向管理、监督、协调多AI智能体协同完成业务。即：
1）Agentic AI的渗透率快速提升，但企业端仍有很大的提升空间，前沿用户与普通用户已开始拉开生产力差距；
2）Agentic AI的任务处理强度、深度在快速提升，应用场景也在持续泛化，意味着token消耗和结果产出会持续增长；
3）组织互补要素决定AI价值的释放：仅靠模型能力无法实现生产力大幅提升，必须配套员工培训、权限系统、内部流程重构、审核校验机制；OpenAI内部高渗透率印证组织配套的关键作用；
4）如同早年电力替代蒸汽机，短期难以看到宏观统计生产力大幅提升；企业需要时间完成流程、组织、人员技能配套改造，需要围绕并行AI工作流重新设计岗位职责、团队分工、考核体系，Agentic AI长期生产力红利会逐步释放。
一、研究样本与核心研究目的
1、对比三类用户群体：OpenAI 内部员工用户、企业组织账户用户、个人散户用户，采用隐私脱敏方式分析Codex全量使用行为；
2、验证智能体AI如何重塑人类工作模式，量化AI从“被动问答”到“主动执行任务”的行业范式转移速度与落地现状。
二、核心结论：Agentic AI正在承接更复杂、更宽维度、更丰富场景的任务，重塑人类工作角色和产出规模
核心结论（一）：Agentic AI迎来爆发式增长，但渗透率极度不均衡，组织远领先于个人
1、Codex活跃用户2026H1增长超5倍，用户增长主力早已跳出最初的程序员群体，法务、财务、运营等非技术岗位成为新增核心人群，Agentic AI突破程序员圈层，向通用知识工作者快速扩散。
2、企业是Agentic AI落地的第一场景，个人市场尚处于培育阶段。
3、三类样本群体的渗透率、Token产出占比差距巨大，组织环境、配套流程、培训决定AI落地深度。
1）OpenAI内部高渗透：组织培训完善、使用门槛低、全员认知智能体价值、配套工作规范适配Agent模式；
2）企业中度渗透：具备数字化基础，但缺少配套流程改造、员工使用培训不足，仅技术、数据部门率先落地；
3）个人低渗透：缺少复杂长周期任务场景、个人无流程复用需求、缺少本地权限/工具环境支撑，只能浅层使用智能体能力。
4、技术岗位先行，非技术岗位快速跟进，所有职级员工均在使用。
核心结论（二）：基础场景仍是软件开发，但深度落地环境（e.g.OpenAI）拓展至全品类知识工作
1、Codex起源于编程工具，所有用户群体最主流用途仍围绕软件全生命周期；但采用无摩擦的组织内部，使用边界突破代码，覆盖研究、法务、人力、销售、数据、运营全职能。
2、通用任务分布（三类群体均值）中，工程运维、代码编写、代码理解、应用管理、代码验证占全部使用量最大份额；使用已不限于写新代码，大量用于理解存量代码、环境配置、BUG修复、代码评审、发布流水线、文档撰写，覆盖完整软件研发流程。
3、群体场景分化：1）「外部组织用户」高度集中在软件开发、代码实现；2）「前沿用户，e.g.OpenAI」除代码外，研究、商业流程、协同沟通、数据分析、销售等占比大幅提升。
4、分岗位任务结构：1）技术岗：工程运维、代码实现为主；2）市场/销售/人力：知识文档、协作沟通、业务流程为主；3）管理者/高管：文档、协同、规划类任务占比更高。
核心结论（三）：Codex使用核心是“任务委派生产”，而非简单咨询，用户委托任务复杂度持续飙升
1、传统ChatGPT以“提问、获取信息”为主；Codex用户核心诉求是交付完整产出（写代码、文档、数据分析、运维等），且委托任务难度持续提升，大量人类全天工作量级任务交给 AI自主完成。
2、全面切换Codex后，各岗位AI产出量呈数十倍暴涨，智能体工具大幅放大人类知识产出总量，重构个人工作产能上限。
3、多轮对话首条请求复杂度最高，超过4轮之后需求复杂度显著下降，用户先交付整体大任务，后续仅做微调。
核心结论（四）：用户使用深度大幅升级，人类从“使用AI”变成“管理AI团队”
1、轻度用户仍是单次单线程交互；重度用户形成三大全新工作模式：多Agent并行、长时间异步独立运行、可复用工作流（Skills）体系化。深度使用者彻底重构工作流，人类角色从执行者转为AI管理者、监督者、审核者。类比电力革命：新技术价值不在于替换旧工具，而在于重构整套生产流程。
1）前沿用户形成多智能体并行工作模式，外部用户仍以单线程交互为主；多智能体协同成为常态，人类角色从执行者转变为AI管理者。
2）重度用户会长期运行异步智能体，内部前沿用户日均累计Agent运行时长极高；任务复杂度跨越式提升，大量用户开始委托需要8小时以上长周期、多步骤、需自主调用多工具的复杂项目任务，AI具备长时序规划、自主排错、持续迭代的能力。
3）可复用工作流（Skills）普及率快速上涨，组织、内部员工大量使用标准化流程模板；通过「Skills」功能，封装复杂任务流程、标准化指令并团队内共享，实现工作流程资产化。
2、ChatGPT时代，交互模式是单轮/多轮问答、人实时引导AI输出结果，AI只做信息整理、片段内容生成；Agentic（Codex）时代，交互模式是一次性下发任务目标、设定约束边界，AI自主拆解步骤、调用工具链、长时间独立运行闭环交付最终成果，人类仅做结果审核与目标修正。
OpenAI基于Codex的实证研究，对于市场近期的需求担忧有很好的启示作用，正如之前提到的，AI转化为生产力是一个循序渐进的过程，这个过程会伴随应用场景的拓宽和token消耗的持续增长：
从B端的角度看，大规模部署agent的企业仅占8%，行业发展仍处于早期阶段，伴随企业内部配套规则的建立，agent的使用深度、行业渗透率仍将进一步扩散。
根据Anthropic的内部数据统计，其工程师的季度代码提交量达到了2021-2024年平均水平的8x，AI开始接管编程、测试环节，人类主要负责审核结果。而这一结果本身在加速AI的递归式自我改进——AI能力本身已经非常强大了。
401K，公众号：401K-景交所市场波动率放大，如何看待近期AI的悲观叙事
但是AI能力的强大并不能直接转换为GDP和企业利润的增长。当下AI的技术能力已远远领先于技术扩散，因为模型需要数据权限、业务流程、跨部门协作、刻印在员工脑中的隐性经验，但当下的组织并没有完全准备好去适应这一技术。类似当年的电气革命，最优秀的企业不是仅仅把煤油灯换成电灯，而是直接按照电力系统重新设计整个工厂流程——同样，当下简单的使用AI工具的效果有限，优秀的企业会围绕AI重新设计和组织数据、产品、流程。
401K，公众号：401K-景交所市场波动率放大，如何看待近期AI的悲观叙事
而庆幸的是，这一拥抱和重构的过程正在持续发生，从大企业向小企业持续扩散。以三星为例，李在镕（三星执行会长）于6月9日表示：“为了引领AI时代、抢占跃迁机会，公司将推动一场重大革新，把社长、管理层和员工的工作方式、组织文化，乃至企业DNA本身，都转变为以AI为中心。各公司的CEO将把AI引入研发、采购、制造、物流、市场营销、销售、服务和经营支持这八大业务流程中，并亲自主导经营革新。通过人工智能转型，推动公司向创新型企业全面转变。”——世界最强的存储厂商也才刚启动“AI全面转型”，未来会有更多产业巨头把AI当作企业生命力重塑的核心工具，这是未来token消耗、算力需求增长的核心，而非简单的关注短期ARR的变化速率。
401K，公众号：401K-景交所市场波动率放大，如何看待近期AI的悲观叙事
Anthropic预测，如果AI在美国经济中扩散，未来10年每年可以提高1.8%的生产力，但考虑到前述瓶颈的影响，这个数字短期可能会下降0.6-1.2pct，但依旧是亮眼的增长。
401K，公众号：401K-景交所市场波动率放大，如何看待近期AI的悲观叙事
----------分割线----------
之前市场一直很担心，觉得在coding之后找不到下一个大的应用场景，怀疑AI的需求出现瓶颈。但codex的实证数据表明，coding能力的加强是第一步，基于强coding能力和模型的递归进化，使用场景会逐步拓展至更广泛的范围；这是用户需求决定的，而no code的实现会加速各种需求的落地和放大。
人们之所以会如此看重coding，是因为：
coding场景的价值量化极清晰：代码产出速度、Bug率、人力工时、项目交付周期全部可量化，每一行代码、每一次调试都能折算成工程师薪酬成本；
部署门槛极低：研发团队本身有数字化底座、完整代码库、开发工具链，数据原生标准化，几乎不用额外改造业务系统；
落地零合规硬约束：无强监管、无生命安全风险、无隐私红线，PoC到全量上线周期仅 1-3 个月；
付费主体预算充足：科技企业研发预算刚性，愿意持续付费，API/IDE 插件订阅模式天然闭环。
即，coding场景具有ROI清晰、可快速验证、部署难度低、部署速度快的特点。相比之下，其他场景的往往会遇到“ROI感知弱、验证难、部署难”的问题：
业务割裂、数据孤岛：制造、零售、医疗、政务存在大量线下流程、老旧IT系统，打通数据改造成本高，前期投入拉高回本周期；
价值指标模糊：营收提升、客户留存、风险损失减少属于滞后指标，不像coding能立刻看到工时下降；
合规与试错成本高：金融风控、医疗诊断、工业生产一旦出错直接产生巨额损失，企业不敢一次性全量替换人工，只能小范围试点，短期看不到立竿见影的大规模效果。
但随着企业逐步拥抱AI-native的环境，这些产业需求的价值和规模都会放大，只是兑现节奏会分层。正所谓“积小流已成江海”，大量企业的大量场景持续渗透，足以催化一个巨大的市场。
下面列示几个场景作为案例（AI整理的数据）：
第一梯队：6-12个月回本，渗透率快速提升，行业刚需（ROI 150%-420%）
1、金融全链路自动化
场景：实时反欺诈、信贷审批、票据/合同/财报文档OCR+大模型提取、合规报告自动生成、智能催收、量化投研；
验证数据：89%项目6个月内实现正向收益，单银行每年减少数千万人工审核成本，欺诈损失下降30%-60%；
规模化基础：银行、券商数字化程度全球最高，交易、文档全结构化，监管倒逼流程标准化；
落地现状：国内外头部金融机构100%上线，中小机构批量采购SaaS方案，算力调用量持续爬坡。
2、企业全流程文档智能处理（所有行业通用基础场景）
场景：合同审查、发票报销、招投标资料、人事档案、供应商资质审核；
ROI逻辑：替代大量初级文员、法务、财务，人工处理70%-90%工作量，错误率大幅下降；
回报周期平均6.2个月，不分行业、通用性极强，制造业、律所、地产、政府采购全面普及。
3、智能客服+客户全生命周期运营
场景：售前咨询、售后工单自动处理、语音情绪识别、客户流失预警、智能外呼；
数据：头部企业客服人力成本下降50%-65%，AI承接70%-85%标准化咨询，人工只处理复杂高客单问题；
规模化：电商、运营商、互联网、本地生活全覆盖，属于企业必配基础设施，不存在行业天花板。
4、营销内容工业化（素材、投放、优化全链路AI）
场景：商品文案、短视频脚本、AI素材生成、千人千面广告定向、投放出价自动优化、多语言本地化；
提效：素材生产效率提升30-100倍，广告获客成本下降40%-60%；
落地：电商、品牌、跨境广告行业已经规模化使用，汇量、Meta广告平台AI工具为核心收入来源。
第二梯队：12-18个月回本，制造业/供应链核心增量，空间巨大
1、工业视觉质检+设备预测性维护
场景：产线缺陷检测、设备故障预判、能耗优化；
ROI：停机损失降低25%-45%，质检人力减少60%，单工厂百万级年度成本节约；
长期空间：全球制造潜在年价值6000亿美元，当前渗透率不足10%，属于增量蓝海。
2、供应链智能优化（需求预测、库存、物流调度）
AI修正传统统计模型偏差，预测误差下降20%-40%，库存降低15%-30%，零售、汽车、电子制造大规模落地，联想iChain等智能体已全集团推广。
第三梯队：中长期高价值、当前处于规模化前夜（Agent驱动增量）
政务智能审批、医疗文书自动化、能源电网调度、企业内部数字员工（多智能体协同处理跨部门流程），短期改造投入高，但长期ROI极高，2026-2027年随Agent成熟加速渗透。
从AI应用场景的演进节奏看：
阶段1（2024-2026）：单点工具化AI（现状）
以单一功能工具为主：代码助手、客服机器人、文档提取、质检视觉，解决单一重复性工作，ROI确定性强，但场景碎片化，市场容易觉得“缺少超级大场景”。
核心矛盾：AI仅嵌入局部流程，未打通企业端到端业务，价值释放不充分。
阶段2（2027-2029）：多智能体协同数字员工（下一轮爆发）
突破单点工具局限，AI智能体串联采购、生产、财务、售后全流程自主决策，形成端到端业务自动化场景，会诞生一批规模堪比编码赛道的巨型场景，如：1）制造业全域智能调度智能体；2）集团财务、供应链一体化数字员工；3）零售全域投放+库存+会员一体化运营智能体；
这一阶段会大量出现千万级、亿级付费客户，解决市场“缺少大规模场景”的核心担忧。
阶段3（2030+）：AI原生产业重构（长期终局）
行业业务流程基于AI重新设计，而非在传统IT上叠加AI，同时，物理AI在制造、能源、物流、国防等领域持续渗透：自动驾驶、工业机器人、全自动柔性工厂……AI进入工厂、电网、仓库、实验室，数字孪生+仿真数据成为工业AI底座。
AI从降本工具变成产品核心竞争力，创造全新增量市场，而非仅替代现有人力。
AI需求“长期增长、短期不降速”的三大底层逻辑：
1）企业数字化渗透率极低：实体产业AI整体渗透率仅10%，对比互联网80%，渗透空间充足，传统行业替换人力的长期趋势不可逆；
2）AI具备复利式降本：一次性部署后持续降低人力、损耗、风险成本，属于Capex后持续产生现金流的资产，支撑企业长期投入Opex；
3）技术迭代持续拓宽场景边界：多模态、长上下文、工具调用、自主智能体不断解决此前无法落地的复杂业务流程，持续创造新需求，而非存量替代。
部分市场认为，前述部分场景在大语言模型出现之前就已存在，在传统小NLP时代就已解决。但传统小NLP时代的AI只解决标准化单点任务、依赖人工预配置、无法处理结构化复杂信息，价值仅停留在简单“降人力”；OpenAI/Anthropic/DeepSeek/智谱等高参数LLM普及后，完成“工具单点自动化→端到端业务Agent闭环”、“被动应答→主动推理决策”、“固定模板→动态生成推理”三层质变，会驱动核心运营指标出现量级提升，进而带动渗透率、付费使用率、业务ROI全面上台阶。
1/ 金融全链路自动化（信贷审批、反欺诈、合规尽调、财报解析）
1、传统规则阶段
逻辑：阈值规则+结构化特征小模型，仅能读取表格、数字类结构化数据；合同、流水、问询录音、舆情等非结构化文本完全无法深度解析。
流程割裂：审批、尽调、风控、合规分属独立系统，数据无法互通，人工跨系统搬运材料。
维护成本极高：新型欺诈、新型信贷产品出现，需业务+技术团队耗时数周新增、调试规则；无法识别从未见过的欺诈模式（零日欺诈）。
价值边界：仅替代基础录入岗，无法参与风险推理、撰写尽调报告、交叉核验多渠道证据。
2、高参数大模型时代
非结构化全域理解：长文本财报、数千页贷款合同、多轮客户沟通录音、跨行流水、公开舆情统一输入推理，多模态VLM兼容扫描件、手写凭证。
端到端自主流程Agent：自动调取征信、解析流水、提取风险点、生成尽调初稿、自动触发异常复核、输出合规意见书，打通全链路无需人工中转。
自主泛化推理：无需人工新增规则，自动识别新型团伙欺诈、隐蔽套现、虚假经营流水；RAG绑定监管文件，自动校验业务合规性。
价值升级：从单纯节省审核人力，延伸至降低坏账损失、缩短放款周期、减少监管处罚三重经营收益。
2/ 智能文档处理（合同、发票、招投标、人事档案、票据）
1、传统OCR+规则抽取阶段
仅识别印刷文字，表格、合并单元格、模糊扫描件、手写内容识别失效；只能提取预设固定字段，超出模板直接报错。
无语义推理：只能输出文本，无法对比条款冲突、计算金额逻辑、识别隐藏风险条款。
多格式兼容差：PDF、图片、Word、扫描件需分开部署解析引擎，维护多套配置。
产出单一：仅输出结构化表格，无法生成摘要、风险提示、对比报告。
2、大模型多模态文档方案
单通道统一处理：图片、扫描件、手写、多语言混合文档一体化解析，自动还原复杂表格结构。
语义推理+逻辑校验：自动识别合同违约金、担保风险、金额前后矛盾，跨文档交叉比对条款差异。
全链路生成能力：一键输出文档摘要、风险清单、对比表、归档标签，直接推送至财务/法务系统。
零模板快速落地：全新品类文档无需提前标注训练，开箱即用，交付周期从数月缩短至1–2周。
3/ 智能客服+客户全生命周期维护（金融/电商/运营商通用）
1、传统关键词/简易NLP机器人
单轮浅层匹配，多轮对话丢失上下文；无法识别复合、隐含诉求，用户必须拆分问题重复描述。
话术固定僵硬，无情绪感知，投诉、不满场景极易触发转人工；仅能回答标准化FAQ，复杂业务无法承接。
知识库维护繁重：新增业务需人工编写数百条意图、正则、话术，更新周期按月。
边界局限：仅做咨询应答，无法联动订单、账单、资产数据做个性化经营挽留。
2、大模型Agent客服体系
超长上下文记忆（128K+上下文窗口），自动继承多轮历史对话，一次性拆解多重复合需求。
情绪感知+动态拟人应答：识别客户愤怒、犹豫、流失倾向，自动安抚并推送挽留方案。
业务系统原生联动：自动查询账单、订单、资产、工单，直接办理挂失、分期、改址等轻业务，不止问答。
主动运营：咨询结束后基于客户画像推送适配产品，从成本中心转为营销转化渠道。
知识库自动化更新：上传业务文档即可自动问答，无需人工配置意图，运营工作量大幅下降。
4/ 营销内容自动生成（文案、短视频脚本、投放素材、千人千面策略）
1、传统模板化营销AI
固定模板拼接：仅替换商品名称、价格，文案同质化严重，无法适配细分人群。
无闭环投放优化：只产出素材，不能关联投放数据迭代创意，无法自动调整定向、出价。
产能天花板低：一套素材仅产出3–5个变体，测试样本不足，难以找到高转化创意。
仅覆盖文本，图文、短视频脚本生成能力弱，多语种本地化成本极高。
2、生成式大模型营销链路
原生千人千面动态文案：基于用户标签、消费层级、地域、偏好自动生成差异化话术，无模板痕迹。
全链路闭环Agent：需求简报→多版本文案/脚本→多尺寸素材→投放效果复盘→自动迭代创意，全流程无人干预。
海量变体极速产出：单次brief生成50–100组差异化素材，快速放量测试优胜创意。
多模态一体化：文本、配图、短视频分镜、直播话术、海外多语言素材统一生成。
直接驱动ROI优化：自动关停低效素材、加大高转化素材投放预算，AI深度介入投放决策。
上述4个行业案例可以看出一些跨场景共性，持续迭代后的大模型给垂直场景的应用带来了全局性变革：
1、架构逻辑反转，从“人工预定义规则”到“模型自主推理”：旧方案所有边界、意图、字段、话术必须人工提前定义；LLM依靠通用语义理解，未见过的业务、文档、咨询均可自主处理，交付周期、维护成本断崖式下降。
2、能力边界拓宽，从“结构化数据”到“全域非结构化数据”兼容：传统AI只能处理规整表格；大模型统一消化长文本、扫描件、语音、图像、多语言混合信息，打通企业80%以上无法数字化的线下资料。
3、角色定位升级，从“单点工具”到“业务数字员工/Agent”：旧AI只完成单一环节“辅助录入”；LLM可以串联多系统、多步骤自主完成完整业务闭环，具备工具调用、流程触发、结果复盘的自主决策能力。
4、价值衡量标准迭代，从“单一人力节省”到“多维经营收益”：传统落地仅考核“省多少人工工时”；大模型场景可量化坏账下降、客户留存提升、广告ROAS上涨、监管处罚减少等收入端增量，ROI计算维度更丰富、回报更高。
5、落地门槛大幅下降，从“重定制项目化”到“标准化SaaS轻量化交付”：传统项目实施周期3–6个月、百万级定制费用；大模型垂直产品开箱即用，中小企业付费门槛显著降低，行业渗透率快速抬升，更丰富的付费手段打开后续Opex运营增长。
这会带来企业付费渗透率提升、API调用/工具调用/token消耗提升、企业部署回本周期缩短、企业留存续约率提升、业务规模放大等积极影响。
所以，伴随大模型能力的升级、企业配套的完善，AI应用场景的宽度和深度都在放大。AI需求增长的可持续性并不像市场想的呢么乏力，这也是供给失衡背景下，Capex持续增长的底气。