去年这个时候，我们曾有个判断是：相较于销售、客服等领域，AI在编程领域的应用落地速度更快，且代码生成提

去年这个时候，我们曾有个判断是：相较于销售、客服等领域，AI在编程领域的应用落地速度更快，且代码生成提效赋能开发者的场景已经被实践快速验证。如今，这种情况正因Agent的能力进化而有所改变：伴随AI编程工具从Copilot辅助升级到Agent自主模式，AI开始进入到企业工作流和办公场景，成为企业组织内部的"数字员工"。

与Agent功能扩张形成鲜明对比的，是企业用户在部署Agent存在的困惑：想要变成为企业确定性结果交付的执行者，不仅是技术挑战，更是组织惯性、隐性知识和成本回报的综合考量。

当写代码的Agent，抢了办公的活儿

就在上周，以Cursor、Anthropic、OpenAI为代表，先后对其AI产品进行了产品和功能迭代。这一做法，其实已经指向共同趋势：AI编程工具不再是开发者专用的编程IDE，它还是非开发人员在日常工作场景的工具。

Cursor正在由内部员工测试一款新产品，内部代号为"Sand"。这款产品的研发，与Cursor在2026年4月从SpaceX AI部门租用计算资源的动作密切相关。一位接近Cursor的人士透露，CEO Michael Truell在5月的全员大会上已明确表示，下一个增长机会在于"非开发人员的商业用户，且客户确实需要这类产品"。这是Cursor自2022年成立以来最重要的战略转向。

与此同时，Anthropic对其面向非技术人群的通用任务执行型Agent——Claude Cowork进行了重大版本更新，其核心变化在于，它从桌面端正式转为跨设备、全天候的运行模式。事实上，早在今年1月，Claude Cowork就以桌面版本推出引起业内关注。基于桌面端的Agent，意味着用户可以在本地执行任务和文件处理，AI可以更主动为用户提供服务，包括处理Excel数据、社媒信息获取等。

除了Anthropic之外，OpenAI也采取类似策略推出了一款名为ChatGPT Work的Agent产品，专为自主拆解多步骤复杂任务、跨应用收集上下文、长期运行并直接交付文档/表格/PPT/Web成品而设计。并且，OpenAI还计划将ChatGPT Work与Codex入口进一步进行合并。事实上，Codex最初被定义为AI编程工具，现在越来越多的非IT人士将其用于报告、电子表格、PPT、研究和数据分析。据上月最新披露数据，Codex周活用户已经超过500万。

这种能力的溢出，是编程模型的必然外延。"氛围编程"的提出者Andrej Karpathy曾揭示，当AI能通过对话理解并生成代码时，它本质上已经掌握了将模糊意图转化为结构化产出的能力。那么，将这种能力从结构严密的编程语言，迁移到同样遵循逻辑结构但更依赖模板的PPT制作、报表生成，在技术路径上同样存在可迁移甚至降维的空间。

同样在中国市场，从之前的Coding产品，到现在拓展到桌面端、聚焦工作场景，也出现了一批同类产品：阿里Qoder团队推出了Agent QoderWork、腾讯云CodeBuddy团队推出WorkBuddy、腾讯应用宝的Marvis、Kimi有Agent Kimi Work、字节有TRAE Work，此外还有智谱AutoClaw、阶跃的AI桌面伙伴、豆包专业版等等。

一位来自金融行业的技术总监梁文指出："随着AI的发展，其他场景的使用量会逐步超过编码场景，只是现在还没有发展到这个阶段。因为目前使用AI的人大多还是程序员，可能最快到明年，就会有很多生产业务领域的AI使用量超过编码场景。"

成为"数字员工"，要先跑通流程

理解Agent还要先看Harness。Harness本质是Agent的运行时框架，即连接基础模型与真实环境的执行层，它决定了Agent能否感知环境、调用工具、执行命令并验证结果。

Claude Code的Harness设计原则是深度自主。Anthropic联合创始人Jared Kaplan曾在内部力排众议，坚持用真实世界脏代码而非竞赛题训练模型。其结果是，Claude Code的Harness擅长在遗留系统的"泥沼"中自主进行跨文件重构，其API调用量一年增长17倍。全球GitHub公开提交中约4%由Claude Code参与完成，Anthropic预计到2026年底这一比例将超过20%。

Cursor则强调驾驶舱模式，其Harness体系更像是一个精心设计的辅助驾驶系统，深度集成在IDE内，强调用户对每一步的感知和控制。

我们注意到，被誉为中国版Codex的WorkBuddy，可能在构建一个更庞大、更复杂的Harness生态。它采用了SkillHub平台，通过封装超7万个技能的标准化接口，内置11款主流大模型从而实现智能调度。腾讯在依靠企业微信等腾讯系生态产品，以放大Agent的能力触达。但其挑战在于，由于企业办公场景的流程如报销、审批，远比编写代码环境更为模糊，且更依赖隐性知识。

效率不是终点，还要与真人比价值

我们此前报道过一个数据：在海外，企业集成Github Copilot后，编码时间虽减少50%，但Bug却增加了41%。这其实早已说明：在AI时代，一些老的效率标尺如代码行数、编码耗时已经很难衡量Agent价值。

Gartner在今年5月报告中指出，尽管90%的工程领导者报告AI编程Agent带来效率提升，但平均净提升仅为19.3%，远低于产品宣传的"倍数级"效果。

当Agent全面进入企业流程，一个过去被忽视的问题正在被快速放大：Token消耗呈指数级增长，其成本可能很快超过被替代的人力成本。国内某软件企业目前每个月Token的消耗量已经到了几百亿。

今年6月，GitHub Copilot正式告别包月模式，改为按Token计费。有开发者测算，重度使用下月费可能从约50美元飙升至近3000美元。Gartner预测，到2028年，AI编程成本将超过普通开发者的平均薪资。

成本结构正倒逼企业重新审视Agent的部署策略。当Agent像一个合格员工一样Work时，你可能也不再关心Agent有多聪明，而是它的成本究竟值不值。