作者｜齐马

编辑｜星奈

媒体｜AI大模型工场

如果仍把AI工作平台理解为一个更强的聊天框，就低估了这轮技术变迁。

从Chat到Work并非简单的交互界面迁移，而是执行范式的升级：AI开始从生成答案，转向接收目标、组织能力、运行流程并交付可继续编辑的结果。

在AI大模型工场2026 AI产业生态大会上，iPollo创始人兼CEO王宇的切入点是追本溯源地讨论AI如何改变工作的两个基础变量：

未来需要的不是我们会什么，而是能组织什么。

所谓“能力复制”，是把专业知识、工具使用方法和行业经验封装为模型、Agent或Skill，使其能够被检索、调用与复用；“时间并行”则是把原本依赖个人串行推进的任务，拆解给多个智能体同步执行。两者叠加后，生产力的组织方式将从单兵作业转向多智能体编排。

这也意味着，AI工作的瓶颈正在迁移：提示词只是入口，真正影响交付质量的是任务分解、能力路由、上下文管理、权限控制、结果评估与人工接管。它们共同构成AI Runtime，也是“机器组织”得以持续运行的基础设施。

围绕这一框架，iPolloWork尝试根据业务目标动态组建智能体团队，通过模拟、执行、反馈和再评估形成自进化回路，并把最终产物设计为可编辑、可验证的工作对象，而非一次性生成内容。

王宇的演讲由第一性原理推演到产品架构：先解释能力与时间为何可以被重新组织，再讨论人机协作、Agent间协同、决策模拟和结果编辑，最终把“AI为人工作”落到可运行的系统层面。

核心观点梳理

AI对工作的影响可以归纳为两个变量：能力的复制与时间的并行。

专业经验可以被封装为模型、Agent或Skill，个人的关键能力将从“掌握所有技能”转向“组织和调用不同能力”。

多个智能体可以同时执行不同任务，使工作从单线程走向并行协作。

AI产品正在从以问答为主的Chat阶段，进入以目标、任务和结果为中心的Work阶段。

下一代工作平台需要同时处理人与Agent、Agent与Agent之间的协作关系。

AI生成的结果需要可编辑、可验证，而不是只能通过反复对话修改。

自进化AI Runtime可以通过模拟、评估和多轮试验改进方案，降低真实执行前的试错成本。

开源生态是AI Work底座形成规模化能力的重要路径。

以下为王宇演讲全文：

AI工作的新变量：能力复制与时间并行

我今天分享的主题是AI工作，也就是AI能够为我们承担什么工作，以及未来的工作和生产方式会发生怎样的变化。这也是iPollo长期关注的方向。

iPollo过去主要面向海外市场和金融场景，所属公司在美股上市。2025年开始，我们重新加大了在中国内地市场的投入，希望参与这一轮AI产业变革。

围绕AI工作，行业中已经出现很多新概念和新场景。AI不仅改变办公方式，也在进入工业、金融和软件开发等领域。面对这样的大范围变化，我更愿意回到两个基础指标：能力的复制与时间的并行。

工业时代和互联网时代解决的主要是效率问题。PC互联网和移动互联网缩短了信息传递与协作的时间，但人的能力获取仍主要依赖长期学习或雇用专业人员。

过去，如果一个人需要顶尖律师、工程师或金融分析师的能力，通常只有两种方式：自己学习并成为专业人士，或者雇用具备相应能力的人。AI正在提供第三种可能，即把专业知识和经验封装为可以调用的模型、智能体或Skill。

因此，未来工作中的关键不只是“我会什么”，还包括“我能组织什么”。如果一位专业人士把多年经验沉淀为Skill，其他人就可以在合适的任务中调用这项能力。人的价值并不会因此消失，但能力的获取和组合方式会发生变化。

第二个变量是时间的并行。个人一天只有24小时，传统工作主要是单线程推进。智能体则可以同时执行多个任务，并持续运行。真正拉开效率差距的，可能不再是单个人工作了多少小时，而是能否把任务拆解后交给多个智能体并行完成，再由人进行判断和整合。

所以，无论AI工具以什么形式出现，能力复制与时间并行都会持续影响未来的工作方式。

从Chat走向Work

现阶段，大量AI产品仍以Chat为主要交互方式：用户提出问题，模型给出回答，再通过多轮对话不断修改。随着智能体能力发展，AI开始从“与人聊天”转向“为人工作”，能够围绕目标进行规划、调用工具并交付结果。

iPollo围绕这一方向持续建设。2023年，我们重点解决能力连接；2024年开始进入具体场景，例如Sparkice金融决策；2025年进一步探索多智能体协作；2026年则开始推进iPolloWork及其开发者生态。目前，相关产品的开发者访问量已经超过50万。

中国开源模型正在成为全球开发者的重要选择。开源让更多人能够参与模型与工具建设，也为中国团队进入全球市场提供了机会。在Agent时代，我们同样需要面向AI Work的开源底座。

目前，市场中既有大型科技公司推出的工作智能体，也有中立的WorkOS产品。我们的目标，是通过开源方式构建下一代AI工作平台，并与全球开发者共同完善底层能力。

ERP、SaaS和PaaS曾经构成企业软件的重要基础。随着AI进入任务执行环节，软件的交互方式、功能组织和交付形态都可能被重新设计。这也是AI Work值得长期投入的原因。

下一代工作平台要解决三个问题

如果要构建下一代AI工作平台，至少需要解决协作、结果和进化三个问题。

第一是协作层。过去的软件主要面向人，未来的软件还要同时面向AI Agent。平台不仅要处理人与Agent之间的协作，也要处理Agent与Agent之间的任务分工、信息传递和结果汇总。

第二是工作与结果层。AI能够生成程序、网站、游戏和方案，但“能够生成”并不等于“可以交付”。平台需要把任务执行过程与最终结果连接起来，让产出能够被检查、编辑和继续使用。

第三是评估与进化层。智能体完成任务后，需要判断结果是否符合目标，并通过模拟、反馈和多轮执行不断修正。只有建立这套机制，AI才可能从一次性生成走向持续工作的Runtime。

这三个层次共同构成机器组织的基础：围绕一个目标，系统可以临时组建由多个智能体组成的团队，并让人参与关键决策。

让智能体先模拟，再进入真实执行

iPolloWork的一种工作方式，是由用户先提出业务目标，系统再根据场景组建相应的智能体团队。不同Agent承担调研、设计、执行、测试和评估等角色，并围绕同一个任务协作。

例如，企业希望建设AI工厂，或把现有业务流程AI化。系统可以先生成方案，再模拟不同类型的用户参与体验，对流程和结果进行反复测试。用户可以观察任务是否能够达成、问题出现在哪个环节，再决定是否进入真实实施。

这里最重要的产出之一，是试错结果。过去，很多业务决策缺少低成本的模拟环境，方案一旦进入执行，发现错误时已经付出了成本。智能体可以在一定范围内增加模拟与验证次数，让团队在正式投入前比较不同方案。

我们所说的自进化，并不是让AI脱离目标自行发展，而是让系统围绕明确任务，通过执行、评估和反馈持续改进。人仍然需要设定目标、判断结果并承担最终决策责任。

可编辑结果决定AI能否完成最后一公里

在不少生成任务中，AI已经能够快速完成大部分初稿，但最后的细节调整仍然耗时。以网站生成为例，AI可能在十分钟内生成基本页面，真正达到可交付标准却还需要持续修改。

如果每次调整都依赖重新输入提示词，例如要求颜色更深、布局发生变化，不仅交互效率低，也会消耗更多Token。更重要的是，用户很难直接控制最终结果。

因此，iPolloWork强调结果的可编辑性。AI完成初稿后，用户可以直接拖拽和修改元素，而不是只能回到对话框重新生成。AI负责快速完成大部分基础工作，人则处理审美、判断和业务细节。

我们把它概括为“99%与1%”：AI负责扩大生产能力，人负责决定最后的结果是否真正可用。这里的1%并不一定工作量更少，往往恰恰决定产品能否交付。

用开源构建AI Work生态

中国在模型时代已经形成了较强的全球开源影响力。通过开源，中国模型得以进入全球开发者生态，并获得了与OpenAI、Claude等产品同台竞争的机会。到了Agent时代，中国同样需要自己的开源Work版本。

目前，市场上既有大厂推出的工作智能体，例如WorkBuddy和阿里的Work，也有中立企业提供的WorkOS，但仍缺少一个具有全球影响力的AI Work底座。我们希望把iPolloWork做成中国的开源AI Work产品，参与下一代工作底座的建设。

iPolloWork已有超过50万开发者访问和参与。AI Work所面对的也不只是一个工具市场。过去ERP、SaaS和PaaS中的任何一个领域，都形成了规模可观的市场；随着AI进入任务执行环节，现有软件与SaaS的产品形态也会被重新构建。这是一个新的机会，我们希望与国内外开发者共同参与。

这是iPolloWork在全球的合作伙伴。我们加入了英伟达加速计划，也参与了DeepSeek社区，并曾在相关开源项目中位居第二。

接下来，我们还希望参与更多开源项目。中国团队已经通过开源在全球AI生态中获得了市场和影响力，我们也希望延续这种分享精神，构建AI Work的底座。