最近 OpenAI 推出了一个新东西：Dots。
很多人可能还没听过。
简单讲，Dot 可以理解成一种“长期在线的 AI Agent”。
它不只是等你问问题再回答，而是可以持续承担一项工作：你给它一个目标，连接它需要用的应用和数据，设定哪些事情它可以自己处理，它就可以在不同对话之间持续推进任务；它还有自己的云端电脑，需要你判断的时候再回来找你。
如果再说得更通俗一点：
以前 ChatGPT 比较像一个很聪明的顾问。
你有问题，再来问它。
Dots 更像是：
“这件事以后你帮我盯着。”
这就有点不一样了。
以前是一问一答。
以后可能是直接分工。
以后可能不是一个人用一个 AI，而是一个人带一群 AI
比如以后一个销售负责人，可能有：
一个 Dot 帮他跟重点客户。
一个 Dot 帮他整理会议纪要。
一个 Dot 帮他看 CRM。
一个 Dot 帮他研究客户公司。
一个 Dot 帮他准备周报。
最后这个销售负责人自己负责什么？
很可能负责：
看这几个 AI 有没有乱来。
玩笑归玩笑，这背后的变化其实很大。
因为 AI 正在从“工具”变成“角色”。
OpenAI 甚至已经开始预览所谓 specialist dots，也就是让不同的 Dot 在组织里承担特定职责。
这意味着企业以后问的问题可能不再只是：
“我们哪些员工可以用 AI？”
而是：
“我们公司有哪些工作，可以直接交给 AI 负责？”
但问题来了：大家都有 Agent 以后，差别在哪里？
我觉得这才是真正重要的地方。
如果以后每家公司都有：
招聘 Agent
销售 Agent
客服 Agent
学习 Agent
数据 Agent
管理者教练 Agent
那 Agent 本身很快就不稀奇了。
就像今天没有哪家公司会出来宣传：
“我们公司很先进，因为我们有企业微信。”
工具一旦普及，就会变成基础设施。
真正的差异会变成：
你的 Agent 到底会不会做事。
而“会不会做事”这件事，靠的往往不是模型本身。
企业真正缺的第一个东西：经验
现在很多企业谈 AI，第一反应都是：
“我们有很多数据。”
这个当然重要。
但数据和经验，是两回事。
比如一家企业有十年的客服记录。
这是数据。
但一个做了十年的客服主管知道：
什么样的客户是真的要流失。
什么样的客户只是想发泄。
什么时候要马上升级处理。
什么时候最好的处理方式是：
先别说话，让他骂完。
这些东西，通常不在数据库里。
这些才叫经验。
HR 也是一样。
企业可以有十万份简历。
但一个资深招聘负责人，听候选人说一句：
“我希望寻找更大的发展平台。”
脑子里可能已经开始判断：
是真的想成长？
跟主管合不来？
薪资没有空间？
公司快不行了？
还是标准面试答案？
这些判断很多都来自长期经验。
所以未来企业真正重要的资产，可能不只是：
Data Asset
而是：
Experience Asset。
也就是：
怎么把“老司机才知道”的东西，变成 AI 也能使用的东西。
第二个真正缺的：情境
大模型很会讲道理。
但企业真正难的事情，经常不是不知道道理。
而是：
现在这种情况，到底该怎么办？
比如主管做绩效改进面谈。
网上可以找到很多标准答案：
“给予清晰、具体、建设性的反馈。”
听起来很好。
那如果员工突然说：
“这个 KPI 本来就不合理。”
怎么办？
如果他开始怪别的部门呢？
如果他突然沉默呢？
如果他说：
“那我不干了。”
你还继续念 SOP 吗？
这时候就会发现：
知道知识，和会处理事情，中间差得很远。
所以真正能够工作的 Agent，需要的不只是 Knowledge。
还要有：
Scenario。
谁在这个场景里？
目标是什么？
现在发生了什么？
对方可能怎么反应？
什么情况应该追问？
什么情况应该暂停？
什么情况需要升级给人处理？
这些，才是真正的企业工作。
第三个真正缺的：标准
这也是很多 AI 项目最后会遇到的尴尬。
Agent 做完了。
大家围着看了一圈。
然后有人问：
“所以，它做得好不好？”
现场突然安静。
因为大家这时候才发现：
根本没人定义什么叫做好。
就像招了一个员工，三个月以后才发现没设 KPI。
所以 Agent 越普及，企业反而越需要明确的 Rubric。
比如一个招聘 Agent。
它不是把五个问题问完就算完成。
真正应该看的是：
有没有追问到关键证据？
有没有发现候选人前后矛盾？
有没有把事实和推测分开？
判断能力的时候，有没有依据？
所以未来 AI 越能做事，企业越需要：
定义什么叫“做对”。
第四个真正缺的：证据
AI 说：
“这个候选人的沟通能力偏弱。”
企业一定会问一句：
“为什么？”
如果它回答：
“根据整体语义综合判断。”
那就有点接近：
“根据面相综合判断。”
企业真正能用的 AI，必须越来越能够回答：
哪句话？
哪一段互动？
哪个行为？
什么证据支持这个判断？
什么只是模型的推测？
所以未来的 AI 系统，不能只给：
结论。
而应该给：
结论 + 证据 + 判断依据 + 下一步。
这也是为什么 Evidence Chain 会越来越重要。
第五个真正缺的：它要知道“下一步会发生什么”
这也是我最近一直在关注 World Model 的原因。
现在很多 Agent 的基本逻辑还是：
看见问题 → 思考 → 做动作。
但真正有经验的人，往往会多想一步：
“我这样做之后，对方接下来会怎么样？”
比如主管直接说：
“你这三个月表现真的不行。”
员工接下来可能不是改善。
而是防御。
如果主管换成：
“我们先一起确认一下这三个月实际发生了什么。”
对话可能进入完全不同的状态。
这就不只是知识。
而是在理解：
Action → State Change → Next Action
也就是：
一个动作，会怎样改变后面的互动状态。
这其实就是 World Model 很重要的一部分。
从国内企业的角度看，这个变化会更有意思
国内这几年已经有大量企业在做：
数字员工
智能客服
销售 Agent
招聘助手
知识库
智能办公
流程自动化
所以“有没有 AI”很快不会是差异。
企业真正会开始比较的是：
你的 AI 能不能真正进入业务。
这时候只接一个大模型 API，价值会越来越有限。
因为模型大家都能接。
无论是国内模型还是国外模型，调用模型这件事情本身会越来越标准化。
真正难复制的是：
你对行业有多懂。
你有没有真实业务场景。
你有没有积累一线人员的经验。
你有没有自己的评价体系。
你能不能把这些经验结构化。
这部分，才可能形成长期壁垒。
SaaS 也可能会被重新定义
过去软件的逻辑是：
人 → 页面 → 系统
打开系统。
点菜单。
填表。
提交。
切到另外一个系统。
再填一次。
大家已经被训练到觉得这件事很正常。
但 Agent 真正普及以后，很可能变成：
人 → Agent → 系统
你只需要说：
“把这周最需要跟进的十个客户整理出来，告诉我为什么。”
Agent 自己去 CRM、邮件、会议记录和销售数据里找。
这时候很多 SaaS 可能会发现一个很尴尬的问题：
以前花很多钱设计的按钮，
以后没人按了。
有点像一家餐厅花十年优化菜单。
结果客人进门只说一句：
“老板，你看着上。”
所以企业真正要积累什么？
我觉得未来企业的 AI 资产，会越来越像下面这些东西：
场景。
角色。
知识。
行为。
标准。
证据。
决策规则。
权限。
版本。
这些东西组合起来，就是一套企业自己的：
Experience Model。
它可以用来训练新人。
可以用来评估员工。
也可以用来教 Agent 怎么做事。
这可能比单纯再做一个聊天机器人有价值很多。
Agent 不缺，缺的是可以交给 Agent 的东西
这可能是我觉得 Dots 最值得关注的地方。
它不一定代表 OpenAI 已经把所有企业 Agent 的问题都解决了。
但它释放了一个很清楚的信号：
Agent 正在从“你问我答”，走向“持续承担责任”。
而且 Dots 已经可以使用连接的应用和权限，企业也可以进一步控制 Dot 能访问什么、能做什么。
当这个趋势继续发展，
未来做一个 Agent 可能会越来越简单。
模型会越来越强。
工具会越来越成熟。
真正难的反而变成：
你到底要让它做什么？
什么时候做？
怎么判断做得对？
出了问题谁接手？
它需要学习谁的经验？
当每个人都有一个 Dot
所以我看 Dots，最有意思的不是：
“OpenAI 又出了一个新功能。”
而是它背后的方向。
未来大家都会有 Agent。
每家公司也都会有自己的 Agent。
真正拉开差距的，不会只是：
谁用了哪个大模型。
而是：
谁拥有更多真正可用的经验。
谁能够把这些经验变成场景。
变成规则。
变成评价标准。
变成 AI 可以理解和执行的东西。
所以，当每个人都有一个 Dot，
企业真正缺的，
可能还是那个最传统的东西：
经验。
只是以前经验放在师傅脑子里。
以后真正有竞争力的企业，要想办法把它变成：
AI 也学得会的经验。