钉钉发布悟空的时候，无招说了一句话：“过去是人用钉钉来工作，未来是 AI 用钉钉来工作。“悟空的定位很清楚——给每家企业一支”AI 员工军团”，OPT（One Person Team），一个人加上悟空，就能干原来一个团队的活。
不只是钉钉。Salesforce 也在押同一个方向，Agentforce 的核心叙事是”digital labor”——数字劳动力，尽管 Forrester 曾批评这个标签太生硬，Benioff 后来调整了说法。Forrester 预测 2026 年，五大 HCM 平台都会提供数字员工管理能力。
同一时期，也有另一套话术、另一种声音。
Harvey 拿到了 110 亿美元估值，超过 10 万名律师在平台上处理日常法律工作。但这家公司从来没说过自己是”AI 律师”，官网写的是”Harvey Agents execute legal work end-to-end”。Cursor 也没说过自己是”AI 程序员”，就是一个开发环境，AI 渗透在每一个编码动作里。
几个 AI 标杆产品，明显不同的定位取向。这个差异看起来只是讲故事的方式不同，但往深想一步，它可能反映了一个产品设计层面的路线选择 —— 产品用什么作为“核心抽象”，来 AI 把组织起来？
悟空和 Agentforce 选的是”人”——功能边界由”这个岗位的人会做什么”来定义。悟空首批覆盖电商、开发、设计、法律、财税、制造等十个场景，以”岗位”为单位打包 AI 能力。
Cursor 和 Harvey 选的是”目标”——功能边界由”完成这个目标要什么”来定义。Cursor 围绕编码动作设计，Harvey 围绕法律任务设计。
有点好奇这个差异会衍生出什么样的未来，于是想把两条路各自往前推演看看。
五个维度的对比
一个产品用以什么作为主要组织原则，会在认知门槛、能力上限、扩展路径和壁垒结构上产生不同的倾向。下面就在 4 个维度展开谈谈。
维度一：认知门槛。
角色优先在这里有天然优势。用户理解”AI 同事”的方式跟理解一个真人同事一样——它是干什么的、怎么给它布置活。“帮我查一下北美市场的供应商”，这句话跟你发给人类同事的消息没区别。悟空选这条路，跟钉钉超过 2000 万企业用户的基本盘有关——大量非技术背景的用户，“给你一个 AI 同事”比”给你一套新系统”好卖得多。
任务优先的产品能不能也做到低门槛？产品层可以加一层对话式交互。但它的底层是围绕”工作流”组织的，用户需要理解的是”这套系统怎么帮我完成任务”，认知负担相比于“AI 员工”天然更高。
- Cursor 的学习曲线比悟空陡得多，用户得理解 Tab 补全、内联编辑、Composer 这些交互模式才能发挥全部能力。
- Harvey 的用户有法律专业背景还好，换成中小企业主就够呛了。
维度二：能力上限。
任务优先在这里倒是有结构性优势。因为功能边界不受”一个人会怎么工作”的限制，产品可以充分利用 AI 的非人类特点。Cursor 能同时理解几百个文件之间的依赖关系，Harvey 能在几分钟内扫完几千份判例文书——这些不是”更快的程序员”或”更勤奋的律师助理”，是人做不到的事。
角色优先的产品技术上也可以做到这些。悟空的 OPT 理论上完全可以让一个”AI 电商运营”同时监控所有竞品价格、自动调整库存——这些超越人类能力的功能在”角色”框架下并不矛盾。
但限制不在技术实现，而在用户侧：当企业用”这个岗位的人会做什么”来定义功能边界、排优先级时，AI 的并行处理、跨系统关联、持续运行这些能力，不容易自然地进入路线图。 它们不是做不到，而是在”员工”的心智模型下不会是第一优先级被设计和落地。
维度三：扩展性。
角色优先的扩展速度更快。“岗位角色”是一个足够通用的抽象，不管什么行业，“一个能干活的 AI 员工”都说得通。悟空一次性覆盖十个行业，每个行业预置一套 Skill。任务优先的产品要做到同样的广度，需要为每个场景重新理解工作流、定义业务对象，成本高得多。Cursor 做了好几年还是只服务开发者。
但代价是深度。
预置 Skill 能解决标准化问题，但遇到行业特有的复杂流程时，可能不如从“事务”本身出发，深度优化的系统灵活，毕竟解决问题才是目标，找人来做只是途径。这个广度和深度之间的取舍，跟产品一开始选择用什么来组织产品也有相关性。
维度四：壁垒来源。
前面三个维度讲的是产品给用户的价值，这个维度讲的是护城河。两种思路都不靠模型建壁垒——模型可以换，壁垒在模型之外。
区别在于锁定的东西不同：
- 角色优先锁的是岗位经验——每个 AI 员工被调教过的 Skill 参数、行业话术、员工偏好、历史任务，这些 know-how 散落在日常使用中逐渐积累，换平台意味着重新训练每一个”AI 员工”；
- 任务优先锁的是领域知识——Harvey 跑过几千个案件积累的判例库和条款模板、Cursor 对项目代码库的深度索引和上下文理解，这些是在事务处理中持续生长的结构化资产，换工具意味着从零重建。
两种壁垒都有复利效应，但复利的结构不同。
- 岗位经验的复利是隐性的——AI 员工用得越久，对业务节奏和员工偏好的理解越深，但这些经验绑定在单个角色身上，不容易被提取、检索或跨岗位复用。
- 任务优先的复利是显性的——Harvey 每跑一个案件，判例引用和条款分析自动沉淀成结构化资产，下一个类似案件直接调用；Cursor 每次跨文件修改都在加深对代码库的理解。这些资产不绑定某个人或某个角色，任何任务都能取用，用得越久差距越大。
角色优先的产品要形成同样可迁移的复利，就得在”员工”隐喻背后补一套“人和事”的关联关系——把每个 AI 员工的隐性经验在“事”的维度，显性化、结构化。这恰好是角色优先产品往深处挖时最需要提升的能力。
最后，“主体”的不同，还会影响用户对 AI 出错的容忍方式。“员工”犯错容易触发对人的整体信任下降，“工具”犯错更容易被归因为技术问题而非能力问题。这不是决定性因素，但长期可能会影响产品口碑的修复成本。
往前推演几步
4 个维度可以总结成一句话：角色优先赢在入口（门槛低、覆盖广），任务优先赢在纵深（上限高、壁垒深）。放到时间尺度上往前看，可能出现什么？
角色优先要往深处挖。 模型趋同会让”AI 员工”之间越来越像，留下来的产品必须在模型之外建东西。前面提到，角色优先最大的特色是岗位经验的隐性化——经验绑在单个角色身上，其他维度不能直接提取和复用。
要突破这个前置条件，就得在”员工”隐喻背后建一套资产管理系统，把角色经验沉淀到业务资产里。能不能建起来，是角色优先从”好卖”走向”难替”的关键。
任务优先要往宽处长。 始终只服务高技能专业用户，市场天花板有限。Harvey 在强化端到端执行能力，Cursor 加了 Background Agent 让用户用自然语言描述需求就能自动执行，都是在把专业工具的门槛压下来。
当然，这两种取向不是非此即彼的选择，大多数产品都同时包含两种成分。悟空的 Skill 本质上也是围绕任务设计的，Cursor 加了 Background Agent 之后用户体验也在变得更像”跟一个人协作”。而两条路走向趋近，但背后仍然可能要有两个分歧。
对组织形态的假设不同。
- 角色优先假设现有组织结构基本不变，AI 给每个岗位配一个数字替身——天然适配现有企业，但也被现有组织形态锁定。
- 任务优先不预设组织结构，只关心”完成这个目标需要什么”——更能适应岗位边界模糊化的趋势，很可能会诞生全新的组织架构。
商业模式的默认路径不同。
- 角色优先天然倾向按 “人”收费，但这个模型有一个天然锚点，就是“人类员工”的真实成本。AI 员工的能力必然会随模型升级持续增强，客户付同样的钱获得越来越多的价值，平台却不一定可以把把增长的价值转化为增长的收入——价值是供需关系决定的，不是生产效率决定的。
- 任务优先天然适应向按结果付费——一个合同审查完成、一个 PR 合并，定价直接挂钩价值。角色优先更难走这条路，不是每个角色的产出都模糊，但”岗位”这个定位往往会让平台难以跨角色统一定义”什么算完成”。按结果付费本身不是终极答案（结果定义权和质量验证都是难题），但它是 AI 产品最有潜力的定价方向——哪种范式更容易走到这一步，长期商业天花板就更高。
最后，终局可能不再是”选哪条路”，而是”看组织会不会变”。角色优先基于组织结构基本稳定，AI 填进现有岗位；任务优先基于岗位边界会被 AI 重塑。短期看前者更稳妥；长期看，AI 能力持续增强会不断侵蚀岗位边界——一个人能调动的 AI 能力越多，“岗位”这个容器就越装不下。
但不管赌哪边，最终要建的那个”系统”应该长什么样？agent 干完活之后留下了什么？留下的东西怎么让下一次干得更好？这个循环怎么越转越快？
这些问题，光靠”角色 vs 任务”的对比回答不了。它指向一个更底层的设计范式问题：Agent 的高价值产出，怎么作为企业资产持续累积、持续增值。怎么让这个循环转起来，这也是我在“Agentic Asset Loop”中持续深挖的。