当 AI Agent 开始进入公共治理系统：未来不是“人被工具增强”，而是“组织被模型重写”

当 AI Agent 开始进入公共治理系统：未来不是“人被工具增强”，而是“组织被模型重写”

这篇文章不是在讨论“AI 会不会替代某些岗位”。

我想讨论的是一个更值得认真面对的问题：当 AI Agent 的能力继续向上突破，未来的公共治理机构、科研机构、审查体系、行政流程，会不会先于普通行业被 AI 重新组织？

过去几年，我们谈 AI，总喜欢从“个人效率工具”的角度切入。

程序员用它写代码，学生用它改论文，运营用它写文案，设计师用它出图，律师用它检索案例。于是很多人形成了一个温和的想象：AI 是副驾驶，是助手，是增强器，是一个永远坐在旁边帮人类省时间的工具。

但这个想象可能太保守了。

真正值得警惕的变化，不一定发生在一线重复劳动里，而可能先发生在高信息密度的决策、审查、科研和治理结构中。

未来的公共治理机构，也许会逐步减少对庞大文书系统、层层流转审批链条、海量人工汇总和低效会议的依赖。它可能更需要一套足够强的 AI Agent 系统，一批懂计算机、懂系统、懂提示词工程、懂模型边界的人，再配备少量该领域的专业审查员。

换句话说，未来的组织形态可能不是：

“每个专业人员都配一个 AI 助手。”

而是：

“一个 AI 系统承担绝大多数执行、推理、检索、归纳、草拟、比对、预警和流程推进工作；少数人类负责驾驶、审核、追责和最终裁决。”

这才是真正值得认真讨论的地方。

一、科研被 AI 逼近，不是从幻想开始的

如果说 2023 年的 ChatGPT 还像一个知识渊博但经常胡说八道的实习生，那么到 2025 年之后，AI 的变化已经不再只是“回答更流畅”这么简单。

它开始接近一个更危险的区域：提出思路、构造方案、生成假设、寻找证明路径。

也就是说，AI 不只是执行人类的想法，它开始参与“想法本身”的生产。

例子一：OpenAI 模型在 80 年数学问题上取得突破。

2026 年 5 月，OpenAI 的内部模型在一个由数学家 Paul Erdős 于 1946 年提出的“平面单位距离问题”上取得了重要突破。据《卫报》和 Live Science 报道，这个模型提出了新的构造思路，并由数学家进行验证和整理。严格来说，这并不等于完整解决了整个开放问题，但它已经足够说明一件事：

AI 正在从“帮人类算答案”，走向“帮人类发现问题的新结构”。

这和过去的自动化完全不是一个层级。

过去的机器替代的是肌肉。

后来的软件替代的是流程。

而 AI Agent 正在逼近的，是判断、构思、审查、推理和组织能力。

这意味着科研领域很可能不是最后被影响的堡垒，而是最先发生结构性变形的领域之一。

因为科研的本质并不只是“聪明人坐在那里灵光一闪”，它还包括大量检索、复现、建模、试错、推导、写作、审稿、数据清洗、实验设计和交叉验证。而这些环节，恰恰是 AI Agent 最适合持续吞噬的地方。

更关键的是，这已经不是纯概念演示了。

例子二：AI Scientist-v2 已经跑通“科研闭环”。

2025 年，Sakana AI 发布 The AI Scientist-v2。它不是简单让模型“帮忙润色论文”，而是让 Agent 自己提出假设、设计实验、运行代码、分析结果、画图、写成论文，再把 3 篇完全由 AI 生成的稿件提交到一个经过同行评审的 ICLR workshop。结果是：其中 1 篇论文的评分超过了人类论文的平均接收阈值。

这个例子很高级，也很值得注意。

它说明 AI 已经摸到了科研共同体真正的门槛：不是写一段像论文的文字，而是走完整个科研流程，并接受同行评审系统的筛选。

但也正因为这个例子足够正式，它反而提醒我们不要把 AI 科研神化。

反面例子：AI 科研并不是随便生成就能过关。

独立研究者对早期 The AI Scientist 的评估指出，它仍然存在非常现实的问题：文献综述会误判新颖性，实验会因为代码错误失败，论文会出现结构缺陷、引用不足，甚至产生并不可靠的数值结果。那份评估里有一个很刺耳的数据：42% 的实验因为代码错误失败。

这才是最真实的现状：

AI 已经强到可以冲击科研流程，但科研也严苛到不会让“看起来像论文”的东西轻易过关。

截至 2026 年中，AI 的创造力仍然不能被简单等同于人类的创造力。

它当然会给出新方案，甚至会提出让专家意外的构造。但更准确地说，AI 目前的“想象力”更像是一种超大规模的方法重组：把已有论文、代码、数学结构、工程套路、实验路径和跨领域知识压缩到一起，再进行高速搜索、排列、组合、迁移和变形。

这种能力非常强，强到足以超过很多普通人的日常创新。

但它和人类的创造力仍然有差别。

人类的想象力往往来自身体经验、现实处境、价值判断、长期执念、审美冲动、失败记忆和对世界的整体感受。人类不是只在知识库里组合方法，人类会因为痛苦、野心、好奇、恐惧、责任、热爱和不甘心去创造。

AI 可以在巨大的可能性空间里搜索，但它未必真正“想要”什么。

AI 可以提出一个看起来很新的结构，但它不一定知道这个结构为什么值得被人类相信、为什么值得被社会采用、为什么值得为它承担后果。

所以，AI 真正值得重视的地方，不是它已经拥有了完全等同于人类的灵魂式创造力。

它真正值得重视的地方在于：哪怕它的创造力主要来自重组、迁移和搜索，它也已经足够改变科研、审查和组织运行方式。

所以，真正的变化不是“AI 明天就能取代所有科学家”。

真正的变化是：科研正在从“人类单独完成”变成“人类组织 AI 系统完成”，从“研究者亲手做每一步”变成“研究者设计问题、监督系统、筛掉垃圾、确认结果”。

这和公共治理、行政审查、政策评估的未来非常像。

AI 不一定马上取代最终负责人，但会先接管负责人周围的大量流程性工作。

检索、初筛、对照、归纳、生成、复核、解释、归档、追踪，这些曾经需要许多人分工完成的任务，会被 Agent 系统压缩进一个连续链路里。

例子三：AI 正在进入同行评审本身。

甚至连“审稿”本身也已经开始被 AI 正式触碰。2026 年的 AAAI-26 AI Review Pilot 报告称，AAAI-26 主会的 22,977 篇完整评审论文都获得了一份明确标识的 AI 评审，而且这些评审在不到一天内生成。更有意思的是，调查结果显示，作者和程序委员会成员在一些维度上认为 AI 评审有帮助，甚至偏好它的技术准确性和研究建议。

这不是说 AI 评审已经可以替代人类评审。

恰恰相反，这说明一个更现实的未来正在成形：

AI 先进入流程，成为默认基础设施；人类再转向更高层次的位置，负责抽查、纠偏、裁决和责任承担。

科研如此，国家系统也可能如此。

二、AI 的替代路径，可能不是由下至上，而是由上至下

很多人理解自动化时，脑子里有一个经典模型：

先替代流水线工人，再替代客服，再替代基层文员，然后才慢慢影响高级白领、专家、管理者。

这是一种“由下至上”的替代想象。

但 AI Agent 时代可能恰好相反。

它可能先从高层任务开始重构组织。

为什么？

因为越靠近组织上层，越需要处理信息密度极高的问题：政策文件、历史案例、法律条文、技术报告、会议纪要、舆情数据、预算方案、风险评估、跨部门协同、长期规划。

这些任务看起来高级，但它们有一个共同特征：高度文本化、高度流程化、高度依赖信息整合。

而这正是大模型最擅长切入的区域。

甚至可以说，越是专业领域，越不一定安全。

很多人以为，专业领域门槛高、术语多、经验重，所以 AI 不容易替代。这个判断只对了一半。

专业领域确实难，但它往往不是一团完全朦胧的东西。相反，越成熟的专业系统，越会沉淀出清晰的知识结构：标准、规范、流程、术语、案例、判例、论文、审查表、评估指标、合规要求、操作手册。

这些东西对新人来说很难，因为新人要花几年时间把它们装进脑子里。

但对 AI 来说，这恰恰是一种非常适合吸收的材料。

因为它们是成体系的、可文本化的、可检索的、可比对的、可拆解成步骤的。一个专业审查流程，往往不是“凭感觉拍脑袋”，而是有输入材料、有判断依据、有风险项、有例外情况、有最终结论。一个科研流程，也不是纯粹的灵感游戏，而是有文献、有假设、有实验、有指标、有复现、有审稿。

也就是说，专业领域不是因为“高级”就天然免疫 AI。

恰恰相反，专业领域越成熟、资料越完整、流程越规范、评价标准越明确，就越容易被 AI Agent 系统化吸收。

AI 最怕的不是难。

AI 更怕的是混乱、缺失、不可表达、没有规则、没有数据、没有反馈。

而公共治理机构、科研机构、审查体系、法律系统、金融风控、医疗辅助诊断这些领域，虽然专业门槛很高，但它们恰好又积累了大量文档、标准和流程。这就给了 AI Agent 一个非常好的入口。

一个足够成熟的 AI Agent，可以在几分钟内完成过去一个科室几天甚至几周的材料汇总；可以同时阅读上千份文件并提取冲突点；可以把政策目标拆成执行路径；可以根据历史案例生成审查清单；可以自动追踪每个环节的责任、依据和风险。

这不是简单的“自动写材料”。

它更像是在组织内部安装了一个永远不下班的中枢神经：文件进来，它读；规则变化，它比对；流程卡住，它提醒；数据异常，它预警；多个部门意见冲突，它列出冲突点和可能后果；领导要看摘要，它生成；专家要查依据，它反向追溯。

过去组织的核心能力，是人海战术加流程管理。

未来组织的核心能力，可能是 Agent 编排加专家审查。

在这种情况下，组织真正需要的人类数量会急剧下降。

不是因为人类突然变笨了，而是因为组织不再需要那么多人来搬运信息、传递指令、整理材料、重复判断。

未来的公共治理机构可能会形成一种新的协作结构：

• 大量通用事务由 AI Agent 直接处理；
• 少量计算机专业人员负责系统部署、Agent 编排、权限控制、数据管线、安全审计和模型调度；
• 少量领域专家负责最终审核、异常判断、伦理裁量和责任确认；
• 绝大多数传统文书、协调、汇总、初审、复核岗位被系统吸收。

这并不是科幻。

这只是把目前已经出现的能力继续往前推几年。

当然，这里面也有巨大风险。

AI 论文已经出现过幻觉引用、伪造引用、低质量内容涌入审稿系统的问题；AI 评审也可能被提示词注入、措辞优化、表面包装所操纵。也就是说，当 AI 进入科研与审查，不仅会提高效率，也会制造新的系统漏洞。

所以未来真正重要的岗位，可能不是“会让 AI 给我写一段话”的人，而是能建立整套防线的人：引用校验、数据溯源、权限隔离、日志审计、异常报警、人工复核、责任链追踪。

效率只是表面。

治理 AI 的能力，才是未来组织的基础竞争力。

三、未来最稀缺的人，可能不是专家，而是“会驾驶 Agent 的人”

我们过去认为，专业知识越深，越安全。

医生安全，律师安全，科研人员安全，公务系统里的政策人员安全，审查员安全。

但 AI Agent 改变了这个判断。

因为在未来，知识本身可能会快速贬值，真正稀缺的是三种能力：

第一，能把真实世界的问题拆给 AI。

第二，能判断 AI 输出的东西哪里可靠、哪里危险。

第三，能在复杂系统里为 AI 设定边界、流程、权限和责任。

这类人不只是“会用 ChatGPT 的人”，而是能驾驶复杂 Agent 系统的人。

他们要懂业务，也要懂计算机；要懂专业，也要懂模型；要能写规则，也要能看日志；要能让 AI 跑起来，更要能在 AI 跑偏之前把它拉回来。

如果借用一个更直观的说法，未来组织里真正忙碌的人，可能就是那些“驾驶 OpenClaw 之类 Agent 系统的新型操作员”。

他们不是传统意义上的基层员工，也不是传统意义上的专家。他们更像是 AI 时代的系统驾驶员、流程驯化者、风险守门人。

这类人会很累。

因为他们面对的不是一个简单工具，而是一组会自主规划、自主调用工具、自主生成中间结果、自主推进任务的系统。系统越强，人类驾驶员的责任越重。

过去一个人出错，是一个人出错。

未来一个 Agent 出错，可能是一整条自动化链路同时出错。

所以，未来的人类不一定更轻松。

相反，留下来的人可能更少，但每个人背负的系统责任更大。

四、国家领域被 AI 重写后，最大的问题不是效率，而是人去哪了

假设未来真的出现这样的局面：

国家机关的大部分执行性事务被 AI Agent 承担。

科研机构的大量检索、建模、写作、推导工作被 AI 承担。

审查系统的大部分初筛、比对、规则匹配、风险提示由 AI 完成。

企业管理中的汇报、审批、排期、绩效、合规、财务分析也逐渐 Agent 化。

那么一个最沉重的问题就会浮出来：

当大多数人的工作不再被系统需要，这些人到底去哪里？

这个问题比“AI 会不会取代我”更大。

因为它不是个人职业规划问题，而是社会结构问题。

如果 AI 只是提升效率，那么人类可以继续在原来的岗位上做更多事情。

但如果 AI 开始重写组织结构，那么大量岗位不是“变得更高效”，而是“失去存在理由”。

过去，一个部门需要十个人，是因为信息要有人收集，材料要有人整理，流程要有人推进，风险要有人初审，结果要有人汇报。

未来，一个 Agent 系统可能完成其中七八个人的工作，剩下两三个人负责监督和兜底。

这时，被挤出去的人不是因为不努力，也不是因为能力差，而是因为组织的运行逻辑变了。

这才是 AI 时代真正需要提前讨论的地方。

它不是简单地淘汰懒人。

它可能淘汰大量合格的人。

五、真正的分水岭：你是在系统里，还是在系统外

未来社会可能会出现一个新的分层。

不是学历分层。

不是体力劳动和脑力劳动分层。

而是：

你是否拥有驾驶、审查、约束、改造 AI 系统的能力。

在系统内的人，可以借助 AI 放大自己。他们一个人能管理过去一个团队的任务，能同时处理跨学科信息，能快速生成方案并进行验证。

在系统外的人，会发现自己的经验、流程熟练度、材料整理能力、重复判断能力正在迅速贬值。

这并不公平，但很可能真实。

更需要注意的是，这种分层并不会等所有人准备好再发生。

技术从来不是等社会完成心理建设后才向前走。它往往先冲进现实，再逼着制度、教育、就业和伦理在后面追赶。

AI Agent 也是如此。

当一个系统真的能把任务完成得更快、更便宜、更稳定，组织就很难拒绝它。

公共治理机构、科研机构、大型企业、金融系统、司法辅助系统、医疗审查系统，都会被效率吸引。

而效率一旦进入组织核心，就不会只停留在“辅助工具”的位置。

它会重新定义岗位。

六、我们需要讨论的，不只是失业，而是新的社会契约

如果未来大量工作被 AI Agent 吸收，人类社会必须重新回答几个问题：

• 如果一个人不再通过传统岗位证明价值，他如何获得收入、尊严和社会位置？
• 如果少数人驾驶 AI 系统管理多数事务，权力如何被监督？
• 如果 AI 参与科研、审查和治理，错误责任应该由模型、驾驶员、机构还是决策者承担？
• 如果普通人的工作机会减少，教育还应该继续训练人去做那些即将被系统吸收的工作吗？
• 如果公共治理系统越来越依赖 AI，系统安全、数据主权和模型可控性应该如何保障？

这些问题没有简单答案。

但可以肯定的是，如果我们只把 AI 当成“更聪明的办公软件”，那就低估了它。

AI Agent 的终局不一定是每个人都有一个助手。

它更可能是每个组织都被重构成一个由 Agent 驱动的系统，而人类只保留关键节点上的驾驶、判断和责任承担。

这时候，人类最大的挑战不是“学会使用一个工具”。

而是重新理解自己在系统中的位置。

七、几个更现实的判断与建议

说到这里，还有几个问题不能回避。

第一，AI 真的会让大量人类岗位消失吗？

我的判断是：不会在短期内一次性让大量岗位消失，但会长期、持续、分层地重塑岗位。

更准确地说，AI 不一定直接把某个职业从社会上抹掉，而是会先拆掉这个职业内部的大量任务。比如一个岗位原来包含检索、整理、初审、汇报、沟通、归档、复核七八个环节，AI 可能先拿走其中五六个。岗位名称还在，人却不需要那么多了。

所以，未来更常见的情况可能不是“某个行业突然归零”，而是：

• 同样的工作量，组织需要的人变少；
• 同样的人数，组织要求产出变高；
• 同样的岗位名称，实际工作内容被重新定义；
• 同样的学历和经验，市场价值开始分化。

第二，AI 取代人类的时间，不只由技术决定，也由法律法规决定。

在纯技术层面，很多流程已经可以被 AI Agent 接管一部分。但在现实世界里，国家机关、医疗、司法、金融、教育、科研审查这些领域，都不是“能做”就等于“允许完全替代”。

法律法规会要求责任主体。

出了错，谁负责？

模型负责不了，服务器负责不了，提示词负责不了。最后一定要有人、机构或法人来承担责任。

所以，从时间上看，AI 对人类工作的替代大概率会分成几个阶段：

• 2026-2030 年：以辅助、提效、初筛、草拟、检索、总结为主，人类仍是主要责任主体；
• 2030-2035 年：一部分标准化、高文本化、高流程化岗位会被明显压缩，AI Agent 进入组织核心流程；
• 2035 年以后：如果法律、责任体系、数据治理和安全审计成熟，部分领域才可能出现更彻底的制度性替代。

当然，这不是预言，只是一个相对保守的判断。

真正的取代时间，不会只看模型有多聪明，还要看监管是否允许、事故责任如何划分、数据能否开放、系统是否可审计、公众是否接受。

第三，一线岗位也不会简单地被机器全部替代，因为经营者也会算账。

很多人一提 AI 和机器人，就会想象工厂、餐厅、快递、仓储、保洁、安保这些岗位会马上被机器设备取代。但现实没有那么简单。

经营者真正关心的不是“机器看起来先进”，而是总成本。

机器人的采购成本、维护成本、场地改造成本、系统集成成本、故障停机成本、保险成本、合规成本、技术人员成本，全都要算进去。如果这些成本加起来比人工还高很多，很多经营者不会因为它是 AI 就立刻买单。

尤其在一些低利润、低标准化、强依赖现场变化的行业里，人类员工反而很“便宜”、很灵活、很能临场处理问题。

所以一线劳动的替代可能不是最先发生的。

真正先被压缩的，反而可能是那些看起来体面、坐在办公室里、但工作内容高度文档化、流程化、模板化的岗位。

第四，AI 可能让劳动者的某些工作变简单，却让创业者变得更难。

对普通劳动者来说，AI 会让一部分任务更简单：写材料、做表格、查资料、生成方案、写代码、做客服、做运营，效率都会提升。

但问题是，当所有人都有 AI，单个人的效率提升就会变成组织的新标准。

过去一天写一份报告算正常，未来一天写五份可能才算正常。

过去会用 Office 是技能，未来会用 AI 可能只是基础要求。

所以，AI 让工作动作变简单，但不一定让劳动者的处境变简单。它可能把“工具红利”很快转化成“绩效压力”。

对创业者来说，AI 的影响更矛盾。

一方面，小团队可以用 AI 做过去十几个人才能做的事情，创业门槛似乎降低了。

另一方面，所有创业者都能用 AI，竞争速度会变得更快，产品同质化会更严重，获客成本可能更高，护城河更难建立。你能用 AI 快速做出一个产品，别人也可以。

这意味着未来创业者真正难的地方，可能不是“能不能做出来”，而是：

• 能不能找到真实需求；
• 能不能建立信任；
• 能不能拿到数据和场景；
• 能不能形成分发渠道；
• 能不能在一堆 AI 生成的同质化产品里活下来。

所以，AI 不是简单地让劳动者轻松，也不是简单地让创业者起飞。

它更像是把所有人的速度都提高了，然后让竞争变得更密、更快、更激烈。

我的建议是：不要只学习“怎么使用某个 AI 工具”，而要学习“怎么站到 AI 系统的上游”。

具体来说，至少有四件事值得做：

• 学会拆解问题，而不只是输入问题；
• 学会验证结果，而不只是接受结果；
• 学会设计流程，而不只是完成流程；
• 学会理解责任，而不只是追求效率。

未来真正有价值的人，不一定是最会点按钮的人，而是能把 AI 放进一个真实系统里，并且知道它什么时候该跑、什么时候该停、什么时候必须由人接管的人。

八、结语：AI 不会突然降临，它会一点点接管流程

真正深刻的变化，通常不是以爆炸的方式出现，而是以“这也挺方便”的方式渗透进来。

先是让 AI 帮你写材料。

然后让 AI 帮你审材料。

再让 AI 帮你生成流程。

接着让 AI 自动调用工具、通知人员、比对规则、给出结论。

最后你会发现，原来那个需要许多人维持运转的系统，已经变成了少数人在看仪表盘。

这不是明天早上就会发生的事情。

但它也不再是遥远的幻想。

2026 年的今天，我们已经站在这条路上了。

未来的公共治理机构，可能真的会越来越像一个巨大的智能操作系统：底层是数据，中层是 Agent，上层是少量驾驶员和审查员。

而剩下的大多数人，必须面对一个更根本的问题：

当社会不再需要那么多人“工作”，我们还如何定义人的价值？

这也许才是 AI 时代最难的题。

不是数学题。

不是编程题。

而是人类自己的题。

Reference

• The Guardian: OpenAI makes breakthrough on 80-year-old maths problem
• Live Science: OpenAI's internal AI model just solved an 80-year-old math problem
• arXiv: The AI Scientist-v2: Workshop-Level Automated Scientific Discovery via Agentic Tree Search
• arXiv: Evaluating Sakana's AI Scientist for Autonomous Research
• arXiv: AI-Assisted Peer Review at Scale: The AAAI-26 AI Review Pilot
• arXiv: Monitoring AI-Modified Content at Scale

注：文中关于 OpenAI 数学突破的描述，采用较谨慎表述：它是对 Paul Erdős 于 1946 年提出的“平面单位距离问题”的重要突破，并经过数学家验证和整理，但不表述为“完整解决整个问题”。关于 AI Scientist-v2 的描述，也采用公开论文中的谨慎表述：3 篇全自动生成稿件提交至 ICLR workshop，其中 1 篇达到超过平均接收阈值的评分；这不等于 AI 已经普遍具备稳定产出高质量科研的能力。

作者与工作占比

• 作者：Bump、Codex
• Bump：60%
• Codex：40%

工作说明

• Bump：提出原始 idea、核心判断、文章立场、关键表达方向，以及“AI Agent 可能从公共治理机构和科研体系开始自上而下重构组织”的主要观点；补充提出专业领域可被 AI 吸收、AI 创造力边界、法律法规限制、机器成本与创业压力等关键问题。
• Codex：负责文章结构重组、语言润色、CSDN 阅读节奏优化、正式案例补充、事实校准、Reference 整理，以及对现实建议、取代时间、法律责任、机器成本、劳动者与创业者处境变化等内容进行系统化扩写。
• 最终审核：本文发布前将由 Bump 进行人工审核、事实复核和最终确认。