在凌晨时分，OpenAI发布了Workspace Agents，这标志着GPTs的进一步发展。
该产品被视为是针对团队工作场景设计的新形态工具，其核心功能在于将可以重复执行的工作流程转化为能够共享和运行的智能代理。
它基于Codex技术驱动，并拥有独立的工作空间，在此环境下能够访问文件、调用各种工具并持续进行后台任务处理。
通过向ChatGPT描述团队内部常见的工作流，例如信息收集、决策制定及结果生成等过程，该系统可以自动构建一个智能代理。此后，整个团队均可在ChatGPT或Slack中使用这一代理，并根据需要对其进行调整和优化。
创建完成后，这个智能代理将自动运行，无需人工干预。
这听起来与OpenClaw·团队版非常相似。
01
团队共享的agent
Workspace Agents专为工作团队设计，提供了一种全新的工作方式。
新功能在ChatGPT的侧边栏中占据一席之地，并且有独立入口供用户探索和搭建流程。
用户可以选择从零开始创建一个智能代理或基于官方模板进行修改。整个过程无需编程知识，只需用通俗语言描述所需的工作流即可。
创建好的智能代理会出现在团队目录下，其他成员可以直接调用并根据需要对其进行调整和完善。
这意味着工作流程被转化为可重复使用的工具，并且可以在使用过程中不断进行优化和改进。
此外，Workspace Agents拥有独立的工作空间，可以读取和保存文件、调用已连接的工具，包括电子邮件系统、日历应用以及文档管理系统等，并在需要时执行代码指令。
它还能持续运行，既可以手动触发也可以设定时间自动启动。一旦开始执行，它会按照预设步骤进行操作，无需人工逐一步骤干预。
执行过程受到严格的权限和控制规则的约束。
为每个智能代理设置相应的工具访问权限及数据访问范围；涉及修改内容或发送信息的操作需先经过确认。管理员可以查看使用情况，并在必要时暂停或调整运行状态。
如果从过去的产品版本来看，这种转变会更加明显。
最初的GPTs本质上是一个提示语+知识库+动作配置组合体，由单人一次性设置完成，不具备长期执行复杂任务的能力。
随后出现的ChatGPT Agent虽然也可以执行任务，但更像是临时调用工具。完成后即结束，并无持续运行机制或稳定身份标识。
直至Workspace Agents，这类产品开始具备团队共享特性、可长期运行能力以及完善的权限管理架构。
据官方说明，该产品适合用于结构化且重复执行的任务场景，依赖于多个工具并需要持续运作。对于一次性对话或临时任务则无需如此复杂的解决方案。
Workspace Agents目前已经在ChatGPT商业、企业版、教育计划和教师预览版本中上线。在企业和教育计划内，管理员可通过角色权限管理来操控这些智能代理。
02
在明确规则的前提下简化流程
OpenAI列举了五个典型应用场景，涵盖IT支持、产品管理、运营工作、销售活动及风险管理等领域。
这些案例中没有一个需要编程技能。它们的共同特点是信息分散在不同的地方，而智能代理能自动收集和整理这些信息。
第一是软件审核：当员工提交工具使用或采购请求时，该系统会根据公司现有的清单及安全规则判断是否批准，并提供后续步骤建议。
其次是产品反馈汇总：系统能够同时监控Slack、客户服务渠道以及公开论坛等平台，收集用户反馈并分类整理，再发送工单通知相关部门进行处理。
第三是周报生成：系统会在固定时间自动拉取业务数据，制作图表，并撰写总结报告供团队使用。
第四是销售线索跟进：它会搜索新客户的详细信息，在符合团队规定的情况下提供初步分析及跟进建议，随后将相关信息更新至CRM数据库中。
最后是第三方风险评估：该系统能够检查供应商的历史记录、财务状况以及负面新闻等数据，并依据公司标准生成报告供参考。
这些案例都指向了同一个问题：如果流程已确定但执行过程中需要在不同工具间来回切换，智能代理可以将这些步骤串联起来自动完成。
问题是将其决策过程完全自动化是否合适？
根据官方设计理念，此问题已被充分考虑。
在Workspace Agents中，“判断”并非无限制的自由发挥，而是基于预设规则进行操作。
比如在软件审查场景下，它会参照公司现有的清单和安全规定作出决策；而在销售线索跟进时，则依据团队事先设定的标准来进行客户筛选工作。
对于更敏感的操作行为，比如修改数据、发送外部信息或创建日程安排，默认情况下可加入额外确认步骤。流程可以自动执行但关键节点仍需人工介入。
这实际上划定了一个边界范围。
Workspace Agents更适合处理那些规则明确且判断标准已事先定义好的工作场景。
如果某项任务本身需要大量临时性判断或频繁调整，仍然需要人为干预。
03
从OpenClaw工具中学到的管理策略
以管理角度审视此工具，Workspace Agents解决的是流程组织方式问题而非单纯提高效率的问题。
在许多团队中，工作流程虽然存在但并未完全记录下来。
这些信息散布于文档、系统以及执行人员的记忆之中。
同一任务交给不同的人来做时，其顺序可能有所不同，判断标准也不尽相同。
正是因为这些原因，许多看似简单的任务难以保持一致性和稳定性。
泰勒在19世纪末提出的科学管理方法的核心思想正是要把工作从依赖个人经验转变为可拆分、记录和重复执行的步骤形式。
首先将某项事务拆解成多个具体操作，明确每一步该怎么做以及评判标准，并将其固定下来让所有人按照同样的流程去执行。
Workspace Agents所做的是沿用这套逻辑。首先需要清晰定义一段流程包含哪些步骤、使用什么数据源、经过怎样的处理过程并最终产生什么样的结果。
这些内容直接转化为可以运行的流程，并在实际操作中不再依赖个人的记忆，而是依据事先设定好的顺序推进工作进程。
它将流程从人的身上分离出来使之自动化执行。
在过去，团队中的“最熟悉的人”往往决定了任务能否顺利进行；而现在，这些经验可以被记录下来供所有人使用。
另一个关键点在于必须设定好每一项操作的边界：哪些步骤可以自动完成、哪些需要人工确认以及哪些数据源是可以访问的等规则需事先确定。
从这一角度看，Workspace Agents并未改变工作的实质内容，而是改变了流程的存在形式。
流程不再仅仅是被描述出来的文本，而是变成了可运行和可重复使用并可以不断调整优化的对象。
类似OpenClaw这类工具最初尝试的就是这种方向：让系统接管整个操作过程，并将原本需要人工完成的操作变成自动化的流程。
不同之处在于Workspace Agents将其置于团队环境中，并加入了权限管理、审批机制等层面，使工作更具可控性。
类似的创新尝试不仅限于OpenAI一家。
Microsoft也在推进自己的Copilot Agents项目，将这类功能嵌入Microsoft 365套件中，覆盖邮件、文档及协作工具等多个领域。
Google也推出了企业级的智能代理平台，重点在于如何管理和调度大量智能代理，并实现跨系统的协同工作。
对于企业而言，差异不仅仅体现在具体的功能上。真正的挑战在于使用这些系统时需要付出的成本：员工是否愿意学习新的工具、流程是否需要重建等都会影响其实际应用效果。
虽然竞争仍在继续但发展方向已经明确。