前情提要：为什么从 Dynamic Work 说起
dynamic-work 是 AI 大规模落地之前，MIT 斯隆管理学院提出的组织管理理论：核心主张是用「可视化工作流 + 实时问题发现 + 持续优化」取代静态僵化的岗位/流程设计，让组织在规模扩张后仍保持敏捷。
这套理论本身不依赖 AI，讲的是人和组织如何动态协作。但它提出的原则——工作流全链路透明、结构化问题解决嵌入日常、跨部门资源实时调配——恰好构成了 AI Agent 大规模进入工作场景后必须解决的前置问题：当”资源”不再只是人，而是人 + Agent 混合团队时，Dynamic Work 的这套调度逻辑该如何扩展？
Agentic Work 正是在这个背景下出现的下一代概念：不是替代 Dynamic Work，而是把”动态工作设计”的对象从纯人类团队，扩展到人机混合、甚至以 AI Agent 为主体的工作单元。
一、核心定义
Agentic Work（智能体工作 / 智能体驱动的工作范式）指：AI Agent 作为具备自主决策、任务执行、协作能力的”数字劳动力”，与人类共同构成新的工作组织单元，重新定义任务分配、流程设计、绩效衡量和组织结构的整体范式。
区别于早期”AI 辅助工作”（人用 AI 工具提效），Agentic Work 的关键转变是：Agent 不再只是工具，而是可以独立承担端到端任务、做出判断、协调其他 Agent 或人类的执行主体。McKinsey 称这是”继工业革命、数字革命之后最大的组织范式转变”。
二、三个容易混淆的相邻概念
Agentic Work 常被和另外几个术语混用，实际范畴不同：
| 概念 | 范畴 | 核心问题 |
|---|---|---|
| Agentic Workflow（智能体工作流） | 单个业务流程内，一个或多个 Agent 如何做决策、调用工具、多步推理 | ”这一个流程怎么让 Agent 自主执行？“ |
| Agent Workforce（智能体劳动力/团队） | 多个专业化 Agent 组成”团队”，像人类团队一样分工协作 | ”如何组建一支由 Agent 构成的执行团队？“ |
| Agentic Work（智能体工作范式） | 组织层面，人类 + Agent 混合工作单元的整体设计：角色划分、流程重构、管理机制 | ”整个组织的工作该怎么围绕 Agent 重新设计？” |
Agentic Workflow 是技术实现层（偏工程），Agent Workforce 是团队组织层（偏运营），Agentic Work 是最上层的整体范式（偏管理/组织设计）——三者是从下往上的包含关系，而非互斥选项。
三、与 Dynamic Work 的对比
| 维度 | Dynamic Work（动态工作） | Agentic Work（智能体工作） |
|---|---|---|
| 提出背景 | AI 大规模落地前，MIT 斯隆管理学院组织管理理论 | AI Agent 具备自主执行能力后，McKinsey/PwC/Deloitte 等咨询机构总结的新范式 |
| 工作主体 | 人类员工为主，技术是支撑工具 | 人类 + AI Agent 混合，Agent 可作为独立执行主体 |
| 核心矛盆 | 静态岗位设计 vs 业务快速变化 | 固定人力流程 vs Agent 可规模化承接的工作 |
| 解决手段 | 可视化工作流、结构化问题解决、跨部门协作文化 | 任务重新拆解给 Agent、人机协作边界重划、Agent 治理与监督机制 |
| 组织结构影响 | 打破部门烟囱，岗位角色标准化整合（如 WPP 案例） | 出现”Agent 团队”这一新组织单元，需要新的管理层（如 Agent Ops/治理角色） |
| 典型落地 | WPP 岗位整合、美光动态任务映射 | Eightfold “10-80-10”人机分工框架、PwC Agentic Workforce Redesign |
关系判断：Agentic Work 可以看作 Dynamic Work 理念在 AI Agent 时代的延伸和具体化——Dynamic Work 解决的是”人如何动态协作”，Agentic Work 补充的是”当协作者里出现了非人类的 Agent，整套动态协作机制要怎么改”。两者不是替代关系，企业实践中往往是先有 Dynamic Work 的组织敏捷基础，再叠加 Agentic Work 的人机协同设计。
四、核心命题与实践框架
1. 人机分工：谁做什么
被引用较多的是 Eightfold 提出的 10-80-10 框架：约 10% 的高判断力/高风险工作保留给人类决策，80% 的执行性、重复性工作交给 Agent 承接，剩余 10% 由人类做审核和例外处理。这与传统”人做决策、机器做执行”的简单分工不同，Agent 承接的 80% 里也包含相当比例的多步推理和条件判断。
2. 组织重构：从岗位到角色-任务映射
PwC、Deloitte 的观察一致指向：Agentic Work 不是给现有岗位”加一个 AI 助手”，而是要把岗位拆解为更细粒度的任务/技能单元，再判断哪些单元适合 Agent 承接、哪些必须由人完成、哪些需要人机协同完成。这与 Dynamic Work 中”打破固定岗位、动态映射任务-技能-能力”的思路一脉相承，只是映射的对象从”人才市场”扩展到了”人才 + Agent 池”。
3. 治理与监督：新的管理层责任
ValidMind 等机构指出，Agent 作为”数字员工”引入了新的治理缺口——现有的安全、权限、数据管控体系是为人类员工设计的，未必适配自主决策的 Agent。这催生了 Agent Ops / AI 治理 这类新角色，负责监督 Agent 的行为边界、审计决策链路、处理异常升级。
4. 规模化路径：从单点自动化到智能体组织
Gartner 预测到 2028 年 15% 的日常工作决策将由 Agentic AI 自主完成（2024 年为 0）。多数企业的落地路径是渐进的：先在单一流程试点 Agentic Workflow → 组建多 Agent 团队处理跨流程任务（Agent Workforce）→ 最终在组织层面重新设计人机协作范式（Agentic Work）。
五、开放问题
- 绩效衡量：Agent 的产出如何计入组织 KPI？出错时的责任如何在人和 Agent 之间划分？
- 技能演化：人类员工需要培养的核心能力是否会从”执行技能”转向”Agent 编排/审核技能”？
- 组织边界：当 Agent 可以跨部门调用数据和工具时，传统的部门烟囱式权限模型是否还适用？
- 信任建立：多大程度的自主权可以放给 Agent，取决于任务风险和可验证性，目前没有统一标准。
相关概念
- dynamic-work — AI 前时代的动态工作设计理论，Agentic Work 的组织敏捷性基础
- agent-harness-anatomy — Agent Harness 六大组件解剖，Agentic Workflow 的技术底座
- a2a-protocol — Agent 间任务委托协议，支撑 Agent Workforce 跨 Agent 协作
- chatgpt-work — OpenAI 2026-07 推出的产品级实现，Agent 从”工具”变成”执行主体”的具体案例
- landscape — Claude Code/Codex/Cursor/Xcode 四家 Agent Workflow 方案横向对比，均是 Agentic Workflow 层的具体落地