过去两年，打工人面对AI的典型姿势，是打开聊天框，让它写邮件、整理材料或生成一段代码。OpenAI在8月19日公布Codex平台化路线后，真正值得警惕的变化出现了：企业不必再把员工赶进一个通用AI工具，而可以把Codex背后的Agent Harness直接嵌进客服台、运营看板、安全调查和内部业务系统。AI不再只是给建议，而是开始在岗位原有界面里接任务、查记录、调用工具、等待审批并把结果写回。

开放的不是模型，而是让模型持续干活的执行层

把大模型接进应用并不难，难的是让它可靠地做完一项长任务。一个生产级Agent需要理解目标、保持上下文、读取业务资料、选择工具、展示进度、处理失败、在关键动作前请求批准，并在多轮交互后继续工作。模型负责推理，Harness则像一套运行制度，把这些步骤组织成可观察、可约束的执行循环。

Codex Harness正是OpenAI在Codex App、命令行和IDE扩展背后使用的这一层。它负责会话状态、流式事件、工具调用、沙箱与审批策略，也能通过app-server协议让外部应用创建任务线程、开始或中断执行、接收事件并处理批准请求。企业可以选择用codex exec运行脚本或CI任务，用SDK启动和恢复程序化工作流，或者用app-server把Agent直接变成产品的一部分。

这次开放的重要性，在于企业不必从零发明智能体运行时。OpenAI披露，在ARC-AGI-3测试中，仅通过保留推理状态与压缩上下文，GPT-5.6 Sol得分就由13.3%升至38.3%，同时输出token减少到原来的六分之一。这是特定基准结果，不能等同于企业任务成功率，却足以说明：同一个模型放进不同Harness，最终可用性可能完全不同。

真正的变化，是员工不再需要主动“去用AI”

聊天助手的推广一直受制于一个隐形门槛：员工要知道什么时候打开AI、怎样组织提示词、该给哪些资料，还要把答案复制回业务系统。Agent Harness平台化之后，触发点可以变成工单状态、异常告警、待审核记录或一个业务按钮。上下文由应用自动提供，工具与权限提前配置，结果直接回到系统记录，AI使用因此从个人技巧变成流程设计。

OpenAI展示的Relay样例很有代表性。物流人员选中异常货运记录并点击比较恢复方案，应用提供订单上下文，Agent调用MCP工具读取最新数据，给出选项；涉及改订货运时必须由人批准，写入后业务看板随之刷新。Relay使用的是虚构数据，不能证明真实物流收益，但它展示了企业Agent的关键形态：用户面对的仍是熟悉的业务软件，AI在背后完成调查、比较和执行。

这也解释了为什么官方配图同时出现Support、Engineering、Operations和Security。客服工程师可以让Agent调取账户历史、产品日志与内部文档后生成回复；安全分析师可以从告警队列开始调查，在创建修复工单前保留审批；产品团队甚至可以把卡片移动到“就绪”作为实现任务的起点。AI不再争夺一个新的入口，而是潜入岗位原有入口。

打工人的压力，不是岗位瞬间消失，而是任务被重新定价

最容易被Harness吸收的工作通常有四个特征：入口明确，所需信息能从系统读取，动作可以通过工具执行，结果能够被检查。工单分流、日志排查、账户研究、材料初审、测试修复、异常处理和报告更新都符合这一逻辑。它们未必占满一个岗位，却常常占掉员工大量时间，也是企业最容易计算成本和回报的部分。

当这些任务被嵌入式Agent接走，组织未必立即裁撤整个职位，更可能先提高产能基准：同样人数要处理更多客户、更多告警和更多项目；初级员工过去依靠重复任务积累经验的路径会变窄；中层协调者如果主要价值是跨系统搬运信息，也会被迫转向判断、授权和异常处理。所谓“真正压力”，不是AI今天拿走工牌，而是企业明天重新定义一个人应该完成多少工作。

已有案例给出早期信号。OpenAI列举的税务工作流试点处理了7000份申报表，并在吸收执业人员反馈后将准备时间缩短约三分之一。这个数字来自特定试点，不能直接外推到所有税务岗位，但它表明一旦Agent拥有业务上下文、工具和人工反馈，效率改进的单位就会从“生成一段文字”升级为“完成一段流程”。

对企业和FDE而言，门槛降低了，交付责任反而更重

开放Harness会压低企业搭建Agent底座的成本，却不会自动解决企业AI实施。真实项目仍需回答：什么任务值得自动化，数据能否被可信读取，工具权限如何最小化，哪些动作必须审批，失败后怎样回滚，效果用什么指标衡量。开放代码只是提供发动机，业务规则、系统连接、评测和组织采用仍要由企业自己完成。

这使FDE的角色更加关键。过去FDE可能花大量时间拼接会话状态、工具调用和运行框架；现在可以把精力前移到流程发现，把员工的隐性经验转成上下文、权限和验收标准，再把一次性交付沉淀为可复用模板。真正稀缺的能力不再只是会调用模型，而是能判断哪一步交给Agent、哪一步必须留给人，并让整个链路可审计、可中断、可恢复。

企业也要防止“能执行”被误读为“可以放权”。自动化动作越接近系统记录、客户账户和生产环境，错误代价越高。上线前至少应建立最小权限、分级审批、全程日志、结果抽检、成本上限和回滚机制；同时跟踪任务完成率、人工介入率、错误写入、处理时延与单次任务成本。没有这些护栏，Harness只会让错误执行得更快。

编辑判断：这是一场工作流竞争，不是一次开源庆典

仍需看清边界：开放的是Harness和集成接口，模型访问与托管服务依然独立；Relay是演示应用，现实企业的数据质量、权限体系和例外情况远复杂得多。大量工作还包含模糊责任、线下沟通和无法结构化的判断，短期内不会因为一个开源项目自动消失。

但OpenAI释放的方向已经十分明确：AI竞争正在从谁拥有更强聊天框，转向谁能嵌入更多真实工作流。对企业，这是把模型能力变成生产力的新基础设施；对软件厂商，这是在原有产品里重做任务入口和审批链路的机会；对打工人，则意味着最稳妥的防线不是拒绝AI，而是掌握业务规则、例外判断与结果责任。未来更难被替代的，不一定是最会亲手执行每一步的人，而是最清楚哪些步骤可以交给Agent、怎样验证它做对了、出错时如何把流程拉回来的人。