先解释一个词。Retainer 是广告行业的一种长期服务模式：品牌按月或按年支付固定费用，把官号运营、内容生产这类持续性工作长期委托给代理公司，区别于按项目一次性结算的 campaign。一个典型的 Retainer 项目，要求代理公司长期负责品牌的小红书、微博、微信公众号：内容规划、文案和设计、发布、互动、数据复盘。

想象这样一个 Retainer 项目组。同样是「用了 AI」的团队，早晨可以是下面四种样子。

第一层的早晨：员工每天手工点点点

公司没有任何系统，AI 是每个人自己开的一个聊天窗口。文案用 AI 写初稿，设计用 AI 出图，PM 用 AI 总结会议，但所有任务仍然由人主动想起、创建和推动。

第二层的早晨：PM 判断今天要生产什么，再来系统操作

公司上了工作流系统：品牌知识库、内容日历、生成工具一应俱全。但——

第三层的早晨：Agent 已经判断并完成，请 PM 审核

PM 早上看到的不是一个等待操作的软件，而是一条已经推进完的汇报：

人类不需要提前知道今天应该生产几篇内容。这背后是一条由 Agent 自主运转的任务循环（完整 11 步见下文 1.2）。

第四层的早晨：Agent 不仅稳定运转，还产出爆款

第四层的早晨则更进一步：PM 起床拿起手机，发现 Agent 做的内容爆了。

爆款本身不是重点。重点是这条内容不在任何约定排期里：机会是系统自己发现的，验证是它自己完成的，成功还被它沉淀成了可复用的模式——把爆款从偶然事件变成可管理能力（能力构成见下文 1.6）。

全文的核心分界线

这四个早晨的差别，就是全文的核心分界线：

需要先说清楚一件事：AI-Native 企业不是把原有组织自动化到什么程度的一个评级表，而是重新设计「人、Agent、信息与决策」之间的关系。企业的 AI-Native 水平，不能用「接入了多少模型、上线了多少 Agent、员工使用了多少 AI 工具」来衡量。真正决定层次的是六件事——Context 范围、结果闭环、注意力所有权、持续学习、行动权限、流程与价值重定义（逐项解析见第三部分 · 六个核心维度）。

本文据此把企业 AI-Native 水平分为四级，科技产品对应地也分为四级：

下文先讲 Retainer 这个具体案例，再推广到一般科技产品的价值层次，最后抽象出企业侧的完整框架。

第一部分 · Retainer Agent 专项分析

1.1 Retainer 业务的基本问题

典型 Retainer 项目往往配置 1 名 PM、0.5 名文案、1—2 名设计，以及若干策略和管理人员的共享工时。

其痛点不只是素材生产慢，还包括：

换句话说：Retainer 的成本不只是写文案和做图片，更是 PM 持续记住、安排、协调、催促和关闭开放事项的认知负担。

1.2 Retainer 的四个产品层次

第一层：内容生成工具

PM、设计、文案零散使用 AI 工具：写标题、生成文案、生成图片、摘要热点、生成报告提纲。人类负责：想起任务、提供 Context、组织流程、修改输出、管理版本、承担结果。交付的是：单个内容资产。

第二层：Retainer Copilot / 工作流 SaaS

PM 主动输入品牌、月份和产品重点，选择选题，Agent 生成几组文案和设计方向，PM 再进行选择、拼接、修改和审核。系统覆盖了热点、选题、文案、配图、发布和复盘等环节——产品能力包括品牌知识库、月度 Roadmap、选题和内容日历、文案生成、视觉 Brief、审核和版本管理、数据汇总、报告生成——但 PM 仍然是整个项目的发动机。

典型工作方式即开篇「第二层的早晨」的七步。

第三层：Retainer 数字员工

第三层真正的变化不是增加更多生成模块，而是：

Agent 主动、持续承担官号运营责任，长期负责例如：

它每天或在事件发生时自动检查内容库存、发布排期、客户反馈、审批状态、热点和数据表现，判断今天应该生产几篇文案、几组图片，并自主完成生产、质检和流程推进。一轮完整工作是一条闭环（虚线表示完成后回到第 1 步、等待下一次唤醒）：

这就是注意力的彻底转移：

第三层交付的是：一个被稳定、低人力介入地运营着的官号矩阵。（第四层是什么样子，见 1.6。）

1.3 第三层是否只是第二层加定时唤醒

从工程结构上看，第三层确实可以建立在第二层之上。可以概括为：

如果系统只是「每天九点固定生成三篇文案」，它仍然只是定时自动化。数字员工应该是：

所以，定时器只负责叫醒 Agent。真正的数字员工能力在于：

1.4 Retainer 是否需要持续不断工作

不需要。正确的概念不是「持续执行」，而是：

Retainer Agent 可以在以下情况下醒来：

醒来后，Agent 可以得出三种结论：① 需要立即工作；② 需要等待某项条件；③ 当前没有值得做的事情。

成熟数字员工必须拥有「现在不应该继续工作」的判断能力。它不应为了显得主动而不断制造内容和任务。

1.5 Retainer Agent 的持续学习

先看几个具体的学习内容，再看它们分属哪一层。比如系统应该记住：客户不喜欢夸张 Emoji；「高级」意味着更克制，而不是更复杂；某种产品露出比例总被打回；客户希望一次看两套完整方向——这是客户偏好学习。把这类经验分层，第三层 Retainer 数字员工至少需要四层学习：

第三层至少应完成前三层；第四层必须做到第四层。

1.6 第四层：Retainer 价值发现引擎

品牌最初的要求可能只是：保持 Social Presence、按时发内容、配合 Campaign、不出现公关问题、每月提交报告。

Agent 不仅帮助品牌维持 Social Presence，而且持续发现并实现官号矩阵更高的价值。它主动发现具有爆发潜力的内容方向、用户情绪和品牌叙事，把一次高表现内容发展成系列栏目、内容 IP 和稳定的品牌人格，让爆款从偶然结果逐渐变成可以学习、复用和管理的能力，并最终对品牌认知、搜索、用户偏好和销售产生可验证的增量。

「把所有内容都做爆」可以作为内部愿景，但不适合作为逐篇合同承诺。更准确的第四层定义是：

1.7 年费 10万—100万元的定价依据

第二层企业 SaaS 也可能卖到每年 10 万元，尤其在包含定制、部署、数据接入和服务时。但如果产品希望以「数字员工」而不是「昂贵 SaaS」的逻辑收费，必须证明三件事：

建议将以下指标作为数字员工的核心仪表盘：

一句话总结定价逻辑：

1.8 不同阶段的资源与人才

第二部分 · 科技产品的价值层次

Retainer 的四个层次不是这个行业特有的。把「生成工具 → Copilot → 数字员工 → 价值发现引擎」推广开，就是一般科技产品的价值层次：

四层的基本单位也不同：

第一层：单点 AI 工具

典型产品：文案生成器、图片生成器、视频生成工具、摘要工具、简单聊天机器人、单点自动化插件。产品交付一个结果，但用户仍然持有全部 Context、任务和责任。收费对标：软件工具、模型调用、使用便利性。

第二层：普通 SaaS / Copilot

比较领先企业的内部工作流产品大致就在这一层——Retainer 语境下就是 1.2 的 Copilot 形态。

典型定价假设：每月 20—200 美元，复杂企业版可更高。这一层卖的是：软件能力和流程效率。

第三层：数字员工

数字员工的基本定义是：

数字员工不要求永远忙碌。它应该：

典型定价假设：每月 1万—5万元，对标岗位成本、产能和管理注意力（凭什么这么收费，见 1.7 的三件必须证明的事）。这一层卖的是：持续岗位产能、责任闭环、管理注意力转移、人力配置改变、交付可靠性。

第四层：价值发现引擎

价值发现引擎不仅承担原有责任，还会主动发现：什么目标更加值得追求、什么工作没有价值、什么机会尚未被企业看到、什么实验可以创造新的收入和利润。

它的收费不再只对标软件和人力，而可能对标：新增营收、毛利提升、成本降低、新业务机会、被避免的错误投入。商业模式可以包括：基础服务费、部署费、持续平台费、增量收入提成、利润改善分成。

这一层卖的是：对增长机会的持续发现和实现能力。

第三部分 · 企业 AI-Native 成熟度

最后回到企业侧：一家公司整体处在哪一层？先看两个部门在四层里各自的样子，再给出四层的完整定义和判断层次的六个核心维度。

3.1 以两个部门为例看四层

以 HR 部门为例

以运营部门为例

3.2 四层成熟度定义

第一层：个人工具辅助型企业

员工自行使用通用大模型、AI 编程工具、生成工具和自动化脚本。AI 能力尚未成为组织资产：使用效果依赖个人水平；Prompt 和经验随员工流失；数据没有系统回流；工作流程没有改变；无法衡量对财务结果的贡献。本质上仍然是一家传统企业，只是部分员工使用了 AI。

第二层：部门工作流提效型企业

比较领先的企业大致处在这一层。企业已经能够将不同部门的现有工作流程通过 Agent 提效，并在集团的粗粒度视角中带来成本、产能和财务数字改善——就是上面 HR 和运营例子里的第二层。但这一层的基本前提是：

第三层：企业流程重构型 AI-Native

第三层不再把现有部门和现有流程当作不可改变的前提。它从零开始重新定义：企业信息如何流动、工作如何被创建、部门如何协作、人与 Agent 如何分工、什么流程应该保留、什么流程应该取消——就是上面例子里 HR 发现「增长天花板是资深 PM 稀缺」、运营主动承担账号责任的那一层。

打破部门墙，建设企业级 Context。HR 和运营的第三层之所以在第二层做不到，是因为传统企业的信息分散在销售、运营、产品、研发、生产和交付、客服、财务、HR、管理层九个域。每个部门只能看到局部事实，因此只能做局部优化。第三层首先要完成的不是创建更多 Agent，而是建设统一的企业 Context，使系统能够持续理解：

• 客户为什么购买或流失
• 哪些项目收入高但实际亏损
• 哪些员工和能力真正影响交付
• 哪类问题正在不同部门重复出现
• 哪些内部目标彼此冲突
• 哪个环节限制了整个企业的增长
• 哪些业务假设已经失效

这本质上是 CEO 决心和 CTO 视野的问题。CTO 和 AI 产品负责人必须：① 观察全公司各部门真实流程；② 总结信息和效率缺口；③ 重新定义数据结构；④ 配合 CEO 打破部门隔离；⑤ 将信息资产变成 Agent 能够使用的持续 Context。

持续责任与自主任务循环。第三层系统不再依赖人每天进入软件主动创建任务。它的一轮完整工作是（与 Retainer 数字员工的 11 步循环同构）：

因此，第三层的核心变化是：

持续自主学习。第三层 Agent 要持续从以下信号中学习：人类修改、内容接受和拒绝、项目成功和失败、客户满意度、业务结果、执行异常、系统自身的错误。学习结果应被写入：长期记忆、业务规则、Prompt、评测集、Skill、模型路由、动态工作流、决策策略。早期不必让模型直接修改自己的权重，但必须确保：

第三层所需人才梯队：

组织条件：CEO 强烈支持；有跨部门视野的 CTO；企业信息资产可接入；部门墙能够被打破；权限和审计体系完善；有真实业务环境作为持续训练场；管理层接受重新设计岗位和流程。

第四层：价值发现与价值创造型 AI-Native

第四层不只是将任务交给数字员工，而是从第一性原理出发，重新定义各部门存在的价值——就是上面例子里 HR 变成「企业能力配置系统」、运营变成「市场认知、价值验证和机会占领系统」的那一层。

第四层的企业循环：

所需条件：第三层人才梯队已经成立；全公司信息资产已经打通；部门墙已经被破除；CEO 愿意重新审视现有业务；CTO 持续跟踪 AI 能力边界；企业允许 Agent 质疑原有任务；企业允许 Agent 推动实验和资源重新配置；绩效从「完成多少任务」转向「创造多少价值」。

3.3 判断 AI-Native 水平的六个核心维度

把前面所有例子抽象掉，真正决定一家企业（或一个产品）处在哪一层的是六件事：

六个维度在四层上的递进，可以汇总为一张矩阵：

维度一：Context 范围

第一层，AI 只拥有当前用户临时提供的信息。第二层，AI 能读取一个部门的知识、流程和历史数据。第三层，AI 能连接企业前端销售、运营、产品、交付、研发、客服、财务和 HR 的信息资产。第四层，AI 不只理解企业内部，还能持续吸收市场环境、竞争对手、用户行为、技术变化、社会文化、供应链和行业变化。

维度二：结果闭环与定价类别

决定产品落在哪一层的，不是模型多聪明，而是：

可以将商业价值理解为：

维度三：工作注意力所有权

这是第二层和第三层最关键的分界——开篇第二、第三种早晨的抽象版本。

这意味着 AI 不只是接管了劳动，也接管了管理注意力。

维度四：持续学习能力

持续学习不能只理解为在线训练模型参数。企业 Agent 的持续学习至少分为五层（Retainer 的四层学习是其中前四层的具体化，见 1.5）：

企业数字员工至少应做到前三层；第四层是价值发现引擎的重要基础。第五层仍属于基础模型前沿研究，不是产品成立的必要条件。

维度五：权限与组织结构

Agent 能否创造价值，受制于它拥有的信息和行动权限。如果 HR Agent 只能访问简历，它只能优化筛选。如果它可以访问员工业绩、项目毛利、客户评价、交付质量、岗位协作关系、未来业务规划，它才可能重新定义公司真正缺少的能力。

因此，从第二层进入第三层，本质上不仅是技术升级，也是数据治理、权限治理、部门边界、绩效机制、决策权分配共同发生变化。

维度六：观察、蒸馏、定义

真正的 AI-Native 产品定义不是让业务部门提交功能需求，而是完成三件事：

最终总结

企业 AI-Native 的四层、科技产品的四层与 Retainer Agent 的层次，可以浓缩为一张表：

因此，数字员工最准确的定义是：

而价值发现引擎则是：

附录 A · 当前市场与前沿业界如何理解「数字员工」

A.1 市场上并不存在统一定义

旧一代自动化厂商通常把数字员工定义为能够端到端执行企业流程的软件机器人。例如 Automation Anywhere 强调由 AI、机器学习、RPA 和分析能力共同构成的「虚拟员工」，能够顺序完成一组业务任务；UiPath 当前则将单个 AI Agent 描述为能够从头到尾完成一项特定任务的自主数字员工。（Automation Anywhere）

Salesforce 使用「Digital Labor」概念，强调 Agent 具备特定角色、企业知识、行动能力并可全天候工作；Microsoft 则强调，应像管理员工一样管理 Agent：明确角色、限制权限并持续监督。（Salesforce）

因此，目前市场最低标准大致是：

但本文采用一个更严格的定义：

这里的核心不是「24 小时不断运行模型」，而是：

A.2 前沿大模型业界正在补齐什么能力

当前前沿 Agent 研究已经不只是追求更高的单次推理能力，而是在补齐一系列「长期工作主体」所需的能力：

这说明：

附录 B · 科技产品从需求发现到运营的工作流程

B.1 需求发掘

需求发掘需要 CEO、CMO 或具备深厚市场经验的人参与。目标不是收集功能建议，而是理解：谁最痛苦、问题是否高频、当前如何解决、为什么现有方案失败、谁拥有预算、谁承担失败风险、问题对利润造成多大影响、为什么现在可以被 AI 解决。

最终交付物不是功能列表，而是：一套可验证的价值假设。

B.2 产品定义

产品定义需要 CTO、AI 产品负责人、AI-Native 工程师和业务专家共同完成。核心方法是：观察 → 蒸馏 → 定义（与维度六同一方法，此处为产品定义阶段的操作版）。

这一阶段需要所有 CXO 对产品层次形成一致认知。

B.3 设计研发

需要一个资深产研团队完成四大块：

B.4 上线运营

AI-Native 产品上线后，需要持续运营。运营不是只做销售和客服，而是跑：

核心工作包括：测量未修改进入审核率、测量未修改直发率、测量打回返工率、分析失败轨迹、建立错误台账、将重复错误加入回归集、更新品牌记忆规则和 Skill、观察人工接管原因、用真实项目财务结果证明价值。

早期推广应依靠灯塔项目的硬数字，而不是 Agent 演示：人工工时下降多少、每个品牌管理分钟数下降多少、单团队可服务品牌数增加多少、项目毛利率改善多少、交付质量是否稳定。