Agent Mining：AI时代的能力发现与组织进化

过去几十年，企业管理流程的基本逻辑并没有发生根本变化。

响哥刚参加工作时，作为甲方在企业参与千万级的 IT 规划项目。项目通常从企业战略出发：管理者首先明确目标，外部业务专家深入调研企业各部门和岗位，梳理业务痛点、实际需求与行业最佳实践；咨询顾问在此基础上设计业务流程、绘制流程图，随后再将流程写进管理制度、SOP和信息系统。

员工按照既定流程执行，管理者通过报表、抽查和复盘检查效果。如果流程运行中出现问题，企业再组织会议，重新分析原因并进行优化。

这套方法的核心假设是：

企业能够事先知道一项工作应该如何完成。

在采购、报销、生产和订单履约等相对稳定的业务中，这套方法依然有效。但随着人工智能，尤其是智能体进入企业，这个假设正在失效。

智能体处理的往往不是高度确定的流水线任务，而是带有上下文、判断和协作关系的知识工作。例如分析客户需求、寻找市场信息、准备会议材料、审阅合同、编写代码、回复邮件，或者协调多个业务系统。

面对不同任务，员工和智能体可能采取完全不同的路径。即使最终结果相似，中间的信息来源、判断过程、工具选择和异常处理方式也可能存在很大差异。

在这样的环境中，流程不再只是管理者事先设计出来的规则。

它还存在于每天真实发生的工作过程之中：一次次对话、一连串工具调用、一个个被修改的文件、一次次失败后的重试，以及人与智能体之间不断变化的分工。

AI时代，企业需要的不只是 Process Mining，而是 Agent Mining。

Process Mining挖掘流程，Agent Mining发现能力

传统 Process Mining，也就是流程挖掘，主要通过 ERP、CRM、OA和工单系统留下的事件日志，还原企业流程实际如何运行。

它不先看制度规定了什么，而是从时间、对象、操作和状态变化出发，分析一个订单经历了哪些环节，一次审批在哪里停留最久，一张发票为什么被多次退回。

传统流程管理问的是：

员工是否按照我们设计的流程工作？

Process Mining 问的是：

工作实际上是怎样流动的？

这解决了流程图与现实运行不一致的问题。

管理者看到的流程可能是：

客户提出需求 → 销售录入系统 → 方案团队准备材料 → 客户确认 → 签订合同

真实工作却可能是：

客户在微信提出需求 → 销售询问产品经理 → 从旧文件中寻找类似方案 → 请同事修改报价 → 多轮沟通后补录 CRM → 发现审批材料不完整 → 返回补充 → 再次提交

制度描述的是理想路径，现实中却充满分支、等待、返工、绕行和临时协作。

Process Mining 的价值，就是通过业务系统留下的事件日志，还原这些真实路径。

但进入 AI 时代，企业需要观察的已经不只是订单、审批和工单如何流转，还包括智能体如何理解任务、寻找信息、调用工具、作出判断、处理异常，以及人如何介入和纠正。

这已经超出了传统 Process Mining 的分析范围。

如果说 Process Mining 挖掘的是业务流程，那么 Agent Mining 挖掘的就是智能体及人机协作的工作过程；如果说 Process Mining 帮助企业发现“工作如何流动”，那么 Agent Mining 则进一步帮助企业理解“任务如何被思考、判断和完成”。

因此，可以将 Agent Mining 定义为：

通过采集和分析智能体及人机协作的执行轨迹，发现真实工作模式，并将经过验证的重复行为沉淀为技能、例程、流程规则和问题修复机制的过程。

简单来说：

Process Mining挖掘流程，Agent Mining发现能力。

这也可以放进响哥之前提到了OrgBrain 的视角来理解：

Agent Mining 不是又增加一个管理工具，而是在帮助组织把真实工作轨迹沉淀为可读、可复用、可调用的原子能力和调度规则。

智能体让知识工作第一次变得可观察

过去，大量知识工作并不发生在结构化系统中。

员工可能通过即时通讯了解需求，在网页上查找信息，从旧文档中寻找案例，用 Excel 进行分析，再通过邮件向同事确认。许多关键判断发生在人的头脑里，系统通常只记录最后提交的报告、方案或者代码。

企业知道任务完成了，却不知道它究竟是怎样完成的。

智能体改变了这种状况。

当员工与智能体共同工作时，原本不可见的过程开始留下细粒度轨迹：

拆解

从 Agent Mining 的角度看，一段智能体会话不只是聊天记录，而是一条完整的工作轨迹。

这种轨迹记录了任务、知识、工具、判断和结果之间的关系。企业第一次有机会持续观察知识工作如何真实发生。

从记录结果到学习过程

例如，员工让智能体准备某家客户的拜访材料。智能体可能需要：

从 CRM 获取客户信息；查询历史订单和沟通记录；搜索客户近期新闻；分析客户所在行业的变化；查找服务类似客户的历史案例；形成潜在需求假设；根据员工反馈删除不可靠判断；重新整理成拜访提纲。

如果只保存最终材料，企业得到的是一个结果。

如果保存并分析完整轨迹，企业得到的则可能是一套可复用的“客户拜访准备方法”。

当类似任务发生几十次以后，系统便可以进一步分析：

哪些步骤反复出现；哪些信息源最有价值；哪种执行顺序效果更好；哪些结论经常被员工修改；什么信息缺失最容易引发返工；哪些异常可以通过固定方法修复；哪些环节必须保留人的判断。

一次会话只能说明某项工作是怎样完成的，多次会话则可能暴露稳定的工作模式。

这些模式正是 Agent Mining 要发现的对象。

这里也正好对应 H 型人才的底层能力：人不只是使用 AI 工具，而是在任务中承担业务翻译、流程编排和质量验证的角色。Agent Mining 要挖出来的，也包括关键节点上的人的判断方式。

从流程发现走向能力发现

传统 Process Mining 的典型产物是一张真实流程图。Agent Mining 更重要的产物，则可能是流程中反复出现的“能力片段”。

例如，在不同部门的人机协作轨迹中，系统可能发现一些相似行为：

从多个系统汇总客户信息；将会议记录转换成待办事项；把合同条款与标准模板进行比较；检查报表中的异常数据；根据历史案例生成回复建议；在接口失败后执行固定诊断；在内容发布前检查事实和敏感信息。

这些行为可能跨越多个岗位和业务流程。它们没有被正式命名，也没有写入公司的 SOP，却每天在组织中重复发生。

Agent Mining 可以识别这些能力片段，并将其转化为不同形式的组织资产：

一份标准提示模板；一个可以被智能体调用的 Skill；一段确定性的自动化脚本；一条异常处理规则；一份质量检查清单；一个必须由人审批的决策节点。

企业不必等到管理者主动意识到某项工作值得标准化。系统可以根据发生频率、耗费时间、成功率和复用范围，主动提出能力沉淀建议。

组织能力建设由此从自上而下的规划，增加了一条自下而上的发现路径。

让隐性经验成为组织资产

传统企业最难解决的问题之一，是如何把个人经验转化为组织能力。

资深销售知道怎样判断客户的真实意图，法务人员知道哪些合同条款最容易隐藏风险，工程师知道系统异常时应当按照什么顺序排查。

但这些经验通常以“个人手感”的形式存在。

企业试图通过访谈、复盘、培训、知识库和 SOP 保存经验，却经常遇到三个问题。

**第一，**优秀员工未必能够完整描述自己的判断过程。许多经验已经成为下意识行为，只有在真实场景中才会被触发。

**第二，**人工总结通常只记录成功路径，忽略了搜索、试错、失败和修复。

**第三，**知识沉淀是低频活动，远远跟不上工作方式变化的速度。

Agent Mining 提供了另一条路径。

它不要求员工事后完整回忆，而是在任务发生时观察真实过程；不只记录成功结果，也记录错误、重试、接管和修正；不等待年度复盘，而是持续分析新产生的工作轨迹。

一个人的有效经验，可能因此被识别为整个组织可复用的能力。

员工对智能体的一次纠正，也不再只是修改当前结果，而可能成为改进未来任务的学习信号。

建立组织持续学习的闭环

传统组织学习主要依赖低频复盘。项目结束后召开总结会，重大事故发生后分析原因，业务团队再定期更新制度。

问题在于，复盘的频率远低于经验产生的频率。

企业每天完成大量任务，但真正被认真复盘的只有少数。大量局部创新、临时修复和有效做法，在任务结束后随之消失。

Agent Mining 可以建立一个持续运行的组织学习闭环：

完成任务 → 记录轨迹 → 识别模式 → 提出能力候选 → 验证效果 → 生成技能或例程 → 下次调用 → 继续优化

在这个闭环中，每次任务同时产生两类价值。

**第一类是业务价值，**即完成客户分析、合同审查、代码编写或者数据处理。

**第二类是学习价值，**即为组织增加一条新的工作样本。

如果一项任务反复成功，系统可以寻找其中的稳定结构；如果一项任务频繁失败，系统可以识别失败集中在哪些环节；如果员工总在相同位置修改智能体结果，系统便可以判断智能体缺少什么知识、规则或评价标准。

每完成一次工作，组织都有机会更理解这项工作。

组织学习由此从低频、人工驱动的复盘，逐渐转向持续、数据驱动的能力发现。

Agent Mining代表一种新的管理心智

Agent Mining 不只是一种技术，也代表一种新的管理心智。

这种心智不再假设企业已经掌握最佳工作方式，而是承认真实组织远比流程图复杂。许多有效做法不是被事先设计出来的，而是员工和智能体在解决具体问题时逐渐形成的。

管理者的任务因此发生变化。

管理不再只是设计、发布和监督流程，还包括：

建立适当的工作观测能力；从真实执行中发现有效模式；判断哪些模式代表经验，哪些只是偶然；将经过验证的经验转化为共享技能；让新能力在更多任务中接受检验；淘汰失效、过时或者风险过高的做法。

这是一种从“设计一切”走向“观察、发现和培育”的管理方式。

SOP不会消失，但它不再只是一份长期不变的文档，而可能成为动态更新、带有适用条件和版本记录的可执行知识。

重复行为不等于最佳实践

Agent Mining 最大的风险，是把“经常发生”误认为“正确”。

员工反复绕开某项审批，可能说明审批流程不合理，也可能意味着存在合规风险。智能体经常复制历史合同条款，可能提高效率，也可能持续放大过去遗留的错误。

因此，从行为轨迹到正式技能之间，必须存在验证与治理。

一个候选技能至少需要说明：

它来自多少次执行；成功率是否稳定；适用于哪些场景；会调用哪些系统和权限；出错后如何停止或者回退；哪些节点必须由人确认；谁负责审核、发布和更新。

合理的机制不是让系统悄悄修改全局规则，而是由系统提出候选能力，业务专家和风险人员共同审核，再在受控范围内试运行。

Agent Mining 的核心不是无条件自动学习，而是：

可验证、可追溯、可干预的组织学习。

从管理智能体到推动组织进化

AI Agent 的真正价值，可能不只在于替企业完成更多任务。

它还为企业提供了一面新的镜子。

通过智能体，知识工作的中间过程第一次大规模留下了可分析的轨迹。企业可以看到任务如何被理解、知识如何被调用、判断怎样形成、异常如何解决，以及人在什么地方发挥了不可替代的作用。

当这些轨迹被持续观察，重复经验被识别，有效模式被验证并沉淀为技能时，Agent 就不再只是执行工具。

它会成为组织感知自身、保存经验和改进工作方式的媒介。

Process Mining 让企业看到流程实际上怎样运行；Agent Mining 则让企业进一步看到：

我们究竟是怎样思考、判断和解决问题的。

这正是 Agent Mining 的核心：

不再假设企业已经知道最佳工作方式，而是相信组织的真实能力隐藏在每天发生的人机协作轨迹中；管理的任务，是持续观察这些轨迹，发现模式、验证经验，并将其转化为可复用的组织能力。

未来最强的企业，未必是拥有最多智能体、自动化程度最高的企业。

更可能是那些能够从每一次人机协作中学习，并把局部经验不断转化为整体能力的企业。

届时，每一次任务的完成，都不只是产生一个工作结果。

它还是组织发现能力、更新自己并持续进化的一次机会。

换句话说，Agent Mining 是 OrgBrain 在组织侧的一种感知机制：

让世界进入系统，让系统持续进化；让个体经验进入 SkillHub，让组织从人“定义能力”转向“自动发现能力

更多关于AI原始组织和H型人才文章：

AI时代，企业数据战略要回到第一现场

最快的车，不是跑得最快的——AI原生组织的效率思考

协作智能：组织 AI 落地的下一个前沿，不在更强的个体

AI 流动率,是企业最核心的 AI 评价指标

AI 时代组织进化的形态：Thin Hierarchy + Fat Skills

未来每家企业都是 Hyperloop 智能体组织

AI引力井：你正在被拉向职场价值的黑洞底部

AI时代H型人才的工作哲学：不是让人学会使用AI工具，而是让AI理解你

从HITP、HOTP、HFOTP来看AI人机协同成熟度曲线 (H型人才)

每一个H型人才，都是HyperMan———AI时代的超级个体进化思考

H 型人才：驾驭AI时代，重塑组织未来

AI时代，企业要打造具备AI思维的H型人才

《AI干法》新书发布：1个模型、3场效率革命、36个干法、102个案例