Digital Employee Works

简体中文

English

简体中文

English

Appearance

比较研究
待周评
全球真实数字员工与 SaaW 商业全景报告 2026-2
行业架构 · SaaW 商业全景（二）

全球真实数字员工与 SaaW 商业全景报告 2026-2

区分模型能力与系统交付可靠性，分析数字员工的证据、权限、恢复、收费结构和岗位准入条件。

SaaW 2026 · 2/3English →

全球真实数字员工与 SaaW 商业全景报告 2026-2 ​

底层模型、治理、收费与能力分级 ​

同样是“能写报告、能改代码、能处理业务”，产品交付的质量、失败后的处理方式和最终账单却可能不同。要判断一个数字员工能否上岗，只看功能列表还不够，还要看模型如何决策、运行系统如何约束动作，以及结果由谁验收。

本册沿用我们提出的 SaaW（Software as an Agent Worker） 概念：软件在明确的职责、权限和治理规则下，作为数字工作主体持续交付成果。概念出处见《从 SaaS 到 SaaW：当代码库开始“自己开发自己”》。第一册比较产品与岗位能力，本册进一步回答四个问题：哪个模型在做决策？模型出错怎样被限制？软件费与模型费是否分离？这些能力如何支持 D1–D5 分级？

一、模型不是可互换的处理器 ​

在短文本生成、单函数编写和简单客服中，不同头部模型的差距可能被业务事实源和固定工具掩盖；在复杂编程、开放研究、跨系统长任务中，差距会被连续决策放大。

项目方此前在模型实测中曾遇到严重的无依据编造。这类经验不能用来永久否定某一模型的新版本，但它提醒我们：

数字员工不能因为“支持某模型”就自动获得岗位准入；历史上出现严重编造的组合，必须重新通过真实岗位评测。

同一个模型放在普通聊天框、代码代理、带终端/测试/检查点的运行体中，表现也完全不同。因此真正需要评价的是：

text
模型
+
运行体
+
工具与事实源
+
上下文压缩和记忆
+
权限与恢复
=
员工配置

1.1 代表性产品的模型透明度 ​

这里的透明度评价的是模型选择与路由信息的披露程度，不是模型质量或岗位能力。CodeFlowMu 是我们自研的多智能体协作与运行系统，与其他产品一起比较，并在表末列出。

分级沿用第一册：D1 是助手，D2 是以预设流程为主的自动化，D3 能自主完成任务，D4 能持续承担限定岗位，D5 进一步要求更完整的授权、验收与恢复能力。

产品公开模型/路由透明度模型费分离评级
Salesforce / Agentforce多模型体系；具体组合随客户配置和版本变化，统一型号不公开。中模型成本被点数/固定方案打包，未单独向客户透明拆分。D3
Microsoft / Copilot Studio / Microsoft 365 CopilotGPT 系列为主，部分场景可选模型；也可连接外部服务。中平台费与点数结合；高阶推理模型可能另有计量，属于部分分离。D3
ServiceNow / Autonomous Workforce / AI SpecialistsNow LLM 与第三方模型并存；官方强调可接任意云、模型和数据源。中模型和平台成本通常在企业合同中打包，未透明拆分。D4
Workday / Sana Agents / Agent System of Record2026年 Gemini 成为 Sana for Workday 默认模型；其他智能体可采用多模型。高点数计量工作动作，模型费未完全单列。D3
Glean / Glean Agents / Independent Agents支持多种前沿模型，客户可按任务选择；具体路由不固定。中通常与企业平台合同打包，模型费未公开单列。D4
Oracle / Fusion Agentic Applications支持 Llama、Cohere、外部行业模型及合作伙伴模型；多模型。高开发平台与模型/云资源部分分离。D4
Google Cloud / Gemini Enterprise Agent PlatformGemini 系列为主，也可承载客户模型与开源模型。中明确分离。D3（平台）
Cognition / Devin核心 Devin 路由不完全公开；Windsurf/产品生态可用多种前沿模型。中模型、计算和软件能力打包进配额/计算单位。D4
Sierra / Sierra Agents / Horizon Agents具体基础模型和路由未公开。低模型费完全包含在结果价中。D4
Factory / Droids / Missions多模型路由，公开支持 Claude、Gemini、Kimi、MiniMax 等，并支持自带密钥/本地模型。高支持自带模型，软件与模型成本可明确分离。D4
Harvey / Harvey公开使用 OpenAI、Anthropic、Google、Mistral 等多家模型。中模型和平台打包。D3
Bland AI / Voice AI Agents自研语音与对话栈；官方称生产通话不依赖外部前沿模型。中完全打包。D3
来也科技 / Laiye Worker / WEP官方模型中立路由公开列出 DeepSeek-V4、Qwen3-Max、Kimi K2、豆包2.0 Pro、GLM-5.1，并按任务类型、预算/时延和合规选择模型。很高平台订阅、积分与企业自有/私有模型可以部分分离。D4 候选（持续岗位能力待核验）
腾讯 / WorkBuddy官方 2026-08 列出 Hy3、GLM-5.2/5.1、MiniMax-M3、Kimi-K2.7-Code/K2.6、DeepSeek-V4-Flash/V4-Pro；并支持自定义 OpenAI、Anthropic、Gemini 等。很高企业模型、自定义模型和私有部署使模型成本可以与软件许可分离。D3
阿里巴巴 / 钉钉 / 悟空具体模型未公开；高级版支持模型参数配置。低软件席位和算力点数部分分离。D3
百度智能云 / 客悦数字员工文心大模型/百度智能云模型体系。高模型与产品套餐打包。D2–D3
滴普科技 / DeepWorks / FastAGI多模型可配置，FastAGI 作为运行和护栏层；具体默认模型随项目。中模型与平台可按部署部分分离。D3
澜舟科技 / LangClaw孟子模型体系并支持自定义模型。中模型和平台可能部分分离，正式合同未公开。D3
SAP / Joule / Joule AgentsSAP Business AI 多模型体系；具体场景可用不同基础模型。中软件订阅和高级智能体用量部分分离。D3
Dust / Dust Agents20多种模型，包括 GPT、Claude、Gemini、Mistral、DeepSeek。高点数打包模型和工作量，不完全分离。D3
Mistral AI / Agents API / Enterprise WorkflowsMistral 系列模型为主，也支持企业混合部署。高平台与模型调用可清晰计量。D3（平台）
Relevance AI / AI Workforce多模型并支持自带模型密钥。中明确分离“智能体动作费”和“模型/工具成本”。D3（平台）
Torq / Socrates具体模型未完全公开；平台统一以 AI Credits 计量。中模型和智能体动作打包进固定点数。D4
causaLens / Digital Worker Factory官方明确模型无关，可部署到客户选择的任意大模型和基础设施；产品价值集中在多智能体工作流、可信事实、因果验证和确定性质量门。高（模型策略透明，具体默认模型不绑定）模型与运行体可分离，由客户基础设施承担模型成本。D4
CodeFlowMu / 自研产品模型承担推理，运行系统组织团队协作与工作状态；当前产品的完整模型及路由清单未核验。架构职责公开，当前配置清单未统一披露当前商业报价与模型费用拆分未核验。D4（软件工程岗位）

1.2 四种模型商业结构 ​

图05：四种软件费与模型费的关系

图 05：费用结构示意；模块宽度不编码金额，不同企业部署可能采用多种模式。 来源：作者根据本文相应章节的分析与文末参考资料整理绘制。

模式含义代表
完全打包客户只为分钟、对话、结果或套餐付钱，不看到模型成本Sierra、Bland、Intercom、Shulex
席位 + 点数软件席位和智能体工作量分开，但模型仍被点数打包Microsoft、WorkBuddy、悟空、Salesforce
平台动作 + 模型成本智能体做工作的费用与模型/工具费用单独计量Relevance AI、Google Agent Platform
自带模型客户自带密钥、私有模型或本地模型；模型成本可由客户另行承担，平台是否仍收动作或运行费用取决于方案Factory、Relevance AI、WorkBuddy 企业自定义模型、部分 UiPath/Laiye 部署

Relevance AI 提供了一个清楚的例子：动作费对应智能体执行，模型点数对应模型与工具成本；其文档说明可按供应商成本计量，并允许客户自带密钥。 对 CodeFlowMu 而言，软件价值与模型成本分开说明，是值得采用的商业设计；具体收费方式仍需以实际方案为准。

1.3 真实编程为什么最能放大模型差距 ​

“模型会不会写代码”已经不是有意义的问题。真正的数字开发员工需要长期维持：

  • 仓库结构和架构约束；
  • 多文件一致性；
  • 测试、构建、依赖和持续集成状态；
  • 用户明确的禁止项；
  • 失败原因与上一轮修复；
  • Git/worktree/分支状态；
  • 任务完成标准和证据。

因此，单函数生成和真实仓库工程是两个完全不同的难度层级：

工程任务模型差距表现
写一个函数、解释报错头部模型差距可能不大
修改多个文件并保持兼容全局一致性差距开始明显
测试失败→定位→修复→再测恢复和因果判断能力明显拉开
大规模重构/迁移弱模型容易“局部正确、整体破坏”
多小时无人值守任务长期漂移、遗忘约束、重复副作用成为主要问题

Factory Missions 的架构提供了一种工程解法：把验收约定、功能清单、研究笔记和运行规则保存为共享工作文件；每个 Worker（执行者）使用新上下文，再由 Validator（验证者）检查结果，Orchestrator（编排者）据此组织后续任务或返工。

Cognition 也已经把模型成本与真实工程 rollout 放在一起比较。2026-08，Devin Desktop/CLI 已公开提供 GPT-5.6 Sol，并用 FrontierCode 一类真实代码任务比较“评分—成本”而不是只看模型发布榜单。

因此，本报告采用一个更严格的判断：

数字员工的能力由模型、运行系统、工具与事实源、状态与恢复、治理机制共同决定。模型单项分数不能代表岗位交付能力。

长链任务为什么会放大小差异 ​

在多步骤任务中，前一步的错误可能进入后续上下文，被当作事实继续用于计划和行动；检查、重试和恢复机制则可能中断这一传播。因此，长任务评测需要观察错误如何累积、被发现和修正，不能只看一次基准测试的得分。

这也是为什么模型必须成为岗位准入对象，而不能被当成可互换处理器。

二、RPA、智能体和数字员工的能力边界 ​

RPA（Robotic Process Automation，机器人流程自动化）通常执行预先定义的界面或系统操作。判断产品等级，要看模型、流程和运行系统分别承担什么职责。

类型谁决定下一步真实能力典型风险
传统自动化程序员预先写死稳定执行固定流程界面或规则变化就失效
大模型+流程模型识别意图，流程决定大部分路径自然语言入口、少量异常处理被宣传成“员工”，实际仍是流程机器人
自主智能体执行模型动态规划、选择工具并根据反馈调整能完成一次复杂任务会漂移、重复副作用、错误自信
真正数字员工模型和运行体共同维持岗位、任务和状态跨周期持续承担工作模型差异直接改变岗位能力
高可信软件化员工工作治理限制模型错误传播可授权进入生产经营目前市场仍缺完整公开证据

RPA 并不等于落后。在高风险写入场景，最合理的结构往往是：

text
模型负责理解和规划
        +
规则/业务系统负责事实与边界
        +
自动化/API负责确定性执行
        +
人类负责例外和责任决策

问题不在于“用了 RPA”，而在于：RPA 是员工的手，还是整个产品的大脑。

三、商业产品怎样控制幻觉 ​

大模型可能生成缺乏依据的内容，即通常所说的“幻觉”。企业产品需要同时减少错误、发现错误，并限制错误进入业务动作后的影响范围。

防线典型技术作用
事实源约束客户关系管理、企业资源管理、知识库、检索、业务接口用业务记录约束回答，减少模型凭记忆生成业务事实
范围约束岗位、主题、技能、工具白名单限制可以处理的问题和动作
身份与最小权限角色权限、访问控制、独立智能体身份即使模型想做，也不一定有权做
动作模式参数化工具、业务对象、确定性流程模型提出动作，由业务系统校验参数、权限与规则
调用时批准一次性令牌、人工审批、例外升级静态能力不等于本次获准
运行评测模拟、回归测试、输出评价、注入检测上线前和运行中发现偏差
可观测与审计行为日志、文件/命令/API记录、成本和结果仪表盘发现、追责、停用和优化
恢复与回滚检查点、版本、补偿动作、幂等避免失败后重复写入或丢失责任

3.1 大厂治理的真实能力 ​

  • Salesforce：事实约束、权限、动作、监测和审计，重点是把模型关在客户关系管理系统里。
  • ServiceNow：控制塔发现、观察、治理和关闭偏离行为的智能体，记录文件、命令和接口调用。
  • Glean：请求级权限检查、智能体身份、有范围凭证、版本检查点、评测、批准和回滚。
  • UiPath：提示注入和敏感信息防线、强制人工介入策略、机器人确定性执行。
  • Oracle：角色权限、审批层级、事务上下文、持续共享记忆和全动作历史。
  • Torq：安全工具权限、策略、批准和完整处置审计。

这些已经是真治理，但主要集中在：资产治理、安全治理、访问治理和运行治理。

3.2 为什么仍不等于工作治理 ​

开放知识工作还要回答：

  • 一个市场数字、法律结论或技术判断来自哪个来源？
  • 是来源事实、模型推断，还是未经证明的假设？
  • 多个来源冲突时如何保留冲突？
  • 谁独立复核？谁接受这个结论？
  • 模型换掉、进程重启以后，正式责任是否连续？

因此：

智能体治理解决“这个软件能否安全运行”；工作治理还要解决“这个工作结论为什么成立、由谁负责”。

3.3 从提示护栏到工作治理：五层可靠性技术 ​

图06：五层可靠性及其边界

图 06：每层防线解决不同问题。此图不是厂商评分，也不表示某个产品已经完整实现五层能力。 来源：作者根据本文相应章节的分析与文末参考资料整理绘制。

层级典型技术解决的问题仍然解决不了什么
1. 提示护栏system prompt、禁止词、输出格式减少明显越界模型仍可自信编造
2. 事实约束检索、企业知识、业务接口、CRM/ERP不让模型凭记忆定义业务事实不能保证推理链正确
3. 智能体治理身份、权限、工具白名单、批准、审计限制能做什么、动作是否越权不能证明交付主张成立
4. 决策验证Trusted Facts、结构化声明、确定性验证门、Judge验证“这个决策是否由可信事实和规则支撑”仍不等于完整组织责任
5. 工作治理正式任务、交付、事实核查、独立观察、验收权、责任连续证明谁负责、什么被接受、为什么状态合法仍需真实组织采用和制度适配

按其官方说明，causaLens 提供第 4 层所讨论的机制：Trusted Facts（可信事实）保存系统计算的证据；Structured Decision Claims（结构化决策声明）组织事实、规则与建议；Deterministic Verification Gate（确定性验证门）在模型评价之前进行规则检查，不通过就阻止继续并退回执行者。

这在检索增强生成（RAG）和提示护栏之外，增加了对决策依据的检查，说明：

事实检查与独立评价，已经出现在商业产品的技术方案中。

CodeFlowMu 采用的 TMPA（文本化多智能体流程架构）进一步关注任务、交付、验收与责任事实：一次判断经过检查以后，怎样成为可追踪的正式工作结果。

3.4 商业治理能力横向比较 ​

产品事实约束动作权限人工批准运行评测确定性验证独立 Judge/EVAL长期责任事实
ServiceNow强强强很强部分有评价体系弱/平台内
Glean强每请求/动作检查强强部分alignment/evals弱
Relevance AI取决于连接器边级配置强Task View/日志弱弱任务级
causaLens很强强强强很强Judge Agent中
Factory代码/测试事实工具/沙盒可交还用户Validatorvalidation contractValidator项目任务级
SAPSAP 业务事实企业权限强企业监控业务规则/流程部分平台流程级
CodeFlowMu任务、报告与工程证据角色权限与治理判断人工审批入口公开回归与规范实施案例固定输入下的状态与规则检查QA 角色分离；EVAL 旁路观察持久任务、报告、审查与恢复记录

这些产品的治理重心不同。表中的“强”“部分”等是按公开机制作的定性比较，不是统一测试得分。CodeFlowMu 的依据包括公开协作案例与 I1.0 中 V1.8.0 的实施结果；角色权限判断不自动等于每个外部动作都已完成调用时授权。

四、客服与开放研究的交付难度为何不同 ​

客服和企业事务有明确事实源、有限动作和可计量完成标准：订单来自订单系统，物流来自物流接口，退款资格来自规则，动作只有查单、改地址、退款、建工单和升级人工。

开放研究则没有单一真值数据库。研究员工必须选择来源、判断质量、处理冲突、区分事实和推断，并对最终结论负责。检索增强只能告诉它“找到什么”，不能证明“结论正确”。

工作类型事实确定性动作空间完成标准适合当前商业智能体程度
客服/订单/员工自助高小清楚很高
销售/采购/合同初审中中部分可量化中高
软件开发中大测试、代码评审可部分验收中高，但高度依赖模型
商业研究/战略分析低大结论质量难自动验证低
高风险财务/法律决策中中责任重大必须保留人工最终授权

五、收费单位揭示真实交付物 ​

图07：收费单位与实际交付物

图 07：将原文收费单位归并为使用权、执行量、工作容量和业务结果四类。箭头表达交付对象的变化，不代表所有厂商统一迁移，也不代表结果计费已经成为主流。 来源：作者根据本文相应章节的分析与文末参考资料整理绘制。

计价单位客户实际购买什么代表产品
席位人使用软件/助手的权限Microsoft 365 Copilot、悟空、WorkBuddy
点数/算粒模型推理和智能体调用容量Microsoft、WorkBuddy、SAP、Torq
动作一次工具或业务动作Salesforce、Relevance AI、SAP
对话一次客户互动Salesforce、Ada、Decagon
自动解决客户问题被验证解决Zendesk、Intercom、Yellow.ai
线索一个被调查和触达的潜在客户11x、Artisan
分钟一段语音劳动Bland、PolyAI、Parloa
智能体计算单位规划、工具、代码和运行资源组成的工作量Devin
业务结果成功挽留、成交、解决、回款等Sierra

2026 年最值得注意的计价变化 ​

  • HubSpot：Customer Agent 从按对话改为 0.50美元/成功解决；Prospecting Agent 改为 1美元/推荐外联线索。
  • Intercom Fin：0.99美元/结果（解决、流程交接、淘汰），成功销售资格判断 9.99美元；失败或用户要求人工不计结果费。
  • Zendesk：2026-05 起使用 Automated Resolution / Resolution Allowance，只有 AI 成功解决且不升级人工才消耗解决额度，并按复杂度分层。
  • Relevance AI：平台“动作费”和模型/工具 Vendor Credits 分离；文档当前列出额外 1,000 Actions 80美元，Vendor Credits 按批发成本透传并允许自带密钥。
  • Laiye Worker：39/199元订阅 + 积分 + 企业治理/私有化，代表中国“低价席位/套餐 + AI 用量 + 企业部署”的典型结构。
  • WorkBuddy Enterprise：198/316元/人/月 + Credits + 私有化，进一步证明中国并没有抛弃 Seat，而是在 Seat 上叠加智能体工作量。

SaaW 的商业演变可概括为：

text
软件使用权
→ 人的效率增强
→ 智能体动作量
→ 数字工作容量
→ 可验证业务结果

但目前不能声称按结果计费已经全面主流。大量产品仍是“席位 + 点数 + 企业合同”。

六、能力分级与样本汇总 ​

按第一册对照总表的同一口径，共有 55 个条目：54 个原商业样本，加上 CodeFlowMu 自研产品。能力等级与是否已经收费分别判断；边界产品保留 D2–D3 标签，不强行归入 D2。

等级或标签数量代表结论
D10（主表）纯问答、检索产品不在主表中不代表市场没有此类产品
D20（单列）相关边界产品保留在下一行不把边界标签直接改成 D2
D2–D3 边界9百度客悦、Robin、Juro、LayerX 等自主规划与预设流程的分工仍需逐产品判断
D336Salesforce、Microsoft、UiPath、SAP、Zendesk、Intercom、WorkBuddy、悟空等主表中数量最多的类别，包含 3 个平台型条目
D49ServiceNow、Glean、Oracle、Devin、Sierra、Factory、Torq、causaLens、CodeFlowMu按公开资料初评为持续岗位或工程工作系统；CodeFlowMu 限定于软件工程岗位
D4 候选1Laiye Worker任务执行与多模型能力已有资料，持续岗位责任仍待核验
D50无获评条目本库未取得完整覆盖本报告 D5 条件的公开证据
合计5554 个原商业样本 + 1 个自研产品各标签不重复计数

数量反映本报告的取样和分类，不代表市场份额。平台类产品的不同配置可能对应不同能力等级。

6.1 岗位能力与高可信治理的区别 ​

  • Devin 可以跨仓库工作，但大任务仍需拆解，模糊架构决策需人明确；
  • Sierra 可以跨日/跨周完成客户流程，但模型、证据和恢复细节不透明；
  • ServiceNow/Oracle 有强治理，但开放知识结论的证据治理不是重点；
  • Factory 有长任务和多模型，但责任验收主要仍是工程测试；
  • Glean 有身份、凭证、评测和回滚，但不同客户构建的智能体质量不一；
  • Torq 适合安全处置，但官方也承认非确定性结果，要求需要确定性时使用固定工作流；
  • causaLens 已经有可信事实、确定性验证和 Judge Agent，但公开材料仍不足以证明跨任务正式责任、幂等副作用回执与最终治理状态重建。

七、数字员工的模型准入机制 ​

图08：模型岗位准入流程

图 08：岗位风险 → 能力档案 → 模型、Host、工具与运行体组合实测 → 允许、限制、强制复核或拒绝。属于原报告提出的准入框架，不是已经完成的测评结果。 来源：作者根据本文相应章节的分析与文末参考资料整理绘制。

未来真正的员工运行体不应只保存 model = xxx，而应维护岗位最低能力与组合准入：

text
岗位风险与任务类型
        ↓
所需能力档案
事实可靠性 / 指令遵循 / 长任务 / 工具 / 恢复
        ↓
模型 + 主机 + 工具 + 运行体实测
        ↓
允许 / 限制 / 强制复核 / 拒绝

建议岗位准入结果不要只给总分，而是给可执行结论：

text
模型配置 A
资料整理：允许
内容草稿：允许但必须审阅
商业研究结论：限制
生产代码变更：需独立测试和评审
高风险外部动作：拒绝

7.1 建立模型能力档案（Model Capability Profile） ​

一个生产级数字员工至少应记录：

维度需要评测的真实问题
事实可靠性不知道时是否承认不知道？是否虚构来源、文件、接口结果？
长任务稳定性30分钟、2小时、多日任务是否漂移？
工具调用是否选择正确工具、参数、顺序？
指令遵循能否长期记住“禁止修改/禁止发布/必须先验证”？
恢复能力工具失败、Host 重启、模型切换以后是否正确续做？
自检能力是否能发现前后矛盾，而不是为旧结论辩护？
证据纪律是否区分外部事实、工具结果、模型推断和假设？
高风险动作是否适合获得写权限，还是只能提出建议？

岗位再定义最低能力，例如：

text
客服查询员工
  允许：中等推理模型 + 强事实源

软件开发员工
  要求：强仓库理解 + 工具 + 测试 + 恢复

商业研究员工
  要求：强来源纪律 + 多源冲突处理 + 独立复核

财务/法律关键动作
  要求：强模型 + 确定性规则 + 人类最终授权

这样“模型可替换”才不会被误解成“模型能力等价”。

八、本册结论 ​

真正的商业竞争不是“谁有最多智能体”，而是：

  1. 谁能把模型的不确定性收缩进明确事实源、工具和授权边界；
  2. 谁能让不同能力模型只进入适合的岗位；
  3. 谁能把软件费、模型费和工作结果说清楚；
  4. 谁能在失败后重建工作责任，而不是只重试一次接口；
  5. 谁能把完成声明变成有证据、可复核的正式交付。

下一册将把开源技术雷达完整融入，比较开源世界已经公开实现的身份、任务账本、动作前授权、恢复、手机监督和安装交付，并据此给出 CodeFlowMu 的产品定位。

九、参考资料 ​

产品和收费资料沿用原研究范围，价格及具体配置以厂商当前说明为准；本文的分级与定性比较不等于全量产品实测。

Last updated: