企业 AI 员工不是一个会聊天的虚拟形象，而是一组围绕岗位结果组织起来的任务能力。判断它能承担什么工作，不能只问“模型会不会”，还要看输入是否可信、动作是否授权、异常是否有人接管。按任务复杂度，可以分成四个层级。
第一级：查询和解释已有信息
最基础的工作是从授权范围内查找制度、产品资料、订单状态或历史记录，并按当前问题组织答案。这类任务的交付物是“带来源的信息”，不是一个听起来合理的结论。
适合从资料相对稳定、权限边界清楚的问题开始。若来源互相冲突，AI 员工应展示冲突并请求确认，而不是自行选择一个版本。
第二级：整理材料并形成结构化草稿
当输入来自邮件、附件、表格或多个系统时，AI 员工可以提取字段、归类材料、检查缺项并生成待确认草稿。例如汇总订单进度、整理供应商回复或形成会议行动项。
这一层的关键价值不是“写得快”，而是把分散信息变成可复核结构。每个重要字段应保留来源，缺失内容要显式暴露。制造业常见场景可参考五类制造业 AI 高频任务。
第三级：基于规则提供判断辅助
在规则、数据和责任边界比较明确时，AI 员工可以进行一致性核对、异常提示、候选分类和方案比较。例如标出报价单位不一致、识别订单交期风险、提示资料是否齐全。
这里的“判断”通常是辅助判断。供应商准入、订单承诺、价格定标和生产优先级等高影响决定，不能因为模型给出建议就自动生效。系统应把依据、冲突和不确定项一起交给责任人。
第四级：在授权范围内推进跨系统任务
更进一步，AI 员工可以调用工具、工作流或接口，完成查询、生成、提交、回写和状态跟踪。但“跨系统执行”必须拆成具体动作：用谁的身份、读取什么、写入什么、何时需要审批、失败后交给谁。
灵核数智将岗位能力组织为工具、技能和作业指导书：工具完成单个动作，技能组合一类任务能力，作业指导书定义完整步骤、约束和异常边界。这种结构有助于把岗位工作从“会回答”推进到“能按规则交付”，但不会扩大调用人的既有权限。
任务升级要同时满足四个条件
从信息处理升级到任务执行，至少要同时满足：输入有可信来源，业务规则可以写清，执行权限可控制，异常有明确接管人。任何一项缺失，都应降低自动化等级。
例如，一个系统可以先生成采购比价草稿；当字段标准、审批节点和写入权限稳定后，再考虑把确认结果回写业务系统。不要为了追求“全自动”跳过中间证据。
同一个岗位也不需要一次升到最高级。查询类任务可以先上线，判断辅助保持人工复核，执行动作再按风险逐项开放。这样更容易区分问题来自知识、规则、权限还是系统连接，也便于用真实交付物验收。
哪些工作暂时不适合交给 AI 员工
目标模糊且结果无法验收、主要依赖隐性经验、需要越权访问、错误后果高而又没有复核机制的任务，都不适合直接自动执行。对规则外情况，最可靠的设计往往是停止、解释并交接。
企业可以从一个高频、输入稳定、结果易复核的岗位任务开始，用真实样本验证。选型时还可参考AI 数智员工的六项真实任务验收，检查它在失败任务和权限边界上的表现，而不只看一次顺畅演示。
