很长一段时间里Codex几乎天然等于AI编程。开发者用它写代码修Bug补测试做Review处理Repository。所以大家很容易形成一个固定认知Codex主要就是程序员工具。但这个认知正在快速过时。OpenAI在2026年8月12日公布的最新企业数据里一个非常反直觉的变化是自今年2月以来企业Codex周活用户在法务增长108倍、销售增长41倍、招聘增长41倍、营销增长26倍相比之下工程岗位增长约5倍。这里说的是增长速度并不代表这些部门的绝对Codex用户已经超过工程。更早的OpenAI内部数据也显示到2026年4月左右Legal、Finance和Recruiting已经开始把Codex作为主要AI工作工具非开发者的Codex采用速度甚至明显快于开发者。这说明真正发生变化的可能不是更多非程序员开始“写代码”。而是Codex正在从Coding Agent逐渐变成General Execution Agent。一、为什么Codex最先从程序员开始软件工程其实天然适合Agent。因为代码世界拥有几个非常重要的条件Context清楚 ↓ Repository可读取 ↓ 任务可以拆分 ↓ 工具可以调用 ↓ 测试能够验证比如修复登录失败Bug。Agent可以读取Issue ↓ 搜索代码 ↓ 定位问题 ↓ 修改 ↓ 运行测试 ↓ 检查结果这是一条非常清楚的执行链。OpenAI在最新企业研究中也提到软件工程成为Agent早期采用中心并不偶然代码库能够提供明确Context测试又能让结果更容易被验证。换句话说软件工程不是因为“代码最适合AI生成”而是因为“软件工作最容易形成可验证的Agent Loop”。二、真正让Codex走出程序员圈的不是“它会不会代码”如果Codex只能生成代码那它确实很难走出研发部门。但Agent真正的工作链已经变成Understand ↓ Plan ↓ Use Tools ↓ Transform Data ↓ Create Artifact ↓ Verify这里真正核心的能力其实不是Coding。而是Execution。例如法务人员并不一定需要让Codex开发一个软件。他可能需要读取合同 ↓ 提取关键条款 ↓ 对照Policy ↓ 整理风险点 ↓ 生成Review材料销售可能需要读取CRM ↓ 分析客户 ↓ 整理历史沟通 ↓ 生成账户研究 ↓ 准备Follow-up招聘可能需要整理候选人资料 ↓ 分类 ↓ 结构化面试反馈 ↓ 生成招聘报告这些工作虽然没有传统意义上的“编程”但都有共同结构多步骤 多来源 明确交付物。这正是Agent擅长的任务形态。三、Coding Agent正在变成“工作执行器”传统ChatGPT解决的是告诉我答案。Agent解决的是帮我把事情推进下去。两者差别非常大。传统模式Human ↓ Ask ↓ AI ↓ AnswerAgent模式Human ↓ Goal ↓ Agent ↓ Tools ↓ Work ↓ DeliverableOpenAI把目前企业AI的变化直接概括成从Assistance走向Execution。截至2026年6月在企业客户中Codex产生的输出Token已经占ChatGPT与Codex合计输出Token的64%。官方同时说明Agent任务通常更长、步骤更多所以这个64%不能简单解释成64%的企业工作已经由Codex完成但它确实反映出企业正在把更多长任务和多步骤任务交给Agent。所以Codex真正扩张的不是编程场景。而是任务执行场景。四、为什么法务增长会达到108倍这个数据很容易被误解。它并不是说Codex现在主要被律师使用。更准确的理解是法务从一个非常低的起点开始快速进入Agent工作模式。而法务其实天然存在很多适合Agent的工作。例如合同 ↓ 条款分类 ↓ 风险分析 ↓ Policy对照 ↓ 差异整理 ↓ Review材料传统情况下这些工作大量依赖搜索复制整理对照格式化。人真正最有价值的部分其实是法律判断。如果Agent能够承担前面的信息处理材料准备结构化整理人的注意力就可以更多集中到Risk Interpretation Decision所以Agent真正改变的并不是AI代替律师判断。而是律师是否还需要亲自完成每一个低层级执行步骤。五、销售为什么也会快速Agent化销售看起来距离Coding更远。但仔细看销售工作会发现大量任务其实非常Agent-friendly。比如一个销售准备客户会议。传统流程可能是打开CRM ↓ 查客户官网 ↓ 查历史邮件 ↓ 找旧Proposal ↓ 整理客户背景 ↓ 准备Meeting Notes大量时间都花在Information Assembly。如果Agent可以连接正确Context和工具就可以变成Customer ↓ CRM ↓ Past Communication ↓ Playbook ↓ Agent ↓ Account BriefOpenAI最新企业数据也专门举例说明销售类Plugin可以把团队Playbook和CRM连接起来让Agent利用最新客户信息及历史Proposal生成针对性的回复材料。所以销售Agent真正减少的是Context Gathering Cost。六、招聘为什么也特别适合Agent招聘流程本质上也包含大量结构化步骤Resume ↓ Candidate Profile ↓ Interview Notes ↓ Scorecard ↓ Feedback ↓ Decision Support真正困难的地方往往不是读取一份简历。而是大量资料分散在不同地方不同面试官写法不同信息需要统一整理最终还需要形成可以Review的材料。Agent最大的价值就是把这些Scattered Inputs转成Structured Workflow。所以招聘人员最终可能越来越少手动完成搬运信息整理格式重复总结。而更多关注候选人判断岗位匹配面试质量。七、这其实暴露了一个更大的趋势知识工作越来越像“软件任务”过去我们会认为软件工作和知识工作差别很大。但Agent进入以后二者在系统层面反而越来越像。软件任务Input ↓ Repository ↓ Tools ↓ Execution ↓ Test ↓ Result知识工作Input ↓ Documents / Data ↓ Tools ↓ Execution ↓ Review ↓ Deliverable真正的区别只是软件工程用Test验证。知识工作可能使用PolicySourceRubricHuman Review进行验证。所以Agent时代真正重要的问题变成能不能把知识工作定义成一个可执行、可验证的Workflow一旦可以它就开始具备Agent化条件。八、OpenAI内部的变化更能说明这个方向OpenAI今年6月公布的内部研究显示Codex最早当然由工程师大规模使用但之后Legal、Finance和Recruiting快速跟上。到2026年4月左右这几个非工程部门也开始把Codex作为主要AI工具内部平均律师或招聘人员超过85%的输出Token已经来自Codex而不是ChatGPT。更值得注意的是非开发用户不只是拿Codex做“文本工作”。OpenAI表示非技术人员还经常用Codex完成一些传统上超出自身岗位描述的技术执行比如自动化数据转换内部工具Debug结构化分析。这意味着Agent还在改变另一件事Job Boundary。九、Agent正在降低“跨岗位执行”的门槛过去一个销售如果想自动处理数据写脚本搭一个内部小工具通常需要找数据团队工程团队运营团队。现在可能变成Business User ↓ Describe Goal ↓ Agent ↓ Code / Tool / Data ↓ Result这并不意味着所有人突然变成程序员。真正发生的是代码正在从专业身份逐渐变成Agent使用的一种执行工具。对用户来说他可能根本不关心Agent是否写了Python。他真正关心的是报告有没有生成数据有没有整理好Workflow有没有跑通所以Code越来越可能从User-facing Skill变成Agent Internal Tool。十、这也是为什么“Codex”这个名字正在变得比“Coding”更宽如果Agent最终完成的是Research Analysis Automation Documents Data Tools那么代码只是完成这些任务的一种手段。比如为了分析销售数据Agent可能自己写一段Python。为了生成运营DashboardAgent可能创建一个简单Web页面。为了批量处理合同Agent可能自动写脚本。最终用户交给Agent的是Goal。Agent内部自己决定是否需要Code。于是User Task ↓ Agent ↓ Maybe Code ↓ Outcome而不是User ↓ Ask for Code这就是Coding Agent走向General Execution Agent的重要一步。十一、ChatGPT Work和Codex之间的边界也会越来越值得关注OpenAI最新企业研究在描述“从asking到doing”时同时提到了ChatGPT Work和Codex前者可以帮助知识工作者跨来源收集材料、创建交付物后者则继续承担更Agent化的执行任务。这意味着未来真正的分工可能不再按照程序员 / 非程序员划分。而更可能按照任务类型划分。比如Conversation Research Document Work Technical Execution Automation不同任务进入不同执行路径。用户并不一定需要知道后台到底是哪一个产品或Agent完成。十二、真正重要的单位正在从“岗位”变成“Task”传统软件通常围绕岗位设计CRM给销售。IDE给工程师。ATS给招聘。合同系统给法务。Agent时代可能出现一种新的结构Task ↓ Context ↓ Tool ↓ Agent例如“分析一个客户”可以来自销售。“分析一个供应商”可能来自采购。“分析一个候选人”来自招聘。虽然岗位不同底层Workflow却可能非常类似Gather ↓ Compare ↓ Reason ↓ Produce ↓ Review所以Agent最终可能越来越围绕Work Pattern而不是Job Title设计。十三、为什么非工程部门增长速度反而可能更快工程师本来就是Codex最早的一批重度用户。因此工程部门已经拥有较高基数。所以从2月至今工程增长5倍而法务增长108倍并不能直接说明法务现在的绝对使用量高于工程。OpenAI明确将这些数字用于说明Agent采用正在从软件工程快速向其他知识工作职能扩散。但另一方面非工程部门确实拥有巨大的未Agent化Workflow存量。过去这些任务主要靠手工ExcelEmail文档人工协调。一旦Agent能够进入增长空间自然很大。十四、真正决定非工程Agent能不能规模化的是Verification软件工程之所以Agent化早一个重要原因就是测试。代码改完Run Test通过还是失败相对清楚。知识工作更难。例如Agent写了一份市场研究合同分析候选人报告。什么叫正确所以知识工作要真正Agent化必须建立新的Verification Layer。例如法务Policy Source Clause Reference Human Review销售CRM Data Playbook Source Evidence Manager Review招聘Scorecard Defined Criteria Structured Evidence Human Decision所以未来真正的竞争点可能是谁能把模糊知识工作变成可验证Workflow。十五、这也是为什么Skills和Plugins会越来越重要Agent从程序员圈扩散以后最大的挑战就是通用模型并不知道你公司的销售标准是什么法务Policy是什么招聘Scorecard是什么市场研究流程是什么。所以必须加入Company Context Tools Rules WorkflowOpenAI最新数据显示在AI使用最深的Frontier企业中每周活跃用户使用Plugins和Skills的比例都明显高于典型企业。官方认为连接公司Context、工具和可重复Workflow是企业从AI访问走向更深Agent化的重要基础。换句话说General Agent真正进入企业以后最终一定会变成Company-specific Agent。十六、未来的岗位能力可能出现一个很大的变化以前岗位能力主要分两类Domain Knowledge Software Skill例如销售需要懂客户会CRM。法务需要懂法律会合同系统。未来可能再增加一层Agent Delegation Skill也就是知道什么任务适合交给Agent需要哪些Context哪些步骤可以自动怎样判断结果什么时候必须人工接管。这可能比“会不会写Prompt”更重要。十七、程序员也不会因此失去优势Codex走出程序员圈并不代表工程师的重要性下降。恰恰相反。因为Agent越进入各部门企业越需要有人解决工具数据权限WorkflowVerificationIntegration。也就是说过去工程师主要写Business Software。未来越来越多工程工作可能变成Agent Infrastructure。比如为销售Agent接CRM为法务Agent建立文档检索为招聘Agent设计数据接口为Agent建立安全边界和审计。所以程序员的位置可能从唯一能写代码的人逐渐变成构建整个Agent执行环境的人。十八、企业组织可能出现新的“Agent Layer”传统组织Sales Legal Recruiting Marketing Engineering每个部门拥有自己的工具。未来中间可能增加一个共享层Sales Legal ↘ ↙ Agent Layer ↗ ↖ Recruiting Marketing这个Agent Layer提供共享模型工具数据连接SkillsGovernanceVerification。各部门只需要在上面沉淀自己的Workflow。这会让企业AI从很多独立AI使用案例走向一套统一Agent基础设施。十九、真正的变化不是“人人都会编程”很多人看到Codex进入法务、销售和招聘很容易下一个结论AI让所有人都可以写代码了。这个判断其实太窄。更准确的是AI让更多人能够直接调度数字执行能力。代码只是其中一部分。真正重要的是过去员工需要找另一个专业团队才能完成的事情现在可能可以先交给Agent。所以Agent真正降低的是Execution Barrier。二十、未来知识工作的基本结构可能越来越相似无论你是工程师律师销售招聘市场。很多工作最终都会变成Goal ↓ Context ↓ Agent ↓ Tools ↓ Execution ↓ Evidence ↓ Human Judgment不同岗位真正保留下来的核心差异可能越来越集中在Domain Judgment而大量整理执行转换检索生成则越来越多由Agent承担。最后Codex最早从软件工程开始是因为软件世界天然拥有清楚Context工具执行环境测试Verification。但OpenAI最新企业数据已经显示Agent采用正在快速向法务、销售、招聘和营销等知识工作扩散自2026年2月以来企业Codex周活用户在法务增长108倍、销售和招聘增长41倍、营销增长26倍而工程增长约5倍。真正值得关注的不是这些倍数本身。而是背后的方向Coding Agent ↓ Task Agent ↓ Execution Agent ↓ General Knowledge Work未来Codex真正的边界可能越来越不由“会不会写代码”决定。而由这个工作能不能被拆成一个拥有Context、Tools、Execution和Verification的Agent Workflow。一旦可以它就不再只是程序员的工作。所以Codex真正走出程序员圈并不是因为所有人都开始编程。而是因为编程正在变成Agent内部的一种执行能力。员工真正交给Agent的是任务。Agent内部自己决定需要搜索需要分析需要写代码还是需要调用工具。从这个角度看Coding Agent真正的下一阶段也许已经不只是写更多代码。而是逐渐变成企业里一层新的General Execution Layer。持续更新Codex、大模型开发相关技术内容。长期使用各类代码大模型整理了稳定的AI会员订阅渠道。