Expert first
专家判断型
复杂分析、方案设计、深度专业判断仍应由专家主导，先把经验和边界讲清楚。
适合哪些工作 / Work fit
什么工作适合先被软件化
我们不从所有 AI 任务开始，而是先选择高频、可验证、依赖经验判断的运营流程。这类工作每天发生，结果能检查，过程里又有大量规则之外的判断。
B 类工作不是一次问答，也不是固定脚本自动化。它要求数字员工在真实软件中持续完成任务，并在例外场景里吸收专家反馈。
结果可验证
执行频率
低频
高频
B-class operations
数字员工优先接手
订单处理、UAT 测试、报价核算、内容审核等场景，有明确结果，也需要组织经验。
Not enough signal
不宜过早产品化
低频且结果难验证的工作，很难形成稳定反馈，不适合作为第一批数字员工场景。
Commodity tools
通用工具能力
问答、翻译、摘要和通用 computer use 会成为基础能力，差异不在这里。
为什么是 B 类 / Why B-class
不是所有知识工作都适合先被数字员工接手
AI 能进入很多工作，但不同工作的交付逻辑不一样。我们优先选择既有明确结果、又依赖企业 know-how 的 B 类业务运营工作。
专家放大器
深度分析、研究、方案设计等工作仍由人定义问题和承担关键判断，AI 更适合放大专家能力。
数字员工主场
订单处理、UAT 测试、报价核算、内容审核等工作结果可检查，又需要组织经验，是可编程劳动力的第一入口。
通用能力商品化
问答、翻译、摘要和通用软件操作会快速变成基础能力，差异化不在“会不会做”，而在能否深入业务现场。
产品模型 / Product model
三个产品共同完成一件事
把 AI 系统翻译成一支可交付、可积累、可审计的劳动力。首页只讲关系，完整能力进入独立产品页展开。
Expert Workspace
进入产品页 →
专家协作台
专家以交办、评审、辅导的方式与数字员工协作，把隐性判断变成可学习的工作标准。
Digital Worker
进入产品页 →
数字员工
有身份、有专长、有状态、有轨迹、有价值和所有权，承接真实运营任务。
Work Environment
进入产品页 →
数字工作环境
连接业务系统、凭据权限、知识上下文和反馈回路，让执行发生在真实现场。
反馈从工作环境回到专家和数字员工，让企业 know-how 不只停留在项目里，而是持续沉淀为可复用的劳动力资产。
从工作到资产 / Work to asset
不是再买一个工具，而是沉淀一支员工
团队真正需要的是稳定完成工作、保留过程证据、复用专家经验，并在下一次执行时变得更好。
专家把判断交给系统
先从真实任务开始，让专家交办、指出边界、验证结果，把原本散落在个人经验里的判断标准显性化。
任务进入业务现场执行
数字员工不只是回答问题，而是在软件、权限、知识和上下文里连续完成工作，并保留执行证据。
结果被复核，反馈被写回
每一次通过、驳回、修正和补充说明，都会变成下一次执行的训练材料和质量边界。
能力成为企业拥有的资产
身份、状态、轨迹、价值记录和所有权让数字员工不只是一次执行结果，而是持续累积的生产力资产。
交付方式 / Delivery model
从一个真实工作流开始交付
我们先选一个高频、可验证、依赖经验判断的运营流程，把专家经验、执行环境和质量反馈接起来，让数字员工逐步承担更多工作。
选择流程找到规则多、结果能检查、专家反复参与的运营工作
接入现场连接业务系统、知识材料、权限和人工复核节点
建立反馈让每次执行都留下证据、错误、修正和质量判断
扩大边界当数字员工稳定完成一类工作，再逐步扩展到相邻流程
验证 / Proof
用匿名场景看数字劳动力如何落地
我们从需要软件操作、业务判断和专家反馈的场景切入，把模式先跑通，再抽象成可复制的平台能力。
UAT Testing
UAT 测试
原本依赖测试人员反复执行步骤、判断异常和记录结果。数字员工接入后，在真实软件中执行测试步骤，异常判断交给专家复核，最终沉淀为可复用的测试执行能力。
Content Review
内容审核
规则不只是一张表，还包含语义理解、边界判断和历史案例。数字员工通过专家反馈持续理解组织自己的审核标准。
Quote Calculation
报价核算
报价场景同时需要业务规则、客户特殊性和计算过程。数字员工保留每次计算依据，方便复核、追溯和复用。
从第一个 B 类工作流开始
选择一个高频、依赖 know-how、结果可验证的运营工作，设计你的第一支数字劳动力