99% 的团队都以为，效率问题要靠「多招人」解决，Ascendea 却用 10 个人和一个叫 James 的 AI，把整体产出拉高了 90 倍。更反常的是，这个 AI 不是写几封邮件、做几张图，而是被当成「幕僚长」，负责从战略到执行的整条链路。你可能也在用各种 AI 工具，但 Ascendea 的玩法，完全是另一种级别。
Ascendea 把这个 AI 幕僚长安在运营系统的正中央，让它接住所有复杂、跨部门、跨步骤的工作。那些原本要几周才能跑完的流程，现在往往只需要几次交互就能出可用结果。等到团队发现：连从没写过 prompt 的同事，都能让它搞定多步骤任务时，James 的角色就不再是「试验品」，而是「核心同事」。
James 如何坐上「AI 幕僚长」的位置
三层 AI 队形：把 Manus 放在「最难的那一层」
你以为好用的 AI 就该「全能」，Ascendea 却反过来做：把 Manus（内部昵称 James）只用在最复杂的工作上。公司位于华威大学科技园，主营为英国中小企业打造 AI CRM、智能代理和自动化系统。CTO Rob Arnold 一直有个习惯：新 AI 工具一律丢进真实 side project 里试，绝大多数都止步于试验阶段。
Manus 之所以被「扶正」，关键在于它处理复杂任务时的稳定产出。Rob 发现，任务越复杂、步骤越多，和 Manus 来回沟通的轮次反而越少，结果越接近可直接上线的版本。于是他给这个代理起了个更像同事的名字——James，并把它放进公司运营模型的最上层。
Rob 的原话是：「你不会拿 Manus 去干那些最基础的活，我们给它搭了一个分层系统，让它坐在最顶上。」
这句话背后，其实是一个很现实的判断：算力和注意力，都要留给最值钱的那部分工作。
顶层 James，中层 Slack 代理，底层本地 AI 队
Ascendea 把 AI 队伍拆成三层，每一层只干自己最擅长的事：
- 顶层——Manus（James）：负责所有复杂、强上下文的工作，比如战略文件、技术架构设计、深度调研，以及任何需要多步推理和长链路执行的任务。
- 中层——Victor、Victoria、Ava：这三个是嵌在内部 Slack 里的对话式代理，直接面向员工。Victor 负责技术支持，Victoria 负责运营，Ava 负责客户服务，超出它们能力范围的任务就往上转给 James。
- 底层——AI Crew：6 个跑在专用服务器上的本地代理，按固定节奏自动执行高频、重复的任务。
这三层并不是各干各的，而是被当成一个「操作系统」来用。团队会先用 Manus 起草战略、SOP 和技术蓝图，再由本地代理按计划定时执行。Slack 里的代理则给人类同事提供一个自然语言入口，方便随时发起任务。
当某个任务超出本地代理的预设范围时，系统会自动把它升级给 Manus 处理，并在关键节点保留人工审核。这种「分层 + 升级」机制，是很多团队现在还没意识到的信息差：AI 不是一个工具，而是一套分工体系。
第一个爆点：一天写出 303 份 SOP
把「散落在脑子里的流程」变成可执行资产
很多公司都被 SOP 卡住：大家嘴上说要标准化，文档却永远写不完。Ascendea 直接用 Manus 把零散的流程经验，压缩成 303 份 SOP，而且只花了一天。Rob 粗算了一下，如果靠人工，两个人要干大约 14 周才能完成同样的工作量。
原因很现实：Ascendea 针对不同服务都有不同流程，客户一多，质量就开始出现波动。新同事入职要被手把手带好几周，Rob 几乎成了所有问题的「唯一答案」。为了解决这个瓶颈，他们决定用 Manus 搭一整套 SOP 体系。
据 Rob 回忆，那天 Manus 生成的 303 份 SOP，覆盖了从销售、交付到运营的关键流程。「如果靠人写，这大概是两个人要干 14 周的项目。」他说这话的时候，语气里有点后知后觉的轻松——原来以前扛在自己身上的那些活，其实可以交给 AI。
SOP 不只给新人看，也是 AI 的「作战手册」
效果很快就显现出来。2026 年 4 月，Ascendea 新招了 3 名 SDR（销售开发代表），他们在入职几天内就能开始正式对接客户。支撑他们的，不是某个资深同事的「口口相传」，而是那套完整的 SOP 库。
更有意思的是，这些 SOP 同时也成了本地代理的「执行说明书」。新人看 SOP 学流程，AI 看 SOP 直接执行流程。人类团队从「亲自做」转向「设定方向、审阅结果、做最终决策」。
为了让这些成果真正融入日常，Ascendea 还搭了一个内部入职与知识中心：https://manus.ascendea.ai/。员工可以在这里按角色、按任务快速找到对应 SOP 和 AI 使用指南。到这一步，Manus 已经不再是 Rob 的个人实验，而是公司操作系统的一部分。
从一个项目，扩展到整家公司
每个岗位都有一份「AI 能帮你干什么」清单
SOP 项目验证了 Manus 的上限，Ascendea 便开始把它扩展到报告、自动化和获客流程。起初主要是 Rob 自己在用，慢慢地，其他同事也被拉进来。并不是所有人一开始都买账，但当每个岗位都拿到一份「针对自己角色定制的 Manus 使用 SOP」后，接受度明显提高。
Rob 说：「现在基本上每个人每天都会用它。」这句话听着很日常，却意味着一个关键变化：AI 不再是少数技术同事的玩具，而是所有岗位的标配工具。有用户反馈，类似的推广方式，比单纯培训「如何写 prompt」要有效得多。
对 Rob 来说，Manus 更像一个技术合伙人。它会质疑他的假设，对比不同工具，生成技术报告，甚至一起推演实施路线图。「它会挑战我的一些想法，」Rob 说，「比如问：要不要换一种做法？要不要考虑用另一套工具？」
从内部文档，到对外业务拓展
在其他团队那里，Manus 主要接管了原本需要人工拼装的文档和报告。面向客户的一侧，用它来起草结构化的项目提案；客户成功和交付团队，用它生成每周绩效报告；策略团队则让它写竞品分析、市场评估等深度文档——这些过去往往要分析师花好几天。
Manus 会从 Ascendea 授权的数据源中拉取信息，先拼出初稿和报告，再由团队成员审核、补充、拍板。说实话，这种「AI 打底，人类定稿」的模式，现在已经成了不少高效团队的共识。
更具想象力的一步，是把这套执行能力对外延伸到业务拓展。Ascendea 的并购（M&A）团队需要持续寻找符合收购标准的数字营销机构，以前全靠人工慢慢筛。Rob 直接让 Manus 设计整套流程：包括工作流逻辑、代码实现，以及系统运行说明文档。
现在，这条自动化工作流会分析公开的公司数据，对潜在标的打分排序，并生成待审记录。Ascendea 团队只要审核并通过某个推荐，系统就会自动把这条记录写入 CRM。那些原本耗时耗力的市场调研，如今在后台静默运行。
当野心不再被「人手不够」卡住
10 人团队，112 个客户，30 条左右 AI 工作流
现在的 Ascendea，只靠 10 名正式员工，就服务着 112 家活跃客户，覆盖会计、金融、科技和教练等多个行业。支撑他们的，是一支 AI 队伍：James（Manus）、3 个 Slack 代理和 6 个本地代理，共同运行着 28 到 33 条实时 AI 工作流，由 James 统筹协调。
一位参与项目的同事形容这种感觉：「以前接新客户，第一反应是我们人手顶不顶得住；现在更多是在想，这个需求能不能拆成几条工作流交给 James。」我也不太确定这个说法对不对，但听起来很像很多中小团队正在经历的心态转变。
有数据显示，2024 年后，采用 AI 工作流的中小企业，人均产出提升 3～5 倍并不罕见，但像 Ascendea 这样在复杂工作上做到 90 倍，是极少数。
他们的差别不在于「用了什么模型」，而在于「怎么把 AI 嵌进组织结构」。
当执行层面的大量工作被 AI 接住，团队的容量就不再被「人头数」死死限制。真正稀缺的，变成了：谁更懂客户、谁能设计出更好的流程、谁能提出更有价值的问题。风险也存在——比如过度依赖 AI 可能带来决策偏差、数据隐私问题、员工技能退化等——但 Ascendea 的做法是：把 AI 当成「放大器」，而不是「替代品」，关键节点必须有人类拍板。
一套可复用的判断标准
如果你也在考虑给团队上一个「AI 幕僚长」，可以先用 Ascendea 的思路做个自查：
- 哪些任务高度复杂、跨部门、跨步骤？优先交给类似 James 的顶层代理。
- 哪些任务高频、重复、规则清晰？适合放到本地或云端的自动化代理里。
- 员工日常最自然的入口在哪里？是 Slack、飞书还是邮件？在那里放上对话式代理。
- 有没有把流程写清楚？SOP 不只是给新人看，也是 AI 的「作战手册」。
- 每条工作流的「人工审核点」在哪里？提前设计好，别让 AI 悄悄接管了关键决策。
这套判断方法，在很多团队里被反复验证有效，值得你先收藏下来，等到要做 AI 改造时拿出来对照一遍。如果你正面临「想做的事很多、人手永远不够」的局面，这种分层 AI 队形，可能比问身边人「要不要多招几个人」更有用。
常见问题
Q：小公司也适合搭建像 Ascendea 这样的 AI 三层架构吗？
A：适合，但不必一开始就做得那么复杂。关键在于先识别出 2～3 类最耗时、最影响结果的任务，用一个顶层 AI 代理（类似 James）来承接，再逐步往下拆分。原因在于，小公司资源有限，如果一上来就铺很多工具，反而会增加管理成本。更可行的做法是：先选一个对话入口（比如 Slack 或飞书），接入一个能力较强的 AI 代理；然后把一两条高频流程写成 SOP，让 AI 按 SOP 执行；等跑顺了，再考虑增加本地自动化代理和更多分工。
Q：如何判断一项工作该交给 AI 还是必须由人来做？
A：可以用「复杂度 × 风险」这两个维度来判断。复杂但低风险的任务（如初稿撰写、数据整理、方案备选）非常适合交给 AI，而高风险且需要价值判断的环节（如最终报价、合同条款、关键用词）则必须由人来拍板。原因在于，AI 在模式识别和生成上很强，但在价值取舍、伦理判断和长期责任上仍有明显短板。建议你在每条工作流上标出「AI 可全权处理」「AI 先做草稿，人类定稿」「人类必须全程负责」三种标签，并定期复盘是否需要调整边界。
Q：用 AI 写 SOP 会不会导致文档脱离实际、变成形式主义？
A：如果只是把「理想流程」丢给 AI 生成，确实容易出现这种问题。解决办法是：先由一线同事把真实做法用要点形式写出来，再让 AI 帮忙结构化、补充细节和优化表述。原因在于，一线经验往往是碎片化的，AI 擅长的是把碎片拼成体系，而不是凭空想象流程。可操作的做法是：选 3～5 个关键流程，先录音或用要点描述，让 AI 生成 SOP 初稿；然后让实际执行的人逐条标注「真实」「不准确」「需要补充」，再让 AI 根据标注修订，这样文档既省时又贴地气。
Q：把复杂工作交给 AI，会不会让团队的专业能力慢慢退化？
A：有这个风险，如果不刻意设计学习机制，团队确实可能变成「只会点按钮」。原因在于，当 AI 接管了大量推理和写作，人类如果只做机械审核，很难持续积累深度理解。建议的做法是：保留一部分「从零到一」的任务给关键成员，让他们定期亲自跑完整流程；同时要求每次 AI 输出的重要结果，都要附上一段「人类评注」，写明为什么接受或修改，这既是知识沉淀，也是训练思维的过程。管理者还可以定期抽查，让团队解释某条工作流背后的逻辑，而不是只看结果对不对。
Q：如果团队成员一开始抗拒用 AI，怎么推动他们真正用起来？
A：强行要求往往适得其反，更有效的方式是「从他们的痛点出发」。先找 2～3 位愿意尝试的同事，围绕他们最讨厌、最耗时的任务，做出几个明显省时的 AI 用例，再把这些用例写成简单的「岗位版 SOP」。原因在于，人更容易被身边人的成功案例说服，而不是抽象的效率承诺。具体建议：开一个小范围试点群，帮试点成员现场改写邮件、生成报告或整理数据，让他们感受到「原来可以这么快」；等他们开始主动分享经验，再把这些经验包装成培训和模板，推广到全公司，节奏会自然很多。
写到这里，如果你脑子里已经浮现出几条「可以交给 AI 幕僚长」的任务，那就先从其中一条动手试试。很多组织的转折点，都是从第一次把复杂工作，放心地交给一个看不见的「James」开始的。
