“一个人，两个月，你就取得了如此显著的进展！”今年，大北农集团AI先锋最高奖项“董事长特别奖”给了一个不会写代码的饲料销售。
陈岩常年跑在黑龙江的县城和村屯里，工作是卖饲料。但过去两个月，他一个人用飞书和豆包工作搭出了一套AI销售经营系统：筛客户、排路线、算经济账、回答养殖问题，再把每次拜访的数据重新送回系统，参与下一轮判断。
上线两周，这套系统从沉睡的客户数据里筛出72家高价值客户、12家即将流失的风险客户，并直接促成超过40万元成交。
9月15日，在“2026飞书未来无限大会暨豆包工作开工大会”上，飞书正式发布8.0版本，豆包工作也同步开启企业使用。
一个是已经进入大量企业日常协作流程的办公平台，一个是面向工作场景的AI产品。两者开始走到一起。
当天，字节跳动CEO梁汝波出席大会，并宣布豆包、飞书、火山引擎三支力量将在企业市场进一步协同。飞书CEO谢欣则将飞书与豆包工作的组合称为"AI时代的最优解"。
为什么是飞书加豆包工作？进入2026年，企业已经不缺AI产品。
从大模型、知识库到Agent平台，国内外科技公司几乎都在争夺企业AI的入口。模型越来越聪明，Agent能完成的任务也越来越复杂。
但在企业市场，“能搭出来”和“能用起来”，一直是两回事。
一旦AI从演示环境进入真实业务，问题迅速变得具体：它读到的数据是不是最新的？能不能调用真实的业务工具？知不知道公司的价格红线？能不能看到自己无权访问的数据？执行出错了怎么办？一个老员工几十年积累的经验，又怎么教给AI？
大模型解决了AI“会不会干”的一部分问题，企业真正面对的却是另一个问题：AI怎么进入一家公司，真正开始干活？
这也是飞书与豆包工作组合之后试图回答的问题。
AI不能只待在聊天框里。它得下基层，进入销售拜访、生产车间、仓库和经营决策，进入那些真正产生收入、成本和风险的地方。不妨从离客户最近的地方看起。
给一线销售装一套系统
陈岩给自己装了一套现实版的系统。
作为大北农在黑龙江的一名饲料销售，他每天面对的其实是大量琐碎、但直接影响成交的问题。
客户在哪里、养了多少猪、历史采购量是多少、多久没联系了，这些信息散落在Excel、聊天记录和销售自己的记忆里。
每天先拜访谁，往往凭经验；到了猪场，客户问“换你的饲料到底能多赚多少钱”，又需要现场算账；拜访结束后，信息能不能完整留下来，则取决于销售有没有及时记录。
大北农一线销售 陈岩
今年，大北农开始使用飞书。拿到豆包工作内测版后，陈岩用飞书多维表格沉淀客户数据，用豆包工作展开分析、进而调用妙搭将分析结果做成一线可以直接使用的工具。
两个月后，一套覆盖拜访前、中、后的经营系统跑了起来。
每天出门前，陈岩先打开客户作战地图。地图上不仅有客户的位置，还标注着养殖规模、历史销量、合作状态和风险等级。系统根据客户价值和地理距离，给出当天的拜访顺序。
到了猪场，AI开始进入真正影响交易的环节。
客户想知道换饲料是否划算，陈岩可以输入养殖规模、用料成本、料肉比和当天猪价，现场算出保本点和利润差异。
客户想改造猪舍，他用妙搭做出的3D猪舍改造工具，可以直接展示方案、预算和预期收益。过去需要联系第三方设计公司、等待十来天的方案，现在十几分钟就可以生成。
3D猪舍改造工具
遇到养殖技术问题，“猪事通”知识库则接入了大北农多年积累的养殖SOP和服务经验，答案可以追溯出处。
真正重要的变化发生在拜访结束之后。
客户信息、推进结果和服务需求重新回到飞书多维表格，成为下一轮分析的数据。管理者可以看到整体经营情况，AI也会基于不断增加的数据重新判断客户价值和风险。
于是，一次销售拜访不再是一个孤立动作，而开始形成闭环：
数据决定去见谁，AI辅助现场判断和成交，拜访结果再成为下一轮判断的数据。
据大北农方面介绍，这套系统上线两周，从客户数据中筛出72家高价值客户，对应508吨售卖潜力；12家风险客户全部得到跟进，未发生一例流失。现场使用的AI工具还直接促成两起成交，金额超过40万元。
目前，大北农已经培养超过600名AI先锋，并计划年底前将这套AI销售经营系统推广至全国30个区域。
把这个案例拆开，会发现真正让AI跑起来的并不只有模型。
飞书里已有业务数据和工作流程，企业自己拥有多年积累的知识；多维表格把业务数据结构化，豆包工作负责理解、分析和执行，妙搭再把结果变成一线员工可以直接使用的工具。
平台提供底座，企业提供知识，AI负责连接和执行。
这也是“飞书+豆包工作”这套组合试图解决的问题：不是再给员工增加一个独立的AI入口，而是让AI进入员工原本就在发生的工作。
企业AI真正要跨过的门槛，也因此从“帮人看”变成了“帮人干”。
但能干活之后，一个更难的问题随之出现：企业敢不敢真的让AI进入核心业务？
有边界感的AI，企业才敢用
“AI可靠到什么程度，组织才会采纳到什么程度。”
在飞书大会下午的AI+销售场闭门会议上，华熙生物大运营与数字化中心总经理赵宏这样总结企业使用AI的顾虑。
对个人用户来说，AI写错一段文案，大不了重新生成。但企业里的错误往往直接对应成本和风险。
如果AI给销售生成一套组品方案，价格低于成本线；或者推荐了一款已经断货的商品，等客户下单后才发现无法交付，一次错误带来的损失可能远不止一笔订单。
因此，消费级AI追求的往往是“尽可能回答”，企业级AI还必须知道：什么不能做，什么不能看，什么时候必须把决定交还给人。
华熙生物的实践就是如此。
华熙旗下拥有润百颜、夸迪等多个品牌，产品线复杂。一线销售在大促和定制场景中，需要跨品牌组品、核价、叠加优惠、查询库存，同时还要守住利润率。
过去，这套流程主要靠人工计算。耗时之外，一旦库存或促销规则发生变化，一套做到一半的方案就可能推倒重来。
接入飞书体系后，华熙用豆包工作搭了一套智能选品系统。销售用自然语言描述客户需求，系统可以在10秒内生成3至5套方案，每套附带核心卖点和完整产品清单。
华熙生物的“小助手熙熙”
但这套系统最关键的能力不是快，而是守规矩。
每套方案交给销售之前，都要通过企业自己定义的规则：品类是否匹配、价格是否允许、库存是否充足、利润率是否达标。
四条全部满足，方案才会被推给销售；任何一条不满足，方案就不会被采用。
这些规则并不是AI从公开信息中自行判断的。价格和库存来自华熙真实的业务系统，利润率门槛来自企业自己的经营要求，最终是否采用方案仍然由人决定。
AI在企业里干活，遵循的应当是企业自己沉淀的经营规则和业务流程，而不是模型自己认为合理的逻辑。
除了业务规则，还有权限边界。
豆包工作融入飞书后，继承飞书原有的组织权限体系。员工本身无权访问的信息，AI同样无法访问；Agent的操作可以留下日志，权限范围由企业管理员进行管理。
业务有规则，数据有权限，操作有留痕。
对企业来说，AI真正进入核心业务之前，需要的不是一个无所不能的超级员工，而是一个知道自己边界在哪里的数字同事。
这也是为什么，企业AI的竞争走到今天，单纯比较模型能力已经不够了。
模型决定AI能做什么，而企业的数据、规则、权限和工作流，决定了AI到底能不能被真正用起来。
效率之外，是组织资产
如果企业AI只是帮员工每天节省一两个小时，它的价值最终仍然只会被换算成效率。
更大的变化可能发生在另一个地方：那些过去无法被数字化的经验，开始被留下来。
企业里最值钱的东西，很多时候从未存在于任何数据库里。
资深销售知道什么时候应该继续谈价格、什么时候应该停；老师傅看一眼参数就知道生产环节可能出了什么问题；顶级组货师知道哪些商品摆在一起更容易卖。
这些know-how长期存在于人的脑子里。
人一离开，经验也跟着离开。
AI提供了另一种可能。
在华熙生物，被验证过的优质组品方案会进入模板库，新人不必再从零摸索。AI考官还可以模拟不同客户场景进行培训、逐项打分并形成能力画像。
过去老销售多年摸索出来的打法，可以被整个团队调用，新人培养周期从半年压缩到两个月。
飞书未来无限大会现场
在大北农，陈岩的系统能够向全国30个区域推广，同样不是因为每个区域都能再找到一个陈岩，而是因为他的客户管理方式、分析逻辑和工具开始被固化下来。
类似的变化也发生在车间。
南京钢铁一名年轻员工用豆包工作做了一个南钢高炉工长AI助手，将操作、语音交互和经验复盘中形成的炼铁知识，按8大分类体系整理进知识库，为一线提供可随时查询的专业支持。工长遇到问题，可直接在飞书群里@AI助手，5秒内获得答案。
老师傅会退休，但几十年积累下来的经验可以继续留在岗位上。
三个看似完全不同的案例，指向的是同一件事：陈岩留下的是销售经验，华熙留下的是组品经验，南钢留下的是工艺经验。
过去，这些能力跟着人走；现在，它们开始留在组织里。这也是飞书与豆包工作结合之后一个容易被忽略的价值。
AI需要企业上下文，而大量上下文本就产生在每天的协作中：一份文档、一次会议、一张多维表格、一条业务流程，甚至一次客户反馈。
当AI能够理解这些上下文，再把人的判断和执行结果重新沉淀下来，AI使用得越多，留下的就不只是一次次任务结果，也可能是企业自己的知识和经验。
这可能是企业AI相比单纯提效更值得关注的价值。效率终归有天花板，而资产，才会产生复利。
让掌握炮火的人，听见炮声
AI下基层还有另一层含义：不只是把公司的知识送到一线，也要把一线发生的事情送回决策层。
华熙药械线近400名一线销售，每天都会产生大量日报。过去，基层经理每周需要翻阅160多份。更大的问题还不是阅读量，而是信息在组织层级之间不断被压缩。
销售记录的是客户最直接的反馈，到了区域经理那里变成数字摘要，再到事业部，最后可能只剩下一句：完成率90%。好消息容易被保留，异常、风险和微弱的市场变化却可能在层层汇报中消失。
接入飞书体系后，AI每天自动读取日报，并针对不同角色生成不同的信息。区域经理看到拜访进展和客户动态，产品经理看到市场反馈和竞品信号，事业部负责人看到全局风险和机会。
AI做的不是把所有信息压缩成同一份摘要，而是根据不同岗位的决策需要重新分拣信息。经理每周需要阅读的内容从160份降到20份，但一线信息反而能够穿透更多组织层级。
赵宏将这种变化总结为：过去很难做到让听得见炮声的人指挥炮火，但AI可以让掌握炮火资源的人，更快听到哪里出了问题。
同一场闭门会上，飞书渠道生态副总裁王思前分享了另一个例子。过去他向产品团队提需求，得到的质疑往往是：一个客户的反馈，能代表市场趋势吗？
但当大量客户沟通都沉淀在系统里之后，一线反馈就不再只是某个销售的感觉。一个场景有多少客户提出、出现频率如何、客户愿意为此支付多少，都可以被量化和追溯。
当一线的数据足够多、足够及时，AI带来的就不只是效率提升。它开始改变信息在组织里的流动方式。过去，管理依靠层层汇报来压缩信息；现在，AI让企业有机会在不显著增加管理成本的情况下，处理大量来自业务一线的信息。AI下到基层，一线的信息也因此有机会更快回到决策层。
尾声：AI的下一场竞争，在业务里
大北农在猪场，华熙在大促，南钢在车间。
这些故事离硅谷的AI叙事很远，离中国企业的真实需求很近。
过去两年，AI竞争很大程度上围绕模型能力展开：谁更聪明，谁拥有更长的上下文，谁能够完成更复杂的任务。
但当AI真正进入企业，问题正在发生变化。
企业关心的不再只是AI会不会，而是它能不能读到正确的数据，遵守企业的规则，调用真实的业务系统，在正确的权限下完成工作。
再进一步，它能不能把一次次人的经验和AI的行动，重新沉淀为组织可以持续调用的能力。
9月15日，飞书8.0与豆包工作同时站到了台前。
两者的结合也代表了一种企业AI的思路：一边是AI的理解、推理和执行能力，一边是企业真实的数据、知识、权限和工作流。AI只有进入后者，才可能真正从一个工具变成企业里的同事。
据飞书方面披露，今年上半年其ARR增速达到去年同期的2.5倍，超过九成新增客户同步采购AI产品。对企业AI而言，这或许是一个比模型参数更值得观察的信号。
当大模型越来越成为基础设施，企业AI的下一场竞争，不只发生在模型榜单和聊天框里，而会越来越深入企业真正创造收入、控制成本和承担风险的地方。
那里有猪场、有车间、有仓库，也有每一次销售拜访和经营决策。AI不缺大模型，真正缺的，是下基层。
*以上内容不构成投资建议，不代表刊登之观点，市场有风险，投资需谨慎，请独立判断和决策。
