Token导航 LogoToken导航

AI 资讯 · 知危

AI办公落地受限于失败成本低的场景

更新 2026-11-16知危正文 1.3万字阅读约 41分钟1 张图片

图片

AI 办公火得一塌糊涂,但到目前,AI Agent 对大多数普通人最可行的场景其实就四个:

文档、PPT、网页和数据分析,基本还是 Office 三件套,稍微进阶一些的用户,可以再加一个编程。

一个词总结就是:白领办公。

Impa Ventures 投资人 Ryan 告诉知危,“ AI 办公现在适配得最好的场景有一个共同特征:目标明确、可验证、失败成本低。”

Anthropic 曾带头发力 Coding,并让 Claude Code 顺便兼容了 Office 能力,Codex 奋力追赶,如今这两者已经是海外市场中 AI 办公产品的几乎唯二之选。

而如果只看国产,AI 办公已经出现头部集中的收敛趋势。Ryan 表示,“ 由于有资源可以持续提供免费的 token,并能利用入口的存量分发,所以 AI 办公产品的竞争集中到了腾讯、字节、阿里几家互联网大厂。”

由于这几家大厂很早就在办公市场中占据了头部,相当于把故事搬回了老战场。当然,这个老战场还是在解决不少真问题、新问题,至少对个人办公的提效是显而易见的。

而在企业级客户看来,其天花板也非常清晰:团队提效证据不明显。

某上市跨国企业相关管理层向知危提到,他们 token 费用半年翻了三番,但最后在公司财报层面上发现几乎体现不出任何收益。

“ 有人用 AI 之后很快就做完工作,然后开始摸鱼,相当于公司出钱请他摸鱼 ”,该人士表示。

其衍生出的另一个现象是,不少大厂的 token 采购、AI 办公软件订阅等审批流,需要经过 HR 部门审批,他们已经实质性地把 AI 资源看成了一种 “ 人力资源 ”,用以衡量这笔预算所产生的收益。

为了深度了解国内市场上 AI 办公产品的体验、付费点、局限性,以及厂商的竞争和商业化格局,知危与 AI 办公厂商、AI 投资人、企业高管用户进行了交流。

非 AI 体验点

数据平台产品专家李澄( 化名 )很细致地向知危分享了其对 AI 办公产品的体验,并将头部产品进行了对比。

李澄告诉知危,企业用户在产品选择方面,其实没有那么与时俱进或追随热门,“ 还是看各家企业原本在信息化阶段用的是哪家产品,会有先入为主的继承性。除非是极少数情况,比如原先大型国央企用企微比较少,所以现在用腾讯 WorkBuddy 的其实是后续转移过去的。”

“ 中小微企业过去大量在用飞书,因为涉及到企业信息化的建设,最开始没有足够资源的时候,用飞书的多维表格做起来是非常方便的,所以这些企业自然会先使用飞书的 AI 办公。”

在李澄看来,飞书主要的好处在于生态打通,“ 之前用其它 AI 办公产品时发现,家里电脑、公司电脑和手机三端不互通,工作起来比较麻烦,飞书在互通这点上就非常好。再比如它能天然对接飞书文档。我给它留个任务,它可以基于我的 idea 建文档、整理、画图,也可以直接打通妙搭,授权管理也比较方便。而其它 AI 办公产品连接文档做文档管理时,每新建一个文档,基本都要重新授权一次,非常费劲,飞书只需要做一次授权。”

但近期出现了一些新变化,李澄在深度体验后感觉到,WorkBuddy 发展很迅速,“ 它的链接能力无人能敌( 比如联通小红书等 ),它的内核是 Claw+Hermes 模式,除了做规划,还能调用工具直接把活儿干了,实现了跨端协同( 手机、电脑 ),所以,目前它的能力扩展力是强于飞书的。”

权限管控也是很重要的维度,公司内部分享信息时,一般希望只给阅读权限时不能下载,但有些 AI 办公产品就没做好这些细节,“ 这种情况下,在我看来,信息已经被拿走了,知识产权和信息安全没有保障。”

“ 这几个办公产品当中,飞书还有个特别的地方是可以建机器人群,相当于自己组装一个 OPC,里面有不同身份和角色的 Agent,但在其它 AI 办公产品里,要么很难找到机器人,要么不能建机器人群,通常需要内部研发帮忙打通。”

但李澄也认为,这些 AI 办公产品对专业用户来说,有比较大的限制性,“ 比如国内的 AI 办公产品,以及 Hermes Agent 等,默认都把用户当成小白,稍微有一点开发经验的人,想在现有龙虾基础上做二开,其实是不支持的,基本会被赶去用其它 Agent 开发工具比如 Claude Code。企业一般希望将内部自己建的机器人放到 AI 办公产品里,这时只能靠内部研发帮忙打通。”

可以注意到,以上讨论都没有涉及到基模上面的差距,更多是产品层面,何况现在的 AI 办公产品都能轻易切换非原厂的开源模型,比如近期 Kimi K3 就很受欢迎,其 CLI 产品也被一些专家认可是 “ 和国内主流 AI 办公产品能力相当 ”。所以很容易理解,各家的差别早在大模型大量嵌入之前就很明显。

并且,对于 AI 办公产品,首先需要满足的还是办公能力,非 AI 层面的产品体验重视产品易用性、生态打通、二次开发、安全和权限管控,以及复杂业务需求。

那在 AI 层面,AI 办公产品都注意哪些体验点呢?

AI 体验点

目前正准备具身创业的数据平台产品专家杨栖( 化名 ) 表示,AI 办公产品最基础的作用是能直接沉淀各种文档,“ 现在信息越来越爆炸,我特别需要一个机器人,把散落在各处的信息和知识快速整理出来。AI 办公产品的机器人能快速定位文档里的内容,比我自己找快很多。直接用大模型做不到这一点,一般只能从左侧找到之前的对话继续问,而且还会有上下文窗口的问题。”

“ 让 AI 整理信息相当于雇了一个实习生,我同期可以做别的事情,时间会被切得更细,然后工作效率变快。”

“ 另外,特别明显提升的是写作的效率。以前做一份报告,从收集、整理到写作,可能要熬夜干一天,现在更多取决于我的阅读速度。我给大模型派任务,它给我答案,我负责来挑哪些点不对、哪些不够专业、哪些是糊弄过去的。”

“ 其它例子还包括,以前做 PPT 怎么也得三五天,即便是自己熟悉的领域。现在 AI 办公产品的 Claw 有我这半年所有建的文档、资料、会议纪要,我让它在这个基础上做高度总结概括,再结合自己的目标,它可能半个小时就做出来了。最后,产品经理经常要做竞品调研、行业信息沉淀,以前需要花小半个月时间的事情,现在两天就能完成。”

除了工作效率提升,另一个核心体验因素是 AI 能提供即时反馈,“ AI 可以在过程中跟我辩几句,这其实是我最需要的。”

所以总体来看,在 AI 办公产品中,AI 需要在信息的获取、输出和沟通等方面带来效率的提升,“ 从个人提效来看,确切地讲,它已经远远超出我个人对大模型的预期了。”

从投资人的视角,AI 办公产品也能给 Ryan 的团队带来正的效率提升,但不是省了人力,而是扩大了能覆盖的面,“ 以前一个季度能深看的项目数量有硬上限,因为解析材料、整理转录、做对标这些前置工作吃掉了大部分时间,现在这块压缩了,我们能看更多项目,也能把更多项目看到更深一层,对早期投资来说,看的项目数量和深度本身就是收益。”

“ 以前 AI 给我的是素材,现在它给我的是一个可用的中间产物,我在它基础上改,这是两个物种。一个省我百分之十的时间,另一个省我百分之六十的时间。”

要做到这些,其实不需要多花里胡哨的能力,反而非常朴素,“ 如果是用于访谈和会议转录的结构化,最关注不丢信息;材料的解析,最关注可追溯性;多源交叉验证,最关注真实性、不编造。”

付费意愿

如此明显的效率提升,自然是驱动用户付费的最直接因素。用户也会在使用过程中,体会到这个效率提升的来源。专家们一致认可基模能力是最重要的,更具体来说,Ryan 认为,在影响其采纳和付费决策的因素中,模型能力最重,然后是产品的运行框架和工具调用能力,然后是数据和生态接入,然后是记忆和个性化、UI,网络热度、公司预算排最后。

数势科技联合创始人谭李认为,在其使用场景下,是否付费首先关注是否能完成目标,其次是 token 或者 credits 额度。对额度的敏感在 Claude 订阅用户中很明显,即便谭李订阅了 Claude Max 作为日常办公工具,当用最前沿的 Fable 模型时,很容易在几个任务后触及额度上限。如果效果相当,则会开始关注性价比,所以目前企业会积极测试 Kimi、DeepSeek 等国产模型。

但如此强的付费意愿,也与用户群体特点有关系,谭李表示,“ 现在主流的 AI 办公产品,也不是所有普通用户都会使用,更多还是面向有明确工作需求的 Professional User。Professional User 本身有付费意愿和能力,而且产品能直接带来效率提升,所以行业向这个人群迁移很正常。”

“ 之前 AI 行业做了很多 C 端应用,烧了很多钱之后发现,收费比较困难,广告营销的投入短期内也很难有成效,所以大家开始把重心转向 Professional User。AI 办公产品如果再不商业化,可能又会走到豆包这类 C 端应用的路径上。”

Professional User 不仅会被直接的效果激发付费意愿,对新事物的探索热情也会让他们有意愿付出学习成本,杨栖告诉知危,为了让 AI 能实际用到工作中,会在产品不成熟的时候,大量投入成本去调优,也用过几乎所有主流的产品,并积极给同事推荐,“ 这可能跟我的工作性质有关。作为互联网行业的产品经理,体验这些产品、了解行业里做得最好的东西,本身就是必要成本,有点像学费,该出也得出。”

但也存在一些潜在的竞争因素,用户学会调用模型 API 和将 API 嵌入 Claude Code、Codex 等 Agent 框架后( 这确实不难 ),拥有漂亮界面的 AI 办公产品的吸引力就会立刻下降一大截。

AI 产品专家庞舟( 化名 )表示,“ 比如像 DeepSeek 这么划算,拿我自己来说,Codex 和国内的一些 AI 办公产品我也都用,但是我没有订阅它们,不订阅的一个重要原因是我可以自己直接用 DeepSeek 的 API,五六十块钱我其实可以用很久的,而且可以跨好几个平台去用,但我充值这些 AI 办公产品里面后,只能在一个产品里使用,对我来讲 ROI 并不高。”

“ 这些 AI 办公产品自己设计的 Agent 框架,基本上是差不多的,没有什么护城河或门槛,可能某一家的编排做的略微好一些,但至少对于我这样的文字工作者来讲,差别不会特别显著,更大的差别还是在模型上。”

“ 国内主流 AI 办公产品目前主要的用户群,应该是一二线城市的白领,尤其是在信息技术领域从业的这批白领,其实用的是最多最频繁的。因为这一批人的工作脑力劳动、创意性劳动更多,重复性劳动少。大家的付费能力和付费意愿都还是可以的,第一收入更高一些,第二工作场景对 AI 的刚需程度更高一些。”

“ 再下沉一些的市场比如三四线城市的白领,很多就是偏向于重复性的工作,那些工作让 AI 去做,没准还会进一步的浪费时间,因为很多都是已经模板化的东西了,每周跑一遍即可。”

但必须强调的一点是,对 AI 办公产品的付费意愿是在个人用户层面先实现了突破,组织、企业还在尝试性落地。

谭李表示,“ 当然组织和企业也在加快速度。有一些比较先进的组织会开始采购,但目前更多是把它作为一种员工福利,或者帮助团队建立 AI Mindset,让大家知道 AI 可以帮助自己完成很多事情,这离真正的大规模组织级应用还有很大的 Gap。”

“ 如果未来要在组织和团队层面实现大规模订阅和付费,促进团队提效和组织上下文同步这两个问题必须解决。”

对比 Tier 1

AI 办公产品在组织层面的局限性是全球市场共有的,也是本文的重点。但继续深入这个问题之前,国产 AI 办公产品还有一道坎,那就是跟第一梯队的差距还很明显。

谭李认为,在主流 AI 办公产品中,目前最强的还是 Claude CoWork,“ 通用办公场景最重要的首先是基模能力,这可能决定了 80% 的效果,现在 AI 办公的产品化程度其实并不高。”

“ 国内产品更擅长做应用,会加入大量 Skills、Agents、Connector 等能力,也会把模板等功能更显性地放在前面。这其实是为了适应中国市场,如果是面向大众或白领办公场景,这种做法是对的,可以降低使用门槛,让用户直接套用模板、项目管理或‘专家’。”

杨栖补充道,“ 如果只是编程,Codex 其实够用了,尤其 2026 年 5 月之后,至少我常用的编程任务里,基本追上了 Claude Code。但如果不只是编程,还想让它干其他事情,Claude Code 还是更好用一些。”

谭李表示,“ 国产产品和 Claude Cowork 的能力差距主要体现在长程任务中。比如在 Claude CoWork 里建一个 Project,涉及长周期任务时( 比如半个月 ),它能够像 Teammate 一样,不需要你反复补充任务背景,就能从始至终很好地关联整个 Project 的上下文来完成任务。”

“ 我们近期要开发布会,当时建了一个发布会的 Project,涉及大量任务,要和一家媒体、三个政府机构、一个协会联合主办,包括嘉宾邀请、邀请函制作和素材修改等环节。比如街道办临时通知名称需要修改,其它 AI 办公产品可能只能完成当下的修改,甚至还要问你具体改哪一处。但 Claude CoWork 能自动关联整个 Project 的上下文。即使这个 Project 已经进行了三五天,它也知道历史上哪些内容涉及街道办的名称,并自动修改,同时判断其它关联内容是否也需要相应调整。”

“ 此外,当你要求它做一个会议邀请函时,它会基于整个 Project 的上下文,自动找到最新的邀请函模板,并识别此前已经给某公司的嘉宾 A 发过邀请函,判断应该用同公司的嘉宾 B 替换嘉宾 A,还是分别邀请两个人。同时,它还会关联到 Agenda。因为 Agenda 的 Panel 环节也涉及该公司的嘉宾,所以相关信息也会同步调整。”

“ 总体来看,跟 Claude CoWork 合作时,我觉得它像一个 985 毕业、工作一两年的员工,甚至有办过发布会或大型线下 Event 的经验,会比较周全地考虑各种事情。但如果把任务交给其它应用,就会比较累,每次都要重新讲任务背景,告诉它具体哪个功能怎么改、怎么调。但类比到人类员工,你不太可能把一个入职三个月的员工天天当新员工一样教。”

“ 所以,关键是基模能不能把长周期任务中的 Context 抽象出来,有新的输入时,又能精准理解它和已有 Context 的关系。这也是目前让我觉得它真正像一个 Coworker 的地方。你把事情交给这个伙伴,只需要问它要结果。”

“ 如果只是单点任务,效率差距可能很难体现。比如从零开始做一个 PPT,用哪个工具其实都能做,产出效率也差不多,甚至 Kimi K3 可能比 CoWork 还好。”

“ 效率差距不在于某一个 Artifact 谁产出得更快,而在于整个合作过程费不费劲。”

“ 这最终会形成两种协作模式。第一种是,在整个 Process 里,如果把办公工具拉进来,它能像员工一样持续获得所有上下文,随时处理你交给它的任务。”

“ 如果做不到,就只能是第二种,也就是通过人来弥补:把整个 Project 目标拆成一个个小目标,比如海报、邀请函、座位表、分组安排、晚宴安排等,再分别交给具体的同事。每个同事再和 AI 办公产品进行多轮协作,完成单点任务。这两种模式的效率是很不一样的。”

“ 就像公司来了两个新员工,一个一点就透,另一个什么都需要反复交代。你很难说某一项具体工作 A 一定比 B 快,但长期合作下来,效率差距会非常明显。”

Ryan 认为,真正的差距体现在三个更具体的地方,“ 第一是长程任务中的自我验证能力,Claude Code 的负责人讲过一个观点我很认同:让模型在执行过程中验证自己的工作,是当前最被低估的能力之一,国产产品普遍是一路做下去,做错了不知道,也不会回头;第二是从错误中恢复的能力,国内产品在这一点上普遍还很弱,一出错就得重来;第三是评测体系,国内缺乏公开、可信、针对长程 Agent 任务的评测基准。所以我认为,这个差距是模型和框架共同造成的。”

当然,第一梯队也不是完美的,即便在长程任务上也有比较明显的局限,“ Claude 和 ChatGPT 也会有长程任务的上下文衰减。任务跑到第二三十步,早期的约束会丢失,最麻烦的是它不会告诉你它忘了,而是会用一个自洽的错误答案给你填上。然后是数字上的幻觉,文字幻觉大致能看出来,数字幻觉很难看出来。最后的问题可能是成本,如果价格再低点就更好了。”

能力上限

促进团队提效和组织上下文同步,AI 办公产品只有做到这两点,企业才有真正的付费意愿,从而为企业实现 AI 转型。但庞舟告诉知危,AI 转型在硅谷也还是一个大难题。

谭李解释道,“ AI 效率工具并不是协作工具,但可能很多人都没有意识到。比如有人讨论豆包整合飞书,但其实这是两个不同的产品,也有各自的使命:一个解决协作,一个解决生产效率或者办公效率。整合之后,它们肯定希望最终形成一个工作台,同时把效率和协同做好。”

“ 一个人用 AI,叫个人提效;一个团队用 AI,叫团队提效;一个组织用 AI,才能叫 AI 原生组织。组织内部有人使用 AI 办公,并不代表整个组织的效率就会提高,有时候反而可能更低。”

“ 比如一个组织里有 10 个人,当其中两个人最先开始用 AI 工具,你会发现这两个人的工作反而让另外 8 个人更费劲。比如要做一个市场营销方案,他跟 Claude CoWork 或其它工具聊完,很快就丢出一个 MD 文档或者一套 PPT。但这套东西他自己有没有深思熟虑过,不好说。但他默认自己的部分已经做完了,剩下 8 个人却要花大量时间去读这些内容。”

“ 因为 AI 产出的文字和方案已经变得不值钱了,未必表达了作者最凝练、最保真的想法。”

Ryan 也有类似的观点,“ 个人提效的那部分,很多是局部最优,个人产出翻倍,团队的信息处理带宽没变,多出来的东西就变成噪音。”

庞舟表示,“ 这就造成了一个尴尬的点,所有的员工都觉得 AI 对自己帮助很大,或者说自己的工作离不开 AI ,然后希望公司能够给自己提供 API、Token,或者是提供更好的模型。”

“ 但是,公司又观察不到整体的效益有显著增长。这时,公司可能不一定愿意大范围或者高投入地去给员工采购前沿的模型,甚至还会限量。现在硅谷的很多公司都开始给员工做 token 限量了。”

“ 所以员工就只能自己花钱去买模型,每个月要花 200 刀去订阅 GPT 或 Claude Code。”

主流 AI 办公产品厂商目前也没法解答这个问题,有一家尝试提出一个设想,比如把每个员工用 AI 看作真人员工手下有被他使用的数字员工,这个数字员工有其岗位职责、OKR 以及 “ 月薪 ”,然后厂商会提供一些工具,去评估真人员工使用的好坏,或企业使用 AI 的增益。

要最终实现团队提效,可能需要先解决一些具体的技术和业务难题,Ryan 表示,“ 目前 AI 办公产品适配不了的场景,共同特征是:需要跨越组织边界,需要按公司特有口径理解数据。对于根源,我给的权重大概是:企业私有数据和口径占一半,Agent 框架占三成,基模占两成 。”

杨某表示,“ 目前的 AI 办公产品,还很难做公司内部的信息处理,尤其涉及内部系统对接时,需要公司的研发把两边打通,多数企业应该还没做到这一步。”

“ 要实现内部系统打通,第一要看公司的平台架构。比如我前公司内部打通了外部的 AI 办公产品,可以把各个 Agent 编排成机器人,让 AI 办公产品跟内部系统对接。我们是在开源基础上,由研发工程师做了二开。但有些公司可能受限于技术或者人才储备,暂时没有能力去做。”

“ 另外,公司内部信息打通涉及安全性问题,所以公司其实也不希望走得太快,走快了容易先踩坑,导致公司内部的信息泄露出去。前公司曾想在自家产品里接入大模型,最后采纳的是第三方的方案,不是因为流程走不通,而是安全性上不敢打包票。当时在第三方模型基础上又引入了一家专门做关键词过滤的第三方公司。其他企业其实也面临类似的情况。”

“ 企业自己搭建 Agent,实际落地时会遇到各种情况,比较依赖 Harness 工程的夯实程度。即使外采了平台工具,大多数人不太会上手用,自己搭起来很费劲,我接触的不少非技术岗位的互联网大厂员工也是这样。这也是为什么一些通用 Agent 搭建产品在企业内部用得比较一般,某互联网大厂在 2024 年签约 To B 商家非常多,但 2025、2026 年就回落了。”

“ 所以,这些对企业来说都是隐形成本。我不只是要买机器、买服务器、做私有化部署,还要考虑给模型的输入会不会泄露公司敏感信息、员工不会用或者用不好是不是就浪费掉了等等。”

“ 如果是业务层面,最难的是业务流程的梳理。有些员工和岗位,可能自己人都不知道上下游是谁。”

“ 比如说我们做过的大模型库存管理。原本是靠人去看的,比如,今天有多少到货,未来两周到三个月的生产计划如何,每天的库存消耗情况如何,以及真正完成销售了之后,每天库存清了多少,还需要再进多少,这些信息原本是基于线下的 Excel 表去统计,再对接到系统内部的。包括 BOM 系统、ERP 采购系统、下游销售的库存管理系统等,各环节在对接时, 是通过 Excel 表来手工执行。”

“ 我们在用大模型做这件事的时候,就会发现企业内部落地 Agent,第一个难题是懂 IT 的人不一定了解业务情况, IT 的人得先假装自己是驻场工程师,跟业务说,明天我上你们部门来打工,你把我当成应届生,你把这活儿怎么干,先教会我。”“ 然后,业务开始梳理,发现好多点他自己也不知道。因他只是其中的某几个环节,不是全部环节。所以他需要人工把上下游先串一遍。”

“ 所以,AI 现在更多还是帮助个人提效,而没到整个团队提效的程度,但是在往这个方向在走,由点到线再到面,不是每个点都还原,很可能是跳跃的。团队提效有个前提,得有人把团队上下游怎么协作这件事说清楚。否则只给输入和输出,无法对比,无法校验是否对。特别是针对有物理硬边界的场景。( 当然技术在一刻不停的进步,或许哪天有明显的跳跃机会出现。)”

技术和业务的问题相对好解决,最难的还是组织层面,AI 提效存在一种正反馈机制,需要人与人的同步和规模化,Ryan 表示,“ 现在收益和成本是错位的,但 AI 要真正上规模,最终必须进入企业预算。”

部分有探索热情的人确实也有很好的带头作用,杨栖表示,“ AI 落地效果很大程度上看企业自身的动力,工作的岗位太多了,是没有办法穷举的。还是看个人,企业内部总有一批人,新东西来了会特别热烈地拥抱。你把这批人的积极性调动起来,把他们的工作内容先搞定,慢慢就会往下走了,类似水波的涟漪。”

“ 比如,有个项目原本最少得花个二三十万找外包,当时甲方问我这个需求 AI 能不能做,我说可以。最后她满打满算花了三天,调试出一个网站,而且是包含中文、英文等多语言版本的,给他们领导汇报之后就发出去了,这二三十万就省了。她也是一行代码不会写,自然语言先做出了静态版网站,之后跟后台对接、变成动态的、调后台的数据库,她也自己摸通了。”

“ 我了解到的一家头部互联网大厂,自两年前开始,产品经理的 PRD 等文档都用 AI Agent 来写。只有不断的尝试,才知道这个岗位下面,每天做不同事情的时候要怎么用模型才能帮助到自己。不是所有场景一下子就能用起来的,需要探索的过程,或者技术再发展一下,才能支撑这个场景。”

庞舟表示,要彻底解决这个问题,可能需要新的组织范式,对应现在行业经常提起的 AI Native 组织范式( 但这还只是个概念 ),“ 在原有的组织范式和分工架构下,大家每个人都是自扫门前雪,谁也没有意愿和足够的动力推动整个团队的效率往前跑。甚至大家不愿意相互卷。比如我本来以前这个工作一个星期干完的,现在两天能干完,那剩下的时间自己偷偷摸摸摸鱼、休息一下,也 OK,没有必要说卷、让我的同事也变快,进而他们快了之后也要我变快。所以长期来讲,很可能是通过管理的创新去完成。管理范式上没有创新,还是现在这种桶状的、烟囱状的科层制的话,问题可能会长期存在。”

什么是好的 AI Native 组织范式,行业里还没有定论,毕竟这涉及到将企业的部分固有流程用更自由的 Agent 去代替和整合,对于确定性要求很高的企业而言风险太大。现在只能先从理论上初步探讨企业转型 AI Native 的最终目的。

比如对于组织上下文同步,谭李解释道,“ 如果能让一个企业级 Agent 了解到企业全貌,可能就不再需要那么多的组织例会,组织开会最重要的其实就是信息同步。”

“ 从经济学或者组织行为学的角度,一个组织存在的重要前提,是内部信息传递效率高于外部。所以在 Agent 时代,如果组织内部的信息和 Context 传递效率能够达到过去通过开会对齐、填表等方式的 10 倍,整个组织形态就会发生改变。”

“ 未来的组织里可能会有大量的人和 Agents。如果信息同步仍然依赖现在这种开会的方式,效率肯定不够高。包括当前 AI 办公产品这种一条条消息 Input 的方式,也未必是最高效的信息同步方式。”

“ 所以,要以终为始去想,AI 时代的 Work Terminal 应该长什么样?我觉得不是现在市面上的任何一种产品。”

“ 未来 AI 办公最重要的两个问题,就是团队之间的协同,和组织内部上下文与信息的传递,这也会决定未来的产品形态。”

“ 如果一个团队使用 AI 效率工具,不能带来团队效率乃至组织效率的提升,那它长期来看也没有太大价值,最终只是一个面向 Professional Consumer 的个人工具。”

既然 AI 团队提效还遥遥无期,那么另一个疑惑就上来了,为什么硅谷那边还是有源源不断的裁员消息传来?

庞舟解释道,“ 关于大厂裁员,某种程度上是 AI 来背锅了。AI 这个时代会面临两个特征。第一个特征是后疫情时代,全球很多公司拿着很便宜的钱扩张了很多业务,但这些业务其实并没有跑出来。随着疫情回落,大家又回到线下,当初预期的那些增长并没有拿到手。另一方面,AI 时代需要有更多的 AI 资本支出,不管是招聘更多 AI 人才,还是买 API,还是建数据中心,这些都要花钱。要花钱,效益又没有增长的情况下,只能降本,之前扩张的大量业务就被裁撤。要是用别的理由来解释,会受到整个市场的谴责。最好的就是说拥抱 AI 提效,这是最容易给市场和投资者画饼的方式。”

“ 当然,还有一个点,也和管理实践有关。以前,大家都是疯狂地堆人。从管理者的角度还是希望 AI 真的能够去替代掉一些岗位。但是,当人足够多的时候,AI 替代人不会自然而然发生,因为每个人都会给自己找 scope,包括员工和老板自己。”

“ 所以可能最好的方式,就是把一些判断不重要的部分砍掉,砍掉了之后,人更少了,但有可能业务没有变少太多,那这时候自然而然下面的人干不过来了, AI 的最佳实践可能就逐渐涌现出来了,相当于是用这种裁员的方式倒逼整个组织往 AI 这个方向转型。国内有两三家公司是基于我讲的这个逻辑去执行的,而且都是中大型的互联网企业。”

商业化

当然,即便基模能力与第一梯队还有较大差距,业务价值上局限性比较大,专家们还是一致认为,竞逐国内 AI 办公市场赢家的互联网大厂们,最终还是能赚到钱的。

在竞争策略上,Ryan 表示,“ 腾讯是产品先行,内部赛马的打法,目前来看 WorkBuddy 是跑出来的那一个,阿里的 C 端暂时相对落后,但可能还可以从钉钉入手,字节最近将飞书并入豆包,可能是想把豆包打造成一个类似 Codex 的超级入口。”

庞舟表示,“ 竞争格局上,只能说腾讯阶段性领先。但其实这个市场有数亿 DAU 的规模,如果缩小到白领办公场景的 DAU,至少也是一亿或两亿以上。”

“ 所以整个市场的空间还很大,现在更多处于早期尝鲜者到早期采纳者过渡的阶段,还没有真正进入到主流的社会人群。”

Ryan 认为,这些厂商要赚到钱是一件长远的事情,“ 虽然效率验证在个人层面基本跑通了,但在厂商层面的商业化还没有。WorkBuddy 活跃用户留存超 60%、付费用户留存超 80%,但是商业化这边并没有太多的公开数据,可能是因为数据并没有达到可以公布的程度。”

“ 当前整体仍在补贴期,但已经从 ‘ 免费管饱 ’ 转向 ‘ 免费引流、付费计量 ’,免费额度在收紧,付费层用积分和加量包控制成本,企业版价格也已经在上调。算上免费用户,综合毛利率大概率仍为负或接近 0,付费用户这部分可能已经转正。中期两三年有望到 50% 左右,关键不在模型单价降多快,而在单任务成本能不能降下来,因为人均 token 消耗的增速远高于单价的降速,此外还取决于缓存和模型路由的水平,以及实施经验能否模板化。长期可能达到 70%,前提是竞争格局稳定下来,各家不再用免费额度互相消耗。”

“ 但对于投资人来说,办公入口这条赛道,早期投资人基本没机会了。”

“ 至于净利润什么时候来,个人觉得有几个条件,推理成本再降一个数量级;实施成本可以模板化复用,也就是第十个客户的上线速度显著快于第一个;竞争格局收敛到两三家,停止用免费额度互相消耗;我的估计是 2028 年之前看不到规模化净利润。”

虽然也认为厂商能赚钱,但杨某自己并不是特别看好 AI 办公这个赛道,“ 我觉得,至少在我接触的场景里,这个需求多少有点是假想出来的。目前是用一个 Agent 外壳,内部调动各种 skills 以及内外部知识来协助人干活。”

“ 在写东西、整理资料这类简单、单次任务上,直接用大模型和用 AI 办公软件的差别没那么大,无非是后者把集成做得更好。在重复性任务上,大模型也能派发定时任务。而且真正高精尖的任务,眼下还做不到( 还依赖底层模型能力的进一步扩展 )。”

“ 若想推一些新技术、新工具,恰好公司在开发类似的工具,但又不够好用时,服务商是有机会可以把握的。”

“ 如果不进到企业内部,很难真知道非互联网企业需要什么功能。字节、阿里和腾讯等服务商肯定已经在尝试、在推进。”

“ 如果只在横向的办公这个方向上卷,可能就卷偏了,应该在这个基础上往后看。比如 Anthropic 走的路径,他们在做金融领域、律师领域的一些垂直领域应用。大厂在做办公软件的时候,可能最终也会往这个方向走。当他们沉淀了足够的数据量和用户量,有可能会开始开拓这些方向。”

“ 虽然国内用户的付费意愿普遍不强,但是 token 经济已经撕开了口子,关键看做得好不好。很多人是付费用户,而且这个费用比 9.9 会员,年 199、299 这种要贵很多,单月可能就超过了。像 Claude Code 做得足够好,还是有很多人想尽办法去用。”

对于这个赛道上的其它玩家,Ryan 认为,很显然,如果是做横向通用办公入口,创业公司没有机会,“ 如果是垂直场景的办公,也许有一些机会,比如现在一些针对 research 的产品。”

还有一些创业者,不仅是选择垂域场景,比如企业级数据分析,也会选择出海,Ryan 认为这是理性的做法,“ 而且几乎是唯一的选择。国内横向战场被大厂占满了,而且对手可以无限期亏损;国内企业软件的付费意愿和客单价众所周知地低于海外;而中国团队的工程效率和成本结构在全球范围内是优势;不过出海的门槛更多的是在 GTM( Go-To-Market,市场进入/商业化落地策略 )。”

谭李就选择了这样的路径,“ 我们研发的 ClawTeams 面向的是跨境电商,所以国内和海外市场都会覆盖。这个产品刚发布,目前国内外的客户都还处在比较早期的产品试用阶段。”

“ 大多数 To B 企业选择出海,首先是因为海外的付费能力和付费意愿大概是国内的三到五倍,我们肯定也受到这个因素的影响。选择跨境电商,是因为我们不想和通用产品卷办公能力。未来通用办公肯定是大厂的市场,但垂直行业不一定叫‘办公’,而是面向业务的价值交付。这个领域还会百花齐放,不同行业都会出现自己的 Agents 或者数智员工。”

“ 现在很多 Agent 或 AI 办公产品还是面向 Artifact 交付,比如做一个 PPT、一个 Model、一个产品界面或者搭一个 HTML。但产业界真正需要的不是这些。比如一个商家的业务目标是打造 500 个畅销品,那价值交付就应该围绕这个目标展开。商家可以开放店铺数据和 SKU 数据,告诉你,‘我想从现在的经营中挑出 500 个头部商品,重点投入资源,为黑五或者双十一做投放和经营,要做到 5000 万 GMV,同时保持一定的毛利。’这才是产业界真正的业务目标。”

“ 但这个任务现在能交给哪个 AI?基本都做不了。你交给当前的 AI 办公产品,它可能不知道怎么执行,最后只能瞎编一个策划方案。未来 To B 的 Agent 或 AI 服务应该解决这类问题。”

写在最后

总体来看,当前 AI 办公产品已经能显著提升个人在信息整理、写作、调研和汇报等环节的效率。

但 AI 办公的价值目前主要停留在个人提效层面,企业级团队提效仍受到组织上下文割裂、内部系统和私有数据难打通、安全治理不足、业务流程不清晰等因素限制,这会限制企业的付费意愿。

与此同时,国内产品与 Claude Code、Codex 等第一梯队相比,差距主要集中在长程任务、自我验证、错误恢复等能力上。

商业化方面,个人专业用户已有较明确的付费意愿,但企业大规模采购尚未形成,行业仍处于补贴和用户习惯培养阶段。

长期来看,通用办公入口大概率由互联网大厂主导,创业公司的机会则更多存在于跨境电商、企业数据分析等高价值垂直场景,竞争重点也将从 “ 生成一个文档 ” 转向真正完成业务目标。

文章标签出海智能体

资讯来源:由AI资讯编辑整理自互联网公开内容,版权归原作者所有,未经许可,不得转载。