文｜最話FunTalk 王芳潔
8月14日，在百度文庫網盤AI Day現場，GenFlow有了一個很中文互聯網的名字——「庫庫AI」。
早在今年4月，當GenFlow月活用戶突破1億後，百度文庫網盤團隊發現，在這個原本被定義為通用智能體的產品裏，辦公場景已經成為用戶使用最集中、互動最高頻的場景。
團隊很快做了一個決定。
30個人被抽調出來，包括產品、研發和策略人員，用20多天時間做出了「庫庫AI」辦公獨立端。
目前，GenFlow的AI辦公MAU達到了2500萬，位居AI辦公賽道第一。而這也透露出了一個重要的行業信號——AI辦公正在進入BAT三家巨頭正面交鋒的時代。
2026年下半年，伴隨着AI to C在商業模式上觸礁，AI辦公成為了BAT的新戰場。騰訊把WorkBuddy推向前台，阿里整合相關能力形成千問辦公，百度也快速發力，進一步加強了在AI辦公領域的投入，跑出了庫庫AI這款位列賽道第一的產品。
三家公司分別帶着自己的歷史資產入場。騰訊最擅長連接人，阿里最擅長連接組織，而百度手上最特別的資產，是知識和數據。
無論是A還是T，在IM軟件方面都有多年深耕。反觀B，則是憑藉多年積澱的數據資產，在AI辦公領域走出一條差異化路徑，拔得了頭籌。
搶先落子當然是很重要的原因。當其他巨頭還想在AI領域複用流量邏輯時，百度文庫網盤團隊三年前早就意識到，行業要重新洗牌了。數據資產至少會是紅桃K，這張牌就在他們手上。
但僅有時間和數據是不夠的，AI的車輪必須滾動向前，才能抵達平台和用戶共同期待的，水草豐美之地。
01 Loop出的行業第一
AI辦公並不是2026年才突然出現的市場。
ChatGPT爆發之後，幾乎所有辦公軟件都迅速增加了AI能力。寫周報、總結PDF、做PPT、生成表格，成為第一批最容易被大模型改造的工作。
但那個階段，大多數所謂AI辦公仍然是「AI+工具」，AI提高了某個環節的工作效率，但人仍是流程的中心。
Agent改變的，正是這一點。當AI能夠理解一個目標，把它拆成幾項任務，再調用不同軟件和工具完成工作時，辦公軟件競爭的單位就發生了變化。
過去競爭的是「功能」，現在開始競爭「任務」。
比如用戶不再要求「幫我生成一個Excel」，而是說：「分析過去五年這家公司的財務數據，與三家同行對比，建立一個預測模型，再整理成一份投資報告。」
這個任務可能同時涉及搜索、閱讀、數據分析、Excel、Word和PPT，誰來負責把它們連接起來？過去是人。Agent時代，AI開始嘗試成為那個連接者。
所以2026年的AI辦公，本質上已經不是上一輪辦公軟件戰爭的延續，而是在爭奪一種新的生產力入口。
這也是BAT重新在這裏相遇的原因，客觀而言，相比於其他競爭對手，它們成事的機會更大，因為AI辦公不是一道單純的大模型題。
在辦公場景裏，一家AI創業公司遇到的最大困難，可能已經不是做出一個足夠聰明的Agent，而是讓這個Agent每天有足夠多的事情可做。
BAT則不同。騰訊擁有微信、企業微信、騰訊會議等溝通協作場景；阿里擁有釘釘、阿里雲以及大量企業業務系統；百度擁有搜索、文庫、學術、網盤以及由此沉澱的大量知識和文件。
這些產品過去彼此屬於不同賽道，但Agent出現以後，它們突然獲得了一層共同價值：都可以成為Agent的上下文和工作現場。
基於這個共同價值，2023年，百度文庫就開始進行大模型重構。從一個尋找、下載資料的內容平台，升級為「一站式AI內容和創作平台」。2024年，文庫和百度網盤進一步融合，前者沉澱的是公域知識，後者沉澱的是用戶私域內容。
2025年4月，百度文庫網盤推出GenFlow。此後一年連續迭代四個主要版本，到2026年4月的GenFlow 4.0，已經可以調用Word、PPT、Excel等不同Office Agent，以及圖文影音全模態能力。
所以，能做到AI辦公今天的2500萬MAU，並非一夜成功的神話。
往回看三年，它的車轍經過了數個節點：文庫網盤的大模型重構、文庫網盤融合、GenFlow以及連續四輪能力迭代。
回到今年，百度文庫網盤團隊從1億月活裏發現辦公需求，再根據辦公需求快速組建一支團隊，20多天重新做出一個產品，這個過程可以用一個詞專門來概括——Looping。
過去三年，大模型行業習慣用模型參數、Token、上下文長度和Benchmark描述競爭。但AI進入應用層以後，另一個更加重要的問題開始出現：一家公司能不能從用戶使用中發現需求，再把需求迅速變成產品；產品又能不能產生新的用戶和數據，繼續推動下一輪迭代？
一次反饋成為下一次行動的輸入，一次行動又產生下一輪反饋。庫庫AI的變化，恰恰發生在這樣的循環裏。這樣的能力，已經Loop了三年。
8月5日，國家工業信息安全發展研究中心發布《Office Agent工作流測評報告》顯示，百度文庫得分排名第一，獨自佔領第一梯隊。這也是繼去年國家工信安全中心智能PPT測評斷層領先後，百度文庫再次在Office領域獲得權威認證。
但入局早、迭代快、能力強，並非庫庫AI領先於行業的核心原因，它真正的壁壘，還要在別的地方找。
02 Looping即護城河
經濟學家W·布萊恩·阿瑟在研究高科技產業時，曾經提出一個重要的「遞增收益」理論。
傳統工業往往遵循邊際收益遞減。種更多土地、投入更多機器，到了一定階段，新增加一單位投入獲得的回報會越來越低。
但技術行業存在一種完全不同的情況。一種技術被更多人使用以後，可能獲得更多開發者、更多數據、更多應用和更多學習機會；而這些新的資產又會讓產品變得更好，吸引更多用戶。
結果不是越做越難，而是越做越容易。這種機制後來幾乎成為互聯網巨頭最重要的成長邏輯。
用戶瀏覽過的產品，刷過的視頻，都在對系統進行訓練：停留了多久，是否讚好，是否快速划走，又看了什麼。用戶並沒有主動告訴平台自己喜歡什麼，但無數微小行為不斷成為下一次推薦的輸入。
於是形成一個最簡單的循環：使用——數據——算法變好——體驗變好——更多使用。
這也是為什麼一個成功的推薦系統很難被複刻，競爭對手可以複製界面，也可以複製功能，甚至可以招聘更厲害的算法工程師，但它很難複製過去數十億次真實用戶行為形成的循環。
AI辦公也開始出現類似的變化，只是它獲得的反饋比一次點擊更嚴肅，因為辦公產生的是文件和工作成果。
一份研究報告來自十幾份歷史材料；報告完成之後，它本身又成為新的材料。一個財務模型建立在歷史數據之上；分析師修改參數以後，修改後的Excel又可以進入下一輪預測；一份PPT來自研報、會議紀要和數據分析。人最終修改過的PPT，又比AI第一次生成的版本更接近這個人的真實要求。
於是，一個天然的Loop開始形成：知識和文件——Agent理解任務——調用工具——產生結果——用戶修改——結果再次沉澱——下一次重新調用。
在這個Looping中，AI完成一次任務後，不應該回到原點。它該比任務開始以前擁有更多東西。這纔是AI辦公真正可能形成壁壘的地方。
只有這樣，Agent纔會像一個優秀的助理，越用越順。
以庫庫AI辦公模式首先進入的金融行業為例，金融是一個非常典型的「高數據密度、高任務複雜度、高結果價值」場景。一個研究員要看財報、公告、券商研報、路演紀要；再搭Excel模型，做估值；最後可能形成Word報告和PPT。
過去，這些文件散落在不同位置，流程依賴人把它們串起來。
現在，庫庫AI辦公模式能調用網盤文件和專業數據，支持手機與電腦跨設備接力、多設備並行以及24小時持續執行任務，同時內置金融專家和Skill，可以生成機構級研報、財務模型和專業PPT。
於是Looping發生了：財報進入系統——Agent分析——調用財務模型Skill——形成Excel——繼續生成研報——形成PPT——用戶修改——新的結果重新被系統調用。
整個過程不是簡單的內容生成，而是：數據—任務—執行—成果—Skill沉澱—再執行。
這個循環完成後，下一次Agent面對類似任務時，就擁有了更好的起點。這也是為什麼專業辦公可能比通用辦公更容易建立真正的Loop。
因為任務越複雜，產生的反饋越有價值；專業數據越密集，歷史積累越重要；結果價值越高，用戶也越願意繼續把工作放到同一個系統裏。
這一點到了企業版會更加明顯。如果說庫庫AI辦公解決的是「一個人如何與Agent協作」，那麼庫庫AI企業版真正試圖解決的是：一個人的Loop，怎樣變成一個組織的Loop。
企業最寶貴的資產之一從來不只是軟件，而是經驗。管理學幾十年來一直在試圖解決一個問題：怎樣把個人知識變成組織知識。
日本知識管理學者野中鬱次郎曾經提出著名的SECI知識創造模型。他認為，組織知識並不是把信息扔進數據庫就結束了，而是在隱性知識與顯性知識之間不斷進行社會化、外化、組合和內化，最終形成新的知識。
但這很難，能否將個人經驗沉澱為組織知識，甚至會造成優秀和普通企業的分野。現在，Agent正在縮小這種差距。
在庫庫AI企業版，企業的員工可以共享上下文、任務接力和成果沉澱。不同成員和Agent能夠共享知識和文件；任務可以在人和人、人和AI、AI和AI之間繼續傳遞；最終的工作成果又沉澱成為企業知識庫和Skills，被下一輪工作重新調用。
於是企業的知識循環變成：共享上下文——多人/多Agent協作——完成任務——沉澱知識和Skill——下一次繼續使用。
在這樣的Looping中，知識不再只是被留存下來，還會重新參與下一次工作。
而文庫18億文檔、網盤10億用戶、1000億GB文件，也將在不斷地Loop過程中，流動起來。
AI辦公場景中，靜態數據不是壁壘，讓數據不斷流動起來的系統纔是。
03 一個更大的飛輪
過去幾年，百度反覆強調「芯—雲—模—體」的全棧AI佈局。
最底層是崑崙芯，提供算力；往上一層是百度智能雲，承擔AI基礎設施；再往上是文心大模型，提供通用智能；最接近用戶和產業場景的則是「體」——智能體應用。庫庫AI就位於最上面的智能體層。
全球範圍內能夠同時擁有芯片、雲、模型、應用四層自研全棧佈局的公司屈指可數，它的價值已經足夠獨特。而百度的差異性是不僅擁有四層，並形成了looping飛輪。百度創始人李彥宏也曾在分享中表示，百度「芯雲模體」這幾層之間能夠相互加強、循環優化。
於是，更好的芯片提升計算效率，雲提供模型訓練和Agent運行的平台，模型變強以後Agent能夠解決更復雜的真實問題；當更多Agent進入工作場景，它們又不斷產生新的需求和反饋，這些需求再推動模型、雲和算力進一步優化。
不難發現，這是一種自我強化機制，正如遞增收益原則，一旦技術系統存在明顯的自我強化機制，早期積累就會繼續影響未來。
所以，looping的核心價值是讓時間成為複利因子。百度過去三年在AI辦公上的提前佈局和投入，今天仍然run在系統當中。
當然，今天庫庫AI的MAU的行業領先，並不能證明AI辦公的戰爭已經結束，相反，BAT才啱啱開始真正進入這個市場，競爭將持續升溫。
但這個成績至少提供了一個視角——
過去互聯網時代最重要的壁壘之一是網絡效應，Agent時代可能在網絡效應之外，再增加一種新的競爭機制——學習效應。
每完成一次工作，都讓下一次工作擁有更多上下文；每服務一個用戶，都讓系統理解更多真實任務；每產生一個結果，都可能沉澱成為下一次工作的知識或者Skill。
這意味着未來衡量一個AI辦公系統，僅僅看「今天能做什麼」可能還不夠。更重要的問題是：它還為明天留下了什麼？
如果什麼都沒留下，那它仍然只是一個效率工具，如果它留下了一個新文件，一個新Skill、一段新組織知識，或者一次能被持續調用的經驗，那它就開始從工具向系統進化。
只有系統才能創造飛輪，而BAT真正爭奪的，正是誰先把生產力飛輪轉起來。
為此，騰訊從關係和協作出發，阿里從企業組織和流程出發，百度則從知識、文件和Agent執行出發。
三條路線沒有絕對優劣，此時談成敗都還過早，但百度的領跑至少說明了一點——在Agent時代，loop的重要性史無前例，AI生產力必須像飛輪一樣轉動起來。