作者 |洞見新研社 鄭施婧

2026年，AI正從「會聊天」走向了「會幹活」。

在這樣的趨勢下，字節、騰訊、阿里不約而同地選擇在AI辦公領域落子，WorkBuddy、千問辦公接連登場，「AI同事」「AI員工」似乎觸手可及，但事實上，真正的落地應用的過程其實並不順利。

據Gartner的數據顯示，僅有4%的企業真正擁有能夠被AI系統集中高效訪問的就緒數據。SaaS-Bench的測試結果也表明，即便是表現最好的Agent，在跨應用真實企業場景下的端到端任務完成率也僅為個位數。

而成本門檻則讓落地舉步維艱，金山辦公CEO章慶元曾經算過一筆賬，如果一家公司有10萬名員工，每人每月消耗1000美元的Token，一個月就是1億美元，那麼CEO就一定會問CFO這些錢用在了哪裏，創造了多少價值。

一邊是市場的高漲期許，一邊是現實的瓶頸，那麼AI什麼時候能進入真實的企業工作流？

幾天前，字節跳動發布了豆包工作。這款產品將AI助手豆包與企業協作平台飛書打通，試圖為上述問題找到一個新解法。透過它，或許能為我們提供一個觀察AI辦公走向的窗口。

01撕開入口，沙箱裏長出AI「新手腳」

過去兩年，幾乎所有AI辦公軟件都在嘗試給AI裝上「手腳」。

主流路線使用GUI Agent，比如，行業首款系統級GUI Agent豆包手機助手。無需依賴軟件廠商開發API，就能讓AI通過視覺識別螢幕像素，像人一樣看懂頁面、點擊按鈕。

讓AI學會操作電腦這件事，正在被行業逐步解決，但從「能操作」到「能穩定交付工作」之間，卻還隔着一條很寬的河。

SaaS-Bench就曾測試了多款主流Agent模型在106個跨應用真實企業場景下的端到端任務完全通過率。結果顯示，表現最好的Claude Opus 4.7單個檢查點分數僅有43.9%，GPT-5.5 High 為43.8%，14款AI的單點通過率平均僅有29.7%。

可知其單一基礎任務能力尚不可靠，更何況真實的企業流程往往需要連續幾十步，甚至上百步。在單點通過率不足30%的情況下，經過多環節疊加後，其最終成效將是災難性的。最終數據也表明，Claude Opus 4.7的已解決分數僅為3.8%、GPT-5.5 High為1.9%、豆包2.1 Pro為1.9%，而Gemini 3.1 Pro與Kimi K2.5更是乾脆直接掛零。

以一條典型的企業任務整理財務報表為例，AI需要先打開郵箱下載附件，接着打開Excel整理數據，然後登入內部系統填表單，最後生成報告併發送給審批人。其中任何一個環節出錯，整個任務就可能中斷，甚至出錯。

面對這個難題，豆包工作做的是焊死操作邊界。AI會在Windows系統下搭建一個獨立沙箱環境，AI在裏面執行操作，用戶不需要把整個電腦的控制權都交出去。而是在自己的桌面繼續工作，AI在沙箱裏執行任務，兩者並行，互不干擾。更重要的是，用戶可以隨時暫停、接管、回退，全程可見，出了問題可以審查、隨時叫停。

但真實的企業任務很少是短時間內能完成的，數據採集要跑幾小時，競品監測要持續好幾天。這類任務天然不適合依賴用戶本地設備持續在線。而豆包工作配套的雲電腦則接住了這個需求。任務交給它之後，關機了也能繼續跑，用戶可通過手機端隨時查看進展或追加要求。

當時間和空間的問題都解決之後，還需要繞過成本這道坎。豆包工作當前的定價模式，沒有采用積分制，而是按5小時或7天滾動重置額度。用戶無需精打細算某個任務值不值得跑，只要不是短期內極限使用，會員有效期內都可以持續使用。

然而，豆包工作在具體執行層面也並非毫無短板。如今，其僅能調用豆包系列模型，如豆包2.1 Pro、Turbo等。部分競品，如Workbuddy，則支持混元、Kimi 、DeepSeek等多模型自由切換。這種鎖定自家模型策略，雖在情理之中，但其實限制了用戶針對不同任務類型選擇最優模型的能力，也降低了產品未來的靈活性。

綜合來看，豆包工作在執行端的邊界、時間、成本上都給出了初步解法。但讓AI真正在辦公場景中站穩腳跟，僅靠「手腳麻利」還不夠，關鍵還在於它能不能「讀懂業務」。

02從「喂文件」到「懂組織」，AI不再「盲人摸象」

讓AI讀懂業務，市面上的Agent普遍走的是RAG路線。無論是釘釘開放接口讓ISV做定製化知識庫，還是企業微信側重讀取群聊記錄中的可見文本，它們都依賴於用戶主動把信息餵給AI。

可問題在於，喂進去的永遠只是一小部分。你給它一份文檔，它能看到裏面的文字，但它不知道這份文檔是否已經被新版本取代了。你讓它寫周報，它能生成一篇結構完整的內容，但它不知道你這周真正做了什麼。更別說還有群聊裏誰說了算、審批流程卡在哪個節點、老闆說的「儘快」到底指多久等。

這就導致用戶使用時，不得不先當半小時資料員，手動搬運信息、寫背景介紹、告訴AI誰是誰，每次開新任務還要重新來過。往往是AI還沒真正開始幹活，人先折騰了半天。

豆包工作在這個層面給出的策略是與飛書深度綁定。用飛書賬號登入後，AI能直接「繼承」用戶在飛書裏的全部工作上下文。不再需要用戶主動餵給它的幾份文件，而是整個飛書裏沉澱下來的所有信息，包括但不限於文檔、表格、群聊記錄、會議紀要、審批流程、日程安排、組織架構，全部可以被AI在權限範圍內自主調用。

而飛書裏的這些信息天然帶有時間戳、創建者、所屬項目等數據，它們本身就構成了RAG方案缺失的上下文維度。這就使得AI讀取的不再是零散的文檔碎片，而是整個組織實時更新的信息網絡。RAG方案的核心瓶頸迎刃而解。

誠然，AI能接觸到的東西遠比一個對話框裏的文件多得多，如果權限管理不到位，後果將是災難性的。豆包工作的做法則是對於飛書既有權限體系也直接「繼承」。用戶在飛書裏看不到的信息，有了豆包工作也看不到；沒有權限進行的操作，豆包工作也不能代勞。

可沒有一種模式是十全十美的。如今，豆包工作的最大優勢是飛書，但最大門檻也是飛書。對於全新項目或剛起步的團隊，飛書裏沒有足夠的歷史文檔、會議紀要和審批流，AI能調用的上下文極其有限，它的「業務理解」能力會大打折扣。

不僅如此，當面對需要處理外部信息的任務，比如，分析競品官網、閱讀行業PDF報告、抓取社交媒體輿情，豆包工作可能並不比傳統RAG方案強多少。它的深度僅限於飛書內部，一旦信息源頭在牆外，它就回到了所有Agent的同一起跑線。

不過，整體來看，瑕不掩瑜，豆包工作還是帶給了行業一些新的啓發。畢竟，過去大多數Agent交付的是產物，一篇文檔或一張圖；而豆包工作交付的是進展。通過飛書作為獲得業務信息，能夠理解整個任務流和審批流的全貌。

這種交付進展而非交付產物的能力，讓AI第一次不是作為一個偶爾調用的工具，而是作為工作流中的一個真實節點存在。那麼這項能力究竟是飛書生態的獨門暗器，還是可以被行業複製的通用解法？答案或許在字節接下來的商業選擇中。

03三巨頭AI辦公路徑分野，誰與爭鋒？

如果將豆包工作的飛書深度綁定策略放到行業座標系中來看，它與阿里、騰訊的主流打法截然不同。三者之間形成了鮮明對照，而根源在於各家公司對自身稟賦和戰略目標的判斷不同。

先看阿里。2026年，阿里將QoderWork、悟空、MuleRun整合為千問辦公，走的是企業組織級路線。多年來，阿里在雲基礎設施和B端服務上積累了深厚的經驗，看重統一協調。這促使其天然傾向於總部統一採購、統一部署的集團採購模式。這條路的好處是企業初期看不到個人賬單壓力，決策鏈條短；但挑戰在於一次性投入預算較高，且對組織變革的推動力要求更強。

騰訊的WorkBuddy的核心特點是用戶不需要改變習慣，讓Agent直接嵌入已有工作流。其背靠微信、企業微信、騰訊文檔、騰訊會議這套龐大的C端+B端生態。於是側重於採用用戶驅動型策略，用基礎功能免費做引流，高級功能按需付費，靠龐大用戶基數做轉化。

當前其PC端月訪問量2097萬次，斷層領先，也印證了這條路在拉新效率上有明顯優勢。但免費用戶的付費轉化周期較長，且生態內各產品的數據深度打通程度可能不如飛書那樣天生一體。唯有拉新、轉化、留存三者形成正向循環，這條路才能從「流量優勢」走向「商業優勢」。

字節的豆包工作，選擇的則是訂閱制加飛書深度綁定的路線。先用飛書沉澱的企業上下文讓Agent真正好用，再靠訂閱制讓用戶持續使用，最終形成路徑依賴鎖定用戶。

字節跳動CEO梁汝波在年度全員會上給出了明確的戰略意圖：AI在生產力上的發展快於預期，ToB變得更重要，希望豆包成為主幹業務，通過豆包整合已有產品服務。字節的判斷是，AI辦公的終局不是附加功能，而是一個全新物種。這個物種需要把模型能力、協作平台、開發工具全部融合，才能形成真正可用的企業級Agent。而豆包工作正是字節ToB戰略的核心載體。

字節如今正在不斷確定與推進這個戰略。2026年7月30日，飛書產品團隊與豆包產品團隊合併，飛書負責人謝欣轉向豆包負責人趙祺彙報。飛書從字節六大獨立BU之一調整為豆包背後的能力模塊。同時，TRAE、釦子團隊整體併入豆包體系。組織調整已經完成，接下來就是沿着這條路走下去。

這條路並非沒有隱患，其內部隱含的「封閉性」戰略風險。豆包工作深度綁定飛書的模式，本質上是在用「場景深度」置換「生態廣度」。與騰訊WorkBuddy支持多模型切換、阿里千問辦公支持跨平台部署的「開放連接器」路線不同，豆包工作的「飛書內循環」策略雖然換來了更深的上下文理解能力，但也意味着其商業天花板與飛書的市佔率直接掛鉤。

更關鍵的是，這種「全家桶」式的捆綁可能引發企業的「供應商鎖定」焦慮。一旦企業將核心工作流數據深度託付，未來遷移成本將極高。在B端市場，客戶往往更傾向於選擇能靈活拼裝的「中立Agent」，而非與特定協作平台綁定的「專有工具」。長期來看，這種封閉性可能成為豆包工作向飛書體系外拓展的最大戰略掣肘。

總的來說，AI已開始走進工作發生的地方，知道自己在為誰工作、事情已經做到哪一步、做完的結果應該留在哪裏。AI辦公的下半場，競爭也正在從誰的模型更聰明變成誰更懂一家公司的真實工作流、誰更能讓企業放心地把任務交出去。

未來真正改變辦公方式的那一刻，不是AI又學會了一項新技能，而是企業終於願意把真實的工作交給它了。豆包工作的發布，讓這條路徑多了一個值得觀察的樣本。至於誰能走到終局，答案還在路上。