千问办公：重新设计企业的工作方式

版权信息

书名：千问办公：重新设计企业的工作方式

ISBN：978-7-115-70764-2

本书由人民邮电出版社发行数字版。版权所有，侵权必究。

您购买的人民邮电出版社电子书仅供您个人使用，未经授权，不得以任何方式复制和传播本书内容。

我们愿意相信读者具有这样的良知和觉悟，与我们共同保护知识产权。

如果购买者有侵权行为，我们可能对该用户实施包括但不限于关闭该帐号等维权措施，并可能追究法律责任。

版  权

著    秋　叶

责任编辑 林舒媛

人民邮电出版社出版发行　　北京市丰台区成寿寺路11号

邮编　100164 　电子邮件　315@ptpress.com.cn

网址　http://www.ptpress.com.cn

读者服务热线：(010)81055410

反盗版热线：(010)81055315

内容提要

本书是一本系统讲解企业级AI办公平台应用与治理的实战手册，以阿里巴巴千问办公为核心载体，全书共13章，分为5篇。第1～2章为变化篇，介绍AI办公工具从个人效率提升走向企业级工作平台。第3～4章为收集篇，系统讲解通过IM和连接器让AI掌握工作信息，从而进入真实工作流程。第5～6章为抽象篇，讲解通过技能、专家套件把收集的信息与经验沉淀为组织通用能力。第7～9章为执行篇，讲解千问办公的多模态交付、Agent执行与定时任务功能。第10～13章为组织篇，介绍企业如何将AI从个人提效工具升级为组织级生产力，并最终迈向AI Native企业。

本书以真实企业场景为案例，配有大量操作截图和管理表格，既适合企业IT负责人、管理者作为日常工作参考，也可作为企业AI办公内训教材。

前  言

2022年底，OpenAI发布ChatGPT，把生成式人工智能的能力带到了每个人的办公桌上。此后几年，更强的模型性能、更快的推理、更完善的多模态能力、更低的调用成本不断落地，几乎每个月都有新的里程碑。这些进步是真实的、有效的、令人激动的，但从企业日常经营的视角来看，却存在这样一种情形：大部分企业部署了AI工具、购买了使用额度、开展了培训，鼓励员工使用AI工具进行工作，员工工作起来似乎真的速度变快了、效率变高了，但企业的产出水平和决策质量却没有发生太大变化。

在企业一线反复出现这样一些场景：业务负责人拿着AI工具生成的漂亮文稿来开会，被问及数据来源时哑口无言；团队人人都用上了AI助手，季度末统计产出时，报表上的数字与去年几乎持平……个体的提效掩盖了AI对企业专业能力增长助力的不足。员工通过对话式提问处理的是单点任务，而真正占用企业时间的，是从取数、讨论、审查到交付的一整套流程。AI能力被装进了旧流程，任务怎么拆解、信息怎么流转、标准怎么统一、经验怎么沉淀，仍然沿着过去的方式运转——工具在变强，工作没有变好，这个落差，正是千问办公要解决的问题。

本书把AI融入组织的方式分成两个阶段。一是Copilot阶段，AI是副驾驶，你问它答、单点提效、用完即关，大部分工作仍由人完成。二是AI Native阶段，AI开始承担完整工作：读取信息、调用方法、执行任务、交付成果，人把精力集中到判断和决策上。上下文传递、工具编排、长任务执行三项能力逐步成熟之后，第二个阶段才具备了现实基础。企业AI办公正在从个人提效走向组织生产力，这是千问办公提到的时代变化。

千问办公的诞生不是偶然。2023年4月，通义千问在阿里云峰会上揭晓，同年4月18日，钉钉正式接通千问系列大模型。2025年11月，千问App公测上线，被定位为“会聊天、更能办事的智能个人助理”；2026年7月，阿里巴巴生态下的QoderWork、悟空、MuleRun三款智能体产品完成了整合与升级——千问办公，来了。

做千问办公，源于团队一个明确的信念：用AI生产力，实现专业力平权。

专业能力在过去是稀缺的。一次严谨的合同审查、一套规范的经营分析，依赖多年训练，集中在少数资深员工手里。千问办公想改变获得专业生产力的门槛：把经过验证的工作方法、判断标准和行业知识交给AI，让更多岗位都能交付专业级成果，人人可拥有生产力。“专业人士都用千问办公”，这句话是对千问办公用户的描摹，也定义了千问办公的交付标准。

千问办公并不是又一个只会对话的AI工具。它要回答的问题是：当AI能够承担完整工作，怎样让它进入企业的真实工作现场，把一件事从头做到尾、直到可以交付。围绕这个目标，千问办公形成了4个特色，也构成了本书的主线。

第一，一个AI入口，贯连办公场景。千问办公深度接入钉钉，在授权范围内的消息、会议、文档、邮件、云盘和知识库的信息可以持续进入AI；借助连接器，它还能接入企业的业务系统。信息先流动起来，AI才能理解真实的工作。

第二，不止于对话，更注重交付。用户提出需求，千问办公拆解步骤、调度工具、执行，直到交付可以直接编辑的文档、表格、演示、网页和多媒体内容。从提出任务到交付成果之间，反复的复制粘贴和工具切换工作由AI承担。

第三，把经验沉淀为组织能力。技能是一份交给AI执行的工作规范，专家套件把一个岗位的方法、数据和判断标准打包成完整方案，定时任务让工作按计划持续运行。个人的成熟做法由此变成团队共享的资产，人员流动不再意味着经验流失。

第四，让AI在明确的边界内工作。成员与坐席、用量与成本、身份与权限、策略与审计、安全与部署，搭建企业治理体系。AI承担的执行工作越多，对涉及关键判断、需要谨慎授权和存在高风险的操作的把关权就越要留在人手里。可用、可管、可信，先于“好用”。

本书按变化、收集、抽象、执行、组织5篇展开。第1篇讨论AI办公向何处去，第2篇让工作信息进入AI，第3篇把经验沉淀为能力，第4篇让AI把工作真正跑起来，第5篇介绍企业治理、工作流实战、价值评估与组织重构。管理者可以从首尾两篇读出战略判断，业务团队可以在中间三篇找到直接上手的方法，专业岗位的读者能看到自己的日常工作如何被交付。这三条路径指向同一个问题：当AI能够承担完整工作，企业应该怎样重新设计自己的工作方式。

未来的组织里，人提出目标、作出判断、承担责任，AI理解任务、调度工具、完成执行。模型会持续变强，企业在真实业务中沉淀的做法会形成更难复制的差异。工具会普及，但做法会分化。我们希望借助千问办公，让AI贯穿组织的每一个角落，让规模有限的团队拥有过去大型组织才有的专业产能，把时间留给专业人士做判断与思考。

感谢参与访谈、帮助我们核对功能细节的千问办公工程师和产品经理，感谢试读书稿的企业读者，也感谢此刻翻开这本书的你。每一位选择千问办公的企业和个人用户，在真实业务中的每一次使用、每一条反馈，都在塑造这个产品。这本书承载了目前为止千问办公对AI 赋能企业办公的理解，未来，千问办公还会变得更好。

专业人士，用千问办公；专业团队，用千问办公。愿千问办公成为你走向AI Native路上的同行者。

作者

2026年9月

第1篇 变化：从AI工具到企业AI工作平台

这两年，AI工具几乎进入了每个办公者的计算机：写邮件找它润色，做表格找它算数，写方案找它起草……工具用得不少，但许多企业的整体产出却没有随之提升。

问题可能出在工作方式上：员工大多把AI当作即时的帮手，用一次问答处理一小段任务，而占用企业时间的，是从取数、讨论到交付的一整套流程。当AI开始能够承担完整工作，变化就超出了软件本身，延伸到任务怎么拆、责任怎么分、专业能力放在哪里。

本篇分两章展开：第1章讨论单点提效为什么不够、AI办公正在走向哪里；第2章认识千问办公——它为企业AI办公提供了解决方案。

第１章
AI办公进入企业级时代

如今，很多企业的人工智能（Artificial Intelligence，AI）应用似乎都陷入了一种集体困境：工具无处不在，但效率不见提升。员工用AI写邮件、做表格、整理纪要，熟练得就像呼吸，但企业整体的产品与服务的产出、决策的速度、业务的增长，并未发生根本性的改变。

每个人都在变快，企业却没有变强。问题出在哪里呢？或许是因为，绝大部分企业与个人，一直在用传统的工作模式，去驾驭新一代的生产力工具。

1.1
Copilot式协作的边界：单点提效为什么还不够

要诊断问题，首先要看清当前大多数企业所处的状态。Copilot原指飞机的副驾驶员，这里的Copilot式协作指一种“副驾驶式”的协作范式——人负责任务拆解、流程推进和最终交付，AI在其中承担搜索、总结、起草、分析等局部工作。

Copilot式协作的价值清晰可见：它把大量原来需要人工处理的认知劳动压缩了。邮件可以先出草稿，会议结束后自动生成纪要，对长文档可以快速提炼重点，表格中的数据也可以得到解释。问题出现在工作继续向前推进的时候：一个动作的提效，并不会自动让整件事完成得更快。

1．Copilot式协作擅长的，是边界清楚的单点任务

判断一个任务是否适合使用Copilot式协作，其难度并非唯一标准。当前我们所讨论的AI，绝大部分属于生成式AI（Generative Artificial Intelligence，GAI）的范畴。GAI在不同任务上的表现并不是按照任务“从简单到困难”线性变化的。同样属于知识工作，有些任务在AI的辅助下速度和质量都会提高，有些任务即使难度看起来相近，结果也可能变差。企业因此很难用“简单任务交给AI、困难任务交给人”这一条规则完成分工。

更有用的判断标准是看任务所需的信息和判断是否已经摆在AI面前。对于会议纪要、邮件起草、内容改写、已有资料摘要等任务，通常输入完整、目标明确、结果容易检查，AI比较容易稳定发挥。经营分析、合同结论、客户策略、预算判断等任务则不同，它们会调用公司历史、业务规则、组织关系、例外口径和专业判断等，输入材料只是其中一部分。

因此，Copilot式协作的工作区间很明确：任务边界清楚，输入比较完整，输出可快速复核，失败后果可控。越离开这个区间，人的补充、判断和兜底就越多。

2．五类因素，影响全局提效

通过Copilot式协作完成一项真实工作往往受到五类因素的限制。单独看它们都不致命，但叠加在同一条任务链上，就会把Copilot式协作的价值限制在局部。

（1）上下文不充分。

企业工作依赖的背景远多于当前对话中的材料。对于销售分析，要理解本公司的客户分层和审批规则；对于经营复盘，要知道哪些指标属于特殊口径；对于项目汇报，还要理解组织里谁负责什么、哪些决定已经在会议上形成。AI如果只能拿到当前文档和用户临时补充的资料，就需要人不断解释“在我们公司这是什么意思”。

（2）流程不通畅。

完整工作很少只发生在一个应用中：数据可能在客户关系管理（Customer Relationship Management，CRM）系统中，讨论发生在群聊和会议中，模板存放在网盘中，结果要进入PPT，最后还要创建待办、发起审批或同步相关人员……AI能协助处理单个环节，但系统间的搬运和衔接仍由人完成时，整条流程的效率提升就会被削弱。

（3）执行动作有风险。

生成一段文字和代表企业执行一个动作的风险等级完全不同。草稿写错了，可以删掉重写；邮件已经发出、客户信息被修改、审批被提交、资金发生变化以后，错误会直接进入业务。AI越接近执行，身份、权限、确认、可撤销性和责任归属就越重要。

（4）经验难复用。

一次任务做得好，不等于下一次还能自动复现。优秀员工知道怎样交代背景、怎样选择资料、怎样检查结果，这些做法如果只留在个人对话和个人习惯中，换一个人就要重新摸索。组织购买了AI工具，却没有同步积累使用方法，因而组织能力并没有随着AI使用时间的变长而有所提升。

（5）可靠性与成本约束。

一次调用成功，不代表同一任务重复十次都稳定；一次演示顺利，也不能代表生产环境中遇到输入变化、工具超时和异常分支等问题时仍能完成。长流程会放大单点误差。技术上能做的任务，在计入模型费用、人工核验、返工、集成运维和错误损失后，投入产出未必成立。

这五类影响因素，共同构成了一条工作链上的层层关卡。表1-1列出了影响Copilot式协作的五类因素的典型表现及对完整工作的影响，这里不评价模型“聪不聪明”，只检查一项工作能不能在较少人工介入的情况下继续推进。

表1-1　影响Copilot式协作的五类因素

3．看清影响因素，选择对应的协作方式

看清哪些因素会产生限制，并不是否认Copilot式协作的价值。大量办公任务本来就只需要把一个动作做快，AI助手在这些场景中已经足够好。需要调整的是预期：企业不能把“每个人都快了一点”直接折算成“整个组织生产力提高了同样的比例”。

那么，如何快速判断一项任务适合停在Copilot式协作阶段，还是需要继续向Agent（智能体）协作推进？表1-2提供了一个判断框架。

表1-2　任务适配度判断

如果任务所需材料已经齐备、主要在一个应用内完成、结果容易复核、没有强复用要求，Copilot式协作通常能够带来直接收益。如果任务需要跨系统取数，依赖大量企业上下文，还要反复运行、自动送达或代表组织执行动作，继续增加提示词并不能解决全部问题。此时暴露出来的已经是工作方式的约束。

Copilot式协作让AI进入了办公，也让企业第一次大规模看到了人机协作的收益。它同时带来了下一个问题：当单点任务已经普遍提速时，企业为什么还需要一种能够理解上下文、调用工具并持续完成工作的AI形态？这个变化能够发生，取决于新的条件正在同时成熟。

1.2
AI办公的新拐点：从个人提效走向组织生产力

1.1节描述的是“现状”，本节要回答的是“为什么现状即将被打破”。AI办公拐点的来临，是由需求、技术、产品和企业评价方式变化共同推动的。单看任何一个因素，都很难解释为什么企业在2026年前后开始集中讨论Agent、企业上下文、工作流和AI Native（AI原生，详见1.4节）。正是需求转变、技术发展、产品革新和评价方式改变这四股力量在同一时期发生叠加，才让AI有机会从员工手中的个人工具真正走进组织生产系统，如表1-3所示。

表1-3　促进AI办公拐点到来的四股力量

[1]　即技能，后文将详细介绍。

1．需求先变了：员工已经把AI带进了日常工作

早期AI进入企业时，最大的问题是员工不会用，但这个问题很快发生了变化。写邮件、整理会议要点、总结文档、翻译、生成初稿等任务的学习成本低、反馈快，员工往往在组织统一规划以前就已经开始使用。

斯坦福以人为本人工智能研究院（Stanford Institute for Human-Centered Artificial Intelligence，Stanford HAI）发布的《2026年AI指数报告》显示，相关受访企业（或其他组织）的AI采用率达到88%，AI在至少一个业务职能中的使用率达到70%。相比之下，Agent的规模化应用仍处于早期。在几乎所有业务职能中，表示所在企业已经规模化使用Agent的受访者占比仍低于10%。

这些数据说明，AI已经广泛进入企业的日常工作，但Agent距离成为企业生产流程中的常态，还有明显距离。

这就是企业级需求与个人需求的区别。当“怎样让员工开始用AI”不再是核心问题后，企业关心的焦点逐渐转向“已经发生的大量AI使用，如何形成企业收益”。员工各自完成了一批更快的任务以后，随之出现新的问题：成果散在哪里？业务资料怎样安全调用？一套好方法能不能被别人复用？不同部门使用AI形成的经验怎样保留下来？个人使用越普遍，这些问题越无法靠个人继续解决。企业开始需要承载任务、资料、方法和成果的组织环境。

2．技术也变了：AI开始从生成内容走向持续执行

需求变化只说明企业想往前走，技术变化则决定这条路能不能走。

过去的AI办公主要围绕“一次回答”和“一次生成”展开。模型能力继续提升以后，以下三方面的技术开始融合：更长、更稳定的上下文让AI能够记住任务背景；工具调用让AI可以从“告诉你怎么做”走向“调用系统去做”；长任务运行让复杂工作可以跨越更多步骤和更长时间，不要求人一直守着对话窗口。

大量AI智能体将承担越来越多的数字化工作，AI模型和能力正在迅速进入主流工作与商业场景。不同厂商采用的技术路线不同，方向却越来越接近：AI正在获得理解工作现场和继续执行的条件。

这一转变具有关键意义，过去衡量模型好坏主要看其“生成质量”，现在企业开始关注“任务完成度”。前者衡量一段文字、一张表或一次回答好不好，后者要看AI能不能记住前因后果、找到需要的信息、调用相应工具，并把任务推进到可交付状态。

3．产品形态跟着变了：从聊天入口走向工作平台

技术条件成熟，直接推动了AI办公产品边界的扩展。

2026年8月，阿里巴巴将QoderWork、悟空、MuleRun三款定位接近的AI产品整合为千问办公并公开公测，三款产品分别覆盖桌面自动化、云端任务执行和企业协同。同期，字节跳动、腾讯也在整合旗下产品，加码AI办公……产品形态的变化说明了一件事：AI办公正在从“给原有软件加一个智能入口”，继续向“承载一项工作并完成它”扩展。聊天框仍然存在，但它越来越像任务入口；文件、数据、工具、技能和业务系统开始成为同一项工作的组成部分。

这也是企业级AI与个人AI逐渐拉开差距的地方。个人工具可以依赖用户自己补资料、切换应用、记住规则；企业场景下，需要把身份、数据、上下文、工具、权限和交付放在同一套运行环境中。

4．企业衡量AI的尺度也变了

个人使用AI最容易看到的是任务耗时的减少。原来一小时完成的内容，现在半小时完成，这种收益清楚而直接。组织层面的收益需要换一把尺子。

企业更关心一类工作从提出到交付需要多久，返工有没有减少，同一套成熟方法能不能被多人复用，同样规模的团队能否处理更多任务。如果单个环节节省了10分钟，整条流程仍然要等待两天审批，组织生产力就很难发生明显变化。

因此，这一轮拐点也包含评价逻辑的变化。企业开始从统计“多少人在用、调用了多少次”走向观察“哪些工作被改变、哪些能力被沉淀、哪些结果能够持续复现”。AI的价值开始从使用行为进入工作结果。

表1-3所示的促进AI办公拐点到来的四股力量汇成同一个变化：AI的价值重心开始从个人任务速度，转向组织的工作能力。这个变化还没有完成，Agent的大规模部署也仍处在早期，但方向已经越来越清晰。

当AI能够接触更多上下文、调用更多工具时，另一件以前很难发生的事情也开始具备条件：专业能力可以从少数人的经验中被提炼出来，以更低的门槛被更多人调用。这正是“专业力平权”能够成立的现实基础。

1.3
专业力平权：降低获得专业生产力的门槛

1.2节解释了“为什么拐点已至”，本节要回答的是“拐点之后，AI究竟改变了什么”。专业能力长期以来有两个特点：形成慢，复制也慢。一个成熟的合同审查方法、一套可靠的经营分析口径、一种稳定的产品设计流程，往往需要多年工作经验才能形成。企业要扩展这类能力，通常只能继续招聘有经验的人，或者花较长时间培养新人。

AI正在改变专业能力的传播与复制方式。这里所说的“专业力平权”，特指专业能力的获得、调用和复用过程变得更加容易。它不承诺所有人达到同样的专业水平，也不意味着岗位、收入和结果会自然趋同。它说的是一件更具体的事：过去需要长期训练才能掌握的部分知识、方法和执行能力，正在变得更容易获得。

1．专业能力为什么有机会被更多人调用

专业力平权能够出现，至少基于以下三方面条件。

（1）知识获取的门槛下降了。

过去查一个陌生领域，需要先知道去哪里找、用什么关键词、怎样筛掉无关信息。大模型把自然语言变成了新的入口，普通用户可以先提出问题，再沿着回答继续追问。它降低了进入陌生知识领域的第一道门槛。

（2）成熟方法开始可以被封装。

专业工作中稀缺的内容既有“知道什么”，也有“按什么顺序做、用什么标准判断、什么情况下需要停下来”。这些步骤、口径、模板和边界过去主要存在于资深员工的经验中，现在可以逐步写成AI能够调用的技能、规则和专家套件^[2]。

[2]　千问办公中的一种功能，后文将详细介绍。

（3）执行能力不断提升。

知识和方法只有能够进入行动，才会变成生产力。Agent可以进一步调用文件、数据、浏览器和业务系统，让一些过去需要掌握多种软件操作的工作，以自然语言发起并持续完成。专业能力因此从“知道怎么做”继续走向“能够把它做出来”。

学术研究已经为其中一部分提供了实证支持。一项由Brynjolfsson、Li和Raymond等人开展的涉及5000余名客服人员的研究发现，引入GAI助手后，平均生产率提高约15%，较少经验和较低技能员工的提升更明显。不难看出，AI在特定场景中帮助传播了高水平员工的一部分行为模式。这个结果不能推广到所有职业，却能说明在规则较稳定、反馈明确的任务中，AI确实有机会缩小经验带来的部分绩效差距。

2．专业力平权对于不同角色的意义

“让更多人拥有专业生产力”并不意味着所有人使用同一种能力。大众、职场人、资深从业者、团队负责人和经营决策者面对的瓶颈不同，获得的价值也不同，图1-1列出了这五类受众与专业力平权的价值。

图1-1　五类受众与专业力平权的价值

对大众和职场人来说，专业力平权的价值主要体现为降低进入专业任务的门槛。对于过去需要熟悉设计软件才能完成的简单视觉产物和需要掌握复杂公式才能开始的数据处理，现在可以先通过自然语言进入任务，再逐步调整结果。

对资深从业者来说，专业力平权的价值发生在另一个方向。资深从业者最稀缺的资源通常是时间，一套已经验证多年的方法，如果只能由本人一次次执行，能力的上限就是个人时间。把其中可以标准化的部分沉淀下来，他们就可以把精力更多地放在复杂判断、异常处理和质量把关上。

对团队负责人来说，AI提供了统一工作标准的新手段。新人不必完全依赖口头带教，可以从经过验证的模板、技能和专家套件开始工作。团队内部的经验差距仍然存在，但基础交付的稳定性有机会提高。

对经营决策者来说，专业力平权还意味着企业内部的能力更容易被调度。过去一个部门要获得法务、数据分析、研究或设计支持，往往需要排期和跨部门协调；部分标准化能力能够被封装以后，调用路径会缩短，专业部门也能把有限精力集中到流程更复杂、风险更高的任务上。

3．专业能力要从“会的人”走向“组织能调用”

专业力平权能否形成持续价值，要看能力有没有从“一次性使用”变成“可复用资产”。专业能力的组织化路径可分为以下4步，如图1-2所示。

图1-2　专业能力的组织化路径

第1步：经验显性化。

经验显性化，是把“这个人会做”进一步拆成“这件事究竟应该怎么做”。

资深员工处理一项工作时，往往同时调用大量已经内化的经验。他知道先看什么资料，哪些信息需要重点核对，遇到什么情况要改变处理方式，什么结果可以直接交付，什么问题必须继续复核。这些判断如果只存在于个人经验中，AI和其他员工都很难稳定复用。

因此，经验显性化不能只整理几个操作步骤，还要把一项工作的基本结构说完整。至少需要明确任务从什么输入开始，需要经过哪些步骤，每一步依据什么标准作出判断，需要调用哪些资料，最终按照什么格式交付，以及遇到哪些风险和例外时需要停止自动执行并转交人工处理。

以合同审查为例，只写“检查合同风险”没有多少复用价值。进一步拆开以后，需要说明合同类型、审查目标、重点条款、制度与法规来源、风险等级、修改建议格式以及人工复核事项。到了这个程度，一项依赖个人熟练度的工作，才开始形成可以传递、检查和复用的专业方法。

第2步：方法产品化。

说清楚经验以后，还需要进一步解决问题。写在文档中的方法可以供人阅读，能够被AI识别、调用和重复执行的方法，才开始具备规模化使用的条件。

对于边界比较清楚的单项任务，可以把成熟方法沉淀为技能，把任务要求、操作步骤、判断规则、输出标准和必要材料组织在一起。以后再遇到同类任务时，使用者不需要重新向AI解释整套方法，只需要提供当前任务的信息，就可以按照既定方法执行。

一个岗位通常包含多项彼此关联的工作。法务人员除了合同审查，还可能进行企业背景调查、类案检索、法律文书起草和风险分析；产品经理可能连续完成用户反馈整理、竞品分析、需求拆解、优先级判断和产品需求文档（Product Requirement Document，PRD）撰写。此时，可以进一步把多个经过验证的技能以及所需的数据连接、快捷任务和专业标准组合起来，形成一种基于AI能力的新功能或产品。

第3步：连接数据与工具。

方法能够执行以后，还要让它进入真实的工作环境。

专业工作很少只依赖通用知识。合同审查需要读取具体合同、企业制度和相关规则；经营分析需要获得实际经营数据；市场研究需要持续查找外部信息；品牌内容生产需要调用企业自己的品牌规范、产品资料和素材。缺少这些上下文，再完整的方法也只能处理一个抽象任务，很难形成符合企业实际要求的结果。

这一步需要把已经沉淀的方法与完成任务所需的数据、资料和工具连接起来。传统的做法是借助插件，AI时代的做法仍然没有变：Agent产品中的这项能力叫模型上下文协议（Model Context Protocol，MCP），或是连接器。无论叫什么，重要的是，Agent产品现在已经可以接入外部平台、账号、数据或工具。

第4步：共享与迭代。

一个方法能够被调用，还不能直接证明它适合整个组织。个人经验进入组织以前，需要经过真实任务的验证。

更稳妥的方式是先让少量成员在边界清楚的任务中使用，观察输出是否符合标准，哪些情况容易遗漏，哪些判断仍然依赖人工，哪些步骤会因为资料变化而失效。发现问题以后，再修改技能、专家套件中的方法和配置，重新执行和验证。

经过验证的方法再进入更大范围的共享，其他成员就可以直接调用已经跑通的工作方式。新的使用过程中还会继续产生问题和反馈，这些反馈再进入下一轮修改。随着调用次数的增加，组织沉淀下来的会是一组能够持续维护的专业工作方法，不再只是一些提示词或文件模板。

这4步构成了一条逐渐升级的路径：个人经验先被描述为专业方法，专业方法再被封装成AI可执行的能力，AI可执行的能力连接真实数据与工具并进入工作现场，经过验证以后再进入团队共享并持续更新。

专业力平权的组织价值也由此变得具体。它扩大了高质量工作方法的可获得性，让经验丰富的人能够沉淀方法，让经验较少的人能够调用方法，让团队在一次次真实任务中把有效做法保存下来。专业能力由个人所有逐步走向组织可用，AI的价值也从一次任务提效延伸到长期能力积累。

4．工具使用门槛降低后，责任落实变得更加重要

专业能力更容易调用以后，人的专业价值会发生移动。大量标准化执行可以交给AI，专业人士需要把更多精力放在判断、取舍、解释和担责上。

AI生成的合同意见仍需要由负责人确认，经营分析中的数字和口径仍要核验，涉及对外发布、资金、权限、人事等具有高风险的事项仍要保留明确的审批与责任链。AI可以让更多人获得专业方法，却不能替代法律责任、职业伦理和企业授权。

此外，工具使用的门槛降低以后，定义任务和判断结果的能力会变得更重要。同样使用一套专家能力，能够说清目标、提供有效背景、识别异常结果的人，仍然会获得更高质量的产出。专业力平权降低了工具使用的门槛，但不会取消专业的成长。

因此，专业力平权的基本方向是：让知识更容易获得，让方法更容易复制，让执行能力更容易调用，同时把判断和责任清楚地留在人这一侧。

专业能力一旦能够被调用，就会自然出现下一步：这些能力能被AI连续组织起来，围绕一个目标完成更多步骤，并逐渐承担一项完整工作。AI Native讨论的正是这条演进方向。

1.4
AI Native：让AI开始承担完整工作

1.3节关注的是“能力如何被调用”，本节要讨论的是“能力如何被连续组织起来，完整地完成一项工作”。AI Native通常译作“AI原生”，关于这一概念，目前并没有一套适用于所有行业的统一定义。在办公场景中，可以先从工作方式的角度理解它：从一项工作开始设计时，就把AI纳入任务分工，让AI持续获得完成任务所需的上下文、专业方法和工具，并承担其中越来越多的分析、操作和执行工作。人则负责提出目标、设定边界，在需要判断、授权和验收时介入。

1．从“参与一个环节”走向“承担一项任务”

以竞品分析为例，两种工作方式的差异很明显。在Copilot阶段，人先确定分析维度，再搜集资料、整理信息、让AI提炼、制作报告、发送给相关人员……AI参与了多个环节，但工作仍由人一路推进。进入更Agent化的方式以后，用户可以直接交代目标、对象、交付形式和时间，后续的资料搜集、分析、产物生成和送达由AI系统继续推进，人主要负责必要的确认和最终验收。

这种变化可以用“任务所有权”来理解。在Copilot阶段，任务所有权主要在人，人不断决定下一步；在AI Native阶段，AI开始获得一段连续工作的执行责任，人负责规定目标、边界和验收标准。Copilot阶段与AI Native阶段的对比如图1-3所示。

图1-3　Copilot阶段与AI Native阶段的对比

AI Native与传统自动化有所不同。传统自动化依赖预先写好的确定性规则，适合结构固定、变化较少的流程。AI Native更多从目标出发，根据上下文规划步骤，在一定范围内选择工具和处理变化，其开放性更强，带来的不确定性也更高，因此它更依赖过程可见和人工接管。

2．三项能力，让完整工作开始可托付

AI Native能够成立的前提有三项：上下文传递、工具编排、长任务执行，如图1-4所示。这三项前提分别解决“记得住”“做得到”“跑得完”。

图1-4　AI承担完整工作的三项前提

（1）上下文传递。

任务跨越多个步骤以后，AI仍然能够保留目标、背景、限制条件和前面已经形成的结果。如果缺少这一项，人就要在每一步重新解释，长任务会被拆回一串碎片式对话。

（2）工具编排。

AI能够根据任务需要调用浏览器、文档、表格、数据源、连接器和业务系统。缺少这一项的话，分析或许可以由AI完成，但数据搬运、系统切换和后续操作仍然要回到人手中。

（3）长任务执行。

复杂任务可以持续运行，跨越更多步骤甚至更长时间，并在完成后把结果送回工作入口。如果缺少这一项，人仍然需要守着任务逐步推进，AI很难承担连续工作。

3．走向AI Native，更适合采用渐进路径

2024年，OpenAI内部曾提出一套衡量AI能力演进的五级框架：第一级是能够自然对话的“聊天机器人”，第二级是具备更强复杂问题解决能力的“推理者”，第三级是能够代表用户采取行动的“智能体”，第四级是能够辅助产生新发明、新发现的“创新者”，第五级则是进一步走向能够承担组织性工作的“组织”。

这个框架至少传递出AI研究机构与人员的某种判断：AI能力的提升，将从“会回答”逐步走向“会解决问题”与“会行动”，再走向更复杂的协作与组织能力。OpenAI后来对Agent的公开描述也延续了这一方向，用户给出任务后，Agent可以独立执行相关操作。

放到企业办公中，变化同样不会一步完成。AI先进入某个工作环节，再承担一项完整任务，随后连接更多工具和系统，最后把经过验证的方法沉淀为组织可以持续调用的能力。技术能力可以快速跃迁，组织工作方式却需要逐级验证、逐级放权。因此，走向AI Native，更适合采用一条渐进路径，如图1-5所示。

图1-5　走向AI Native的渐进路径

（1）单点辅助阶段。

在这一阶段，AI被放在工作流程中的某个局部环节。写邮件时帮助起草，开完会后整理纪要，拿到一份表格后分析数据，面对长文档时提取重点。任务从哪里开始、下一步做什么、什么时候结束，仍然由人决定。

单点辅助的优势在于边界清楚。人提供材料，AI处理，人立即检查结果，发现问题可以直接修改。因此，高频、低风险、结果容易判断的任务很适合从这一阶段开始。企业在这个阶段不仅要解决“员工有没有在用AI”，还要判断哪些工作适合交给AI，哪些输入需要标准化，怎样描述输出要求，生成结果由谁检查。

这一阶段的局限也很明显。AI可以让一个动作更快，却不会自动减少动作之间的等待、搬运和交接。员工可能用AI生成分析结论，随后仍要自己找数据、做PPT、发邮件、建待办。局部效率提高了，但完整工作的推进方式没有发生明显变化。

因此，从这一阶段继续向前，需要先把一项工作的输入、要求和验收标准说清楚。当企业能够回答“什么材料交给AI、做到什么程度算完成、出现什么情况必须交还给人”时，AI才具备从辅助一个动作走向承担一项任务的条件。

（2）任务委派阶段。

到了任务委派阶段，人开始把一个相对完整的目标交给AI。

例如，不再分别要求AI“搜索行业资料”“整理三家竞品”“生成表格”“写分析结论”，而是直接提出一项任务：研究三家竞品的产品、价格、渠道和市场动作，形成一份管理层可阅读的对比报告，并列出需要继续关注的问题。AI围绕这个目标自行拆解步骤、调用资料、处理中间结果，最后交付完整产物。

人的角色也随之改变。过去需要不断告诉AI“下一步做什么”，现在需要把更多精力放在任务开始和结束两端：开始时说明目标、背景、限制条件和交付要求；执行过程中处理必要的补充信息和异常；完成以后按照事先约定的标准验收结果。

在这一阶段有一个重要门槛：企业必须学会定义“什么叫完成”。如果任务要求只有“帮我研究一下”“分析得深入一点”，AI即使完成了大量工作，人也很难判断结果是否合格。任务委派越深入，目标、范围、数据来源、交付格式、时间要求和验收标准越需要清楚。

因此，任务委派阶段提升的并不只是AI的执行能力，也包括组织定义工作的能力。过去很多要求存在于管理者和资深员工的经验中，现在需要逐步转化为AI能够理解、团队能够复用、结果能够检查的任务标准。

（3）流程协作阶段。

一项任务稳定以后，下一步才有可能把多项任务连接起来。

在流程协作阶段，AI开始进入真实业务链条。它可能从邮件、群聊或业务系统中获得任务信息，调用企业资料和外部数据，完成分析或生成产物，再把结果写回系统、发送给相关人员，必要时继续触发后续工作。过去由员工在多个系统之间完成的信息搬运、状态确认和任务衔接，现在开始有一部分可以连续执行。

这一阶段带来的变化更深，因为AI已经能够影响后续环节。一份错误的摘要如果只停留在个人计算机中，影响范围有限；如果错误信息继续进入审批、客户沟通或业务系统，风险会沿着流程向后传递。因此，流程越长，企业越需要知道AI做过什么、调用过什么、修改过什么，以及哪个节点需要停下来等人确认。

权限管理、过程记录、异常处理、人工接管和必要的回退机制，也在这一阶段从“可选项”变成运行条件。AI可以访问哪些数据，可以调用哪些工具，可以完成哪些操作，哪些动作必须等待审批，都需要按照任务风险分别设置。

判断流程协作做得好不好，可以看一个实际结果的好坏：原来依靠员工反复复制、转发、催办和切换系统才能维持的流程，能否减少人工交接，同时仍然保持责任清楚、过程可查、异常有人处理。达到这一状态以后，AI才算进入了流程本身。

（4）组织级运行阶段。

组织级运行关注的已经不只是一项任务能不能交给AI，还包括一套成熟的工作方法能不能被更多人持续调用。

对于同一项合同审查，如果每名员工都要重新写提示词、重新告诉AI判断标准，能力仍然依赖个人。经过验证的方法如果能够沉淀为技能，多个相关能力能够进一步组成专家套件，再与所需的数据、连接器和执行流程组合起来，那么一个人的成熟做法就有机会变成团队可以反复调用的能力。

到了这一阶段，企业管理AI的对象也发生了变化。过去主要关注谁在使用、用了多少；现在还要管理有哪些能力已经成熟，谁负责维护，调用什么数据，适用于哪些任务，当前版本是什么，输出质量是否稳定，成本是否合理，出现问题以后怎样更新。

一套组织级AI系统最好能够回答几个基本问题：它解决什么任务，依据什么专业标准，允许调用哪些数据和工具，对哪些情况必须人工确认，由谁维护，怎样判断结果持续合格。只有这些问题有了稳定答案，AI能力才能脱离个别员工的使用技巧，进入团队长期运行。

因此，组织级运行也不等于把更多工作自动化。更深的变化是，企业开始形成一批可复用、可维护、可检查的AI工作能力。新员工可以直接调用已经验证的方法，资深员工可以把经验继续沉淀进去，管理者能够看到能力的使用效果和风险，组织也能根据业务变化持续更新。

这四个阶段之间没有统一的升级速度。一家企业可以在周报整理上已经进入流程协作，在重大合同审批上长期保留大量人工判断；同一个部门内也可以同时存在不同自治程度的任务。

在不同阶段之间选择时，还应该守住以下三个原则。

（1）自治深度按任务确定。

一个部门中既可能有适合自动运行的日报汇总，也可能有必须由负责人亲自判断的重大决策。统一规定“这个部门的工作全部交给AI”或“这个部门的工作一律人工处理”，都会把任务差异抹掉。更稳妥的做法是逐项判断信息是否完整、规则是否稳定、结果是否能够检查、失败后果是否可承受。

（2）先解决验证，再扩大执行。

AI跑得越长，错误越可能在后续步骤中累积。任务结果如果能够通过规则、数据或人工抽检快速判断对错，就更适合继续提高自动执行程度。对于结果很难验证的工作，即使模型表现很好，也要保留更多检查点。

（3）优先选择可暂停、可接管、可回退的流程。

企业探索新工作方式时，需要允许AI在遇到异常后停下来，把完整上下文交给人，也需要允许错误操作被撤销或修正。这样才能把试错控制在业务可承受的范围内。

以上三个原则指向同一个次序：先找到可托付的任务，再增加AI承担的步骤；先建立可靠的检查和接管方式，再扩大连续执行范围。这样走得慢一些，却更容易把一次成功变成稳定的能力。

4．AI Native需要一种新的工作连续性

企业要走向AI Native，要跨的坎主要是工作连续性，模型能力倒在其次。当一项工作被反复拆散在不同工具之间时，AI再强，也只能在每个断点上短暂出现，工作本身还是连不起来。

过去，数字化办公以软件为单位组织能力。文档、表格、PPT工具，即时通信（Instant Messaging，IM）软件，CRM系统各自精进，却共同制造了一个结果：工具越来越强，维持工作连续的人越来越累。员工必须记住目标走到了哪里、资料散在哪里、哪个版本最新、下一步该找谁、结果最终送往何处。这种连续性，长期由人的注意力和经验艰难维系。

AI Native要改变的正是这种关系，使得一项工作开始有机会沿着同一个目标持续推进。任务发起之后，已经获得的信息、形成的判断、中间产物和执行状态，都可以供后续步骤使用，而不必在每个环节重新开始。过去的软件帮助人完成操作，下一代AI办公则要帮助人守护工作的连续性。

价值衡量的方式也随之改变。模型多强、功能多少，不再是唯一的观察点。更该问的是：一项工作进入系统之后，能够连续向前推进多远。它能否从一句需求出发，在过程中不断吸收信息、调用专业能力、生成不同形态的成果，并最终回到真实工作中继续推进。工作流程越完整，AI就越接近一种新的工作方式。

从这个角度看，“一个AI入口，贯连办公场景”不只是一句产品定位，背后是一个更大的变化：让人从“寻找完成工作所需的功能”转向“直接发起要完成的工作”，并由同一个环境承接全过程。千问办公正是面向这一变革方向的产品实践。后续章节中，我们将跳出AI Native的理论构想，实际认识这一AI工作入口的产品形态，看它如何落地到真实办公场景。