办公级Agent三国杀一触即发

作者 | 郑敏芳

互联网大厂之间的新一轮竞争，开始转向办公桌面。

7月30日, 字节跳动开展了一场针对AI业务的组织调整行动, 其中飞书产品团队、豆包产品团队两者进行整合, 进而成立新的豆包产品团队且飞书GTM团队、火山引擎团队予以整合, 最终成立新的To B组织谓为“创造力服务平台”, 该平台统一承担MaaS和SaaS产品的市场、销售以及客户服务相关工作。

在组织调整得以完成之后, 经由飞书团队深度参与打造的豆包企业版已经着手迈入在部分飞书客户里面开启对内测试的阶段, 用户并不需要去进行额外予以部署, 便能够去调用飞书文档、表格、会议、群聊等一系列办公方面的能力。

就在刚刚过去的一周之前, 阿里巴巴对外宣称要进行整合, 将悟空等一系列内部产品, 推出名为“千问办公”的产品, 并且把这件事情交给钉钉进行全盘统筹安排。

十天前, 腾讯又完成了一轮调整, 把QClaw产品中心整个并入所在团队, 进而强化桌面办公, Agent布局也因此进一步得以强化。

但这并不意味着大厂内部的“赛马机制”已经结束。

腾讯于其他范畴之外, 存在着一款正在进行内测的企业微信Agent“大圆”, 它具备能够触达操作系统以及本地文件的特性；字节在豆包企业版之外的部分, 同样留存了一款身为桌面办公Agent的TRAE Work。且都是在除了各自所提及的特定版本另外的情况, 有这样两款具有相应功能和定位的不同产品部件处于相应的测试或者留存状态。

所以, 这一回的调整更趋向于大厂着手收拢重复实施的建设, 集中那些底层的能力以及商业化方面的资源, 并非是预先就选定了那独一无二的产品形态。内部开展的赛马依旧在持续进行着, 谁能够率先找寻到高频出现的场景以及稳定的产品边界, 这依旧得交由市场前去验证。

在仅仅不过的短短半个月里头, 阿里巴巴、腾讯、字节跳动几乎是在同一时间, 围绕着办公桌面Agent展开并且完成了组织重组这一行为, 其背后所蕴含的可能性或许仍旧是在于争夺另外一种过去从来都未曾被大规模获取过的数据, 那就是真实工作流。

以前, 大模型主要是从互联网文本以及用户对话里学习知识, 当Agent开始参与到文档写作, 到数据分析, 再到会议协同, 最后到审批流转时, 它所接触的却是一项工作怎样被拆解, 如何被执行, 怎样被修正, 最终又如何进行交付的一整个历程。

2026年, 夏天来临之际, 一场全新的战争, 围绕着“AI怎样才能够学会工作”这一主题, 就此展开了。

办公Agent开始上桌

三家公司几乎同时选择相似的路径并非巧合。

率先验证了桌面办公Agent的用户增长潜力, 这或许是一个重要原因了, 使得其他竞争者很难再继续持有观望态度了。

依照易观数据所呈现的情况来看, 于今年6月这个时间段, 腾讯桌面端的访问量达成了2097万次这样的数据, 在国内范畴内的AI原生办公Agent产品里, 它处于排名首位的位置, 并且其访问量超越了第二名以及第三名这两款产品各自访问量相加之和。

从此, 大厂内部探索项目中的桌面办公Agent启步, 朝着一场有着既定用户规模参照的竞争前行, 迈向此竞争。

与此同时，AI办公产品也开始进入“收敛”阶段。

过去一年, 大厂内部普遍有着多个团队并行探索的情形, 多条产品线也并行探索。阿里的悟空和，腾讯的QClaw与, 字节的豆包、飞书等产品, 都曾从不同场景寻觅办公Agent的产品形态。

随着市场步入“算账”时期, 持续维系多条相近产品线的成本不断攀升, 模型、研发、算力、销售以及客户资源都得进行重新集中, 投入到于更具可能造就用户规模与商业收入的产品里面去！

是这种收敛的体现, 阿里把三款产品整合到千问办公之中, 腾讯将QClaw团队进行并入。

比产品收敛更具现实性的问题源自企业市场自身, 单独朝着企业推广一款办公Agent时, 企业得重新认知产品, 评估安全与权限, 完成采购部署, 接着培训员工去改变原有的工作习惯, 整个流程教育成本偏高, 销售周期也颇为漫长。

将办公 Agent 直接接入企业已然在使用的协同体系之中, 这是一条更为快速的落地途径, 是这样的没错。

全天候科技被一名阿里云的销售人员告知, 千问办公接入钉钉之后, 卖给企业客户会更具便利性。

这背后的缘由并非难以领会, 钉钉已然具备成熟的组织关系, 还有权限体系以及办公场景, 千问办公接入钉钉后, 销售人员不必再从起始去推销一款独立的 AI 产品, 而是能够围绕企业原本的会议、文档、审批以及协作流程来介绍 Agent 能力, 客户更易于理解, 并且也更乐意尝试采购。

全天候科技从一位阿里内部人士处得知, 千问办公当前是以独立产品形式售卖, 不存在单独团队专门售卖, 然而产品才刚发布, 其内部销售策略正持续依据市场状况进行动态调整。

字节此次整合产品和销售体系也体现了相似思路。

飞书产品团队并入豆包后, 此刻, 豆包企业版能够直接调用飞书文档的能力, 也能够直接调用飞书表格的能力, 还能够直接调用飞书会议的能力, 甚至能够直接调用飞书群聊等能力；飞书GTM团队与火山引擎整合以后, 这时, 又能够借助原本拥有的企业客户关系来推广豆包企业版, 进而降低重新获取客户的成本, 并且降低单独交付的成本。

这场竞争的胜负还远未确定，但受到冲击的公司或已经出现。

伴随、千问办公跟豆包企业版纷纷涌入市场, 金山办公的竞争环境已然出现改变, 对手持有大模型、包含云服务、具备用户流量以及拥有企业销售体系, 并且能够借助免费或者低价策略来加速获取客户。

7月21日, 高盛把金山办公的评级从“中性”向下调为“卖出”, 觉得WPS AI的用户采用速率以及付费比率或许要更长时段去提升, AI办公市场迅速拓展扩大, 还有竞争产品有着更具吸引力的定价, 这也会给其订阅业务造成压力压力, 还有竞争产品有着更具吸引力的定价, 这也会给其订阅业务造成压力。

在大厂相互间展开的, 桌面Agent相关方面引发的战役竟然仅仅是刚刚开启了序幕, 而传统类型的办公软件却已然是率先体会到了战火带来的冲击。

争夺真实工作流？

对于阿里而言, 办公桌面Agent存在另一层更深的价值, 这价值在于让模型能够完整观察一项工作是怎样完成的, 对于腾讯来说亦是如此, 对字节来讲同样有着这样一层更深的价值。

过去，大模型获得的数据主要来自互联网文本和用户对话。

模型晓得用户提了啥问题, 也清楚自己产出了啥答案, 然而却极难明了那些答案最终到底有没有切实解决问题, 而且更加不清楚一项实实在在的工作究竟是怎样一步步给搞好的。

桌面办公Agent改变了这一点。

当Agent着手去操控电脑, 进而调用浏览器, 接着打开文档, 随后分析Excel, 再去制作PPT, 并且与用户一同完成一项任务之际, 它所记录的并非仅仅是几轮对话, 而是一条完整的任务执行轨迹（）。

例如此时, 有一名用户向Agent提出了完成一份行业研究的要求。Agent便为此展开行动去搜索资料, 接着阅读PDF文件, 之后对资料进行整理数据, 随后生成初稿成果；紧接着顺序发生变换, 是用户着手调整结构, 再去补充新的材料内容, 之后又让Agent继续进行修改工作, 最终成功形成能够交付的版本状态存在了。

这种完整的工作过程正在成为Agent时代一种新的数据形态。

今年所发布的, 关于Agent评估的综述明确指出, 不同于传统机器学习着重去处理“输入—输出”数据, Agent系统是需持续对环境予以交互的, 所以对Agent进行评估之时, 不能够仅仅只去查看最终的结果, 而必然是要记录完整的。

论文持有这样的观点, 有一条完整的内容, 它不但涵盖状态观察、中间推理、工具调用、环境反馈, 而且还包含错误修正等, 这构成了整个任务执行的流程。相较于最终答案, 这些轨迹切实记录的是一项工作到底是怎样达成的。

这类数据已经成为AI行业争夺的新资源。

一个上海的AI平台公司工作人员, 向全天候科技透露, 有模型公司曾找过他们寻求合作, 其目的在于经由他们获取行业長程任务专项数据, 这些公司都在以高价去购买这样紧缺的数据集。

企业对真实工作流存在渴求, 不是仅仅发生在国内情况并非如此 海外模型大厂里面 和其它类似知名的 它们着手花下重金 让FDE 让部署团队 直接进入企业 这种情况存在着 是这样情况没错。

今年5月, 有宣布与、&、Sachs等机构, 成立一家企业AI服务公司。就按其规划而言, 的工程师会与新公司团队一起, 进入客户企业, 去寻觅那些能够参与的业务环节, 进而围绕企业以前的工作流程来开发符合要求的相应系统。

一周之后, 会进行成立这一动作。新的公司是被控股的状态 , 初始投资超出了 40 亿美元呢 , 与此同时有着收购 AI 咨询与工程公司的计划 , 后者大概 150 名 FDE 和部署专家将会直接加入进来。

在那时, 市场中普遍存在的一种观点觉得是, 处于学习的状态, 以此来补齐企业服务以及项目交付的能力, 然而, 有一位来自上海的AI公司负责人却觉得这两家大厂的目的并不只是如此而已。

“有这样一种看法，即它们更深层次的目标在于借助部署FDE的方式, 从而进入企业, 进而去知晓实际且真实的工作流程, 接着去争抢工作流方面的数据, 随后把其中所蕴含的方法论进行沉淀并学习掌握下来。”有这样一位人士告知全天候科技, “需要坦率而言的是, 实际上当下大多数的AI模型仅仅是交付相应的成果，然而对于企业的业务运行逻辑、偏好等相关信息而言实则还是较为匮乏的。”。

假设存在这样一种情况, 即互联网文本对这一代模型知识能力起到了塑造作用, 与之相对的是, 真实工作流有可能正在对下一代 Agent 的执行能力进行塑造。

进化之争

就现阶段而言, 千问办公跟字节旗下那些相关产品, 在一般办公任务这块儿, 相互之间差异并非显著地分明可得而已。

检索资料, 阅览文件, 生成文档, 剖析表格, 制作PPT, 进而调用浏览器以及其他软件去达成任务, 已然成为桌面办公Agent的基础能力, 伴随底层模型与Agent框架持续迭代, 这些功能还会进一步趋向相同。

在以往的互联网竞争期间, 当产品具备的能力渐渐趋于相近的时候, 价格补贴、流量入口以及用户规模常常都会变成决定最终胜负的关键重要手段, 然而这套运用的打法是很难直接就复制到桌面办公Agent市场当中去的。

在今年春节那段时间里, 好多家互联网公司, 借助红包、免单以及“点奶茶”这类活动, 去吸引用户, 让用户下载并且使用它们旗下的大模型产品。补贴能够快速地把体验门槛给降低, 使得更多用户去完成第一次提问, 完成第一次下单, 还能够在短时间之内把下载量以及活跃度给推高。

然而企业给办公Agent支付费用, 所购置的乃是稳定达成工作的才能。它得领会企业的组织关联, 明白业务法则以及权限界限, 清楚一项任务需要读取哪些资料, 知晓要调用哪些系统, 心中有数经过哪些步骤, 并且清楚在哪些环节应当暂停下来去提请确认。

有补贴能带来试用量, 然而要让一个对业务不了解、还常出错的Agent长时间留在企业核心流程里是很难的。真正决定市场走向的归根结底还是产品能不能持续完成任务。

目前，这三家厂商已经形成了不同的产品布局。

千问办公被制作为独立的桌面客户端, 并且与钉钉实现双向打通, 客户借助这些以从钉钉发出的任务开启, 当 Agent 执行结束后, 再将产生的种种返回至原本所有的涉及聊天以及各类协作流程里。除开钉钉这一平台, 千问办公另外仍能够接入飞书等其他外部平台, 在得到相关授权之后读取相关文档。

这表明, 阿里巴巴期望千问办公能够尽可能全面地涵盖企业现有的软件以及数据环境。

但是呢, 这种开放它主要是在软件以及数据链接的层面体现出来, 然而千问办公迄今为止依旧主要是运用千问模型。

字节内部则同时保留了两条产品线。

一条是, 豆包跟飞书相联合, 凭借着聊天、文档、会议 , 还有组织关系步进到企业协作流程里, 当前看起来依然是以自有模型作主要部分了。

有一条是TRAE Work, 它最开始是从编程工具着手切入, 在今年6月的时候, 由TRAE SOLO更改名称而来, 其产品边界已经逐渐地扩展到了研究方面, 写作方面, 数据分析方面, 方案制定方面以及跨团队协作方面。

TRAE提供多个模型选项, 这与豆包不一样, 当中的用户能够依据任务来自行进行选择。

腾讯同样不只有一个答案。

从独立桌面工作台着手切入, 着重突出跨软件调用方面能力, 以及任务执行方面能力, 还有自动化方面能力。和千问办公不一样, 和豆包也不一样, 它更加凸显多模型聚合的特性, 用户是能够在不同模型之间去进行切换的, 并且能够调用WPS软件, 能够调用腾讯系应用等一系列软件以此完成任务。

今年6月, 进入内测阶段的企业微信AI Agent“大圆”, 直接于企业微信内生长, 它能够结合群聊工作数据, 理解用户诉求, 还能结合文档工作数据, 理解用户诉求, 也能结合会议工作数据, 理解用户诉求, 又能结合邮件工作数据, 理解用户诉求, 并且能结合日程工作数据, 理解用户诉求, 相比之下, 它更接近于企业协作环境中的原生Agent。

整体来看，大厂内部的赛马仍未结束。

路线分化

综合来看，桌面办公Agent正在形成两条路线：

存在一条路线, 是以千问办公、豆包作为代表的自有模型路线。办公Agent, 是建立于自家模型之上。模型是单独设定的成分, 办公软件是应用的部分, 云服务是起着支撑作用的要素, 企业数据也是该路线体系中的内容, 它们都被放置进了同一套体系里面。

换一条, 是由、TRAE作代表的多模型聚合路径。平台并非把能力限定于单个模型身上, 而是给出多个模型选择项, 接着借由统一的工作台去衔接文件、软件以及任务流程。

路线不同也意味着各自形成壁垒的方式不同。

就自有模型路线来讲, 竞争的重点首要还是在于模型训练以及后训练。模型能不能理解更长且更复杂的任务, 能不能更精准地处理文档、表格、代码以及多模态信息, 这决定了办公Agent的能力上限。办公场景所产生的真实任务以及用户反馈, 又能够反过来助力模型持续迭代。

面向多模型聚合路线来讲, 底层模型并非全部归属于平台, 同一型号模型说不定会被好些竞争对手接入。仅仅是增添模型数量不容易形成长久的差异。

真正关键的是处于模型之外的部分。它承担着组织上下文的职责, 负责连接工具, 还要保存任务状态, 管理权限, 处理错误, 并且要把模型的推理能力转变为一条能够实际运行的工作流程。

大模型春节百亿补贴所争夺的, 是C端用户的首次使用, 嗯嗯, 而办公Agent争夺的, 却是完成工作的经验。其区别, 在于这些经验最终究到底是进入模型, 还是留在模型之外的执行系统当中。