智東西

作者 | 江宇

編輯 | 漠影

一家船廠手裏，壓着近50萬份研發製造文檔；一名船舶設計師要從新手長成能獨當一面的專家，往往需要十年以上。

2026年下半年，騰訊WorkBuddy、阿里千問辦公、字節豆包工作幾乎同時把企業級Agent推到台前。加上長期深耕辦公場景的金山辦公，國內AI辦公「四強」的競爭版圖已經基本成形。

但企業級Agent的一大卡點，並不是模型不夠聰明——而是它們能不能讀得懂這50萬份圖紙、那200餘本規範，以及老師傅腦袋裏沒寫成文字的判斷標準。

這正是金山辦公帶着WPS Comate切入的戰場。在國內AI 辦公的競爭版圖裏，金山辦公位列AI辦公四強，始終是這一領域繞不開的一極。

做了38年文檔的WPS，把企業AI的勝負手押在了一件看似不起眼的事上：把企業幾十年積累的數據、流程和「黑話」，整理成AI真正讀得懂的上下文。

發布會過去一個多月後，我們和金山辦公高端製造業總經理於葉舟博士聊了聊。沿着中船動力、黃埔文衝、奇瑞等真實案例，一條企業級AI更清晰的競爭主線也浮出了水面：

企業AI越往高價值、高難度的業務裏走，越繞不開上下文。

一、AI進企業，難題落在數據、成本和安全上

過去兩年，企業面對AI時最先問的還是「要不要做」。到了今年，於葉舟接觸到的很多製造業客戶，問題已經變成了「到底在哪裏做，能產生多少價值」。

變化首先發生在決策層。

過去不少AI項目主要由CIO和IT部門推動，今年一些製造企業已經把AI提到「一號位工程」的高度，董事長、總經理直接下場，有企業成立專門AI團隊，也有企業統計內部Token消耗，重新規劃算力和軟件預算。

於葉舟觀察到，這種變化在民營製造企業身上尤其明顯：「去年他們已經會有這方面的投入，但真正變成一號位的意志，批大筆預算、設立新的組織架構，甚至開始統計全員Token消耗，基本上是從今年開始。」

決策層越重視，對AI的要求也越具體。

對於一家大型製造企業來說，一套真正進入生產環境的AI體系可能意味着不小的投入。錢花下去之後，老闆看的是研發周期能不能縮短、良率能不能提高、重複工作能不能減少，以及最終能不能算出一筆清楚的ROI。

於葉舟提到，對於頭部製造企業而言，如果真要把AI落到生產環境，投入往往不是一個小數字。尤其在ROI還沒有完全確定之前，如何讓老闆相信這筆錢「打水漂的概率更小」，本身就是甲乙雙方共同需要回答的問題。

金山辦公副總裁王冬此前也曾提及，企業做AI首先要尋找「足夠有價值、足夠有難度」的業務。而一旦走到這些地方，製造業幾十年積累下來的複雜性也會集中暴露。

數據上，文檔、郵件、會議等非結構化數據，與ERP、CRM、生產系統裏的結構化數據長期共存；

系統上，不同年代建設的IT系統形成一個個數據孤島；

安全上，半導體、船舶、軍工等行業大量研發數據無法離開內網，部分系統甚至採用物理隔離。

這些問題裏，於葉舟尤其看重數據。「真正在落地過程中，影響最終效果的很大一部分難點，既不在模型，也不在算力，反而在數據。數據可能佔到八成，但前期它往往又是最不起眼、最容易被忽略的東西。」

中船動力就是一個典型例子。這家中國船舶集團旗下核心動力配套企業擁有近50萬份研發製造核心文檔，覆蓋投資規劃、設計研發、建造製造、調試實驗、交付運營等多個環節，同時還存在多網區、內外網隔離等複雜環境。

除此以外，黃埔文衝的情況則體現了另一種複雜性。船舶設計高度依賴知識積累，設計人員需要面對200餘本技術規範和大量專業軟件操作經驗，一名設計師成長到獨當一面，往往需要十年以上的時間。

這些問題最終都指向同一件事。通用模型可以懂大量世界知識，卻不知道某一家企業裏的「靠譜業績」究竟怎麼算，某項「良率」應該排除哪些數據，哪套工藝規則纔是當前正在執行的版本。

模型能力越來越普及以後，決定AI能不能真正進入生產環境的，越來越依賴企業自己的上下文。

數據、規則、權限和經驗，這些纔是一家公司獨有的東西。

二、把幾十年的文檔和「黑話」，整理成AI讀得懂的上下文

上下文從哪裏來？對於企業來說，首先繞不開兩類資產：文檔和業務數據。

一家大型企業內部，知識很少整整齊齊地放在一個數據庫裏。它更常見的形態是Word、PPT、PDF、Excel，是會議紀要、郵件、流程圖、思維導圖，以及幾十年前留下來的各種技術資料。

讓AI讀這些文檔，並沒有看上去那麼簡單。

常見RAG方案會先把文檔轉成Markdown，再按照固定字數切塊。這樣做足夠快，但圖片、表格、頁面層級等信息可能在過程中損失，一段原本完整的業務語義也可能被從中間切開。

WPS的處理思路，是儘可能保留文檔的原始結構，將圖片、表格、段落等不同元素解析出來，再按照章節和語義切分。

於葉舟把文檔解析看作非結構化數據進入AI體系的關鍵一環：「文檔解析準不準，幾乎就決定了非結構化數據上下文召回得準不準。放到Agent執行裏，也會直接影響最終結果會不會跑偏。」

顯而易見，價值最終仍要落到結果上：文檔解析越準確，後續召回的上下文越準確，Agent執行時跑偏的概率也越低。

製造業裏已經有一些更具體的結果。中船動力將核心文檔納入統一管理，研發、仿真、建造等文件被持續歸集，版本和操作可以追溯。中船動力流程數字化中心副主任朱躍斌將這套體系形容為高端製造的「知識產線」。

黃埔文衝則把200餘本船舶設計規範做成了AI知識庫。設計人員可以直接用中文查詢英文規範，單次規範查找時間縮短60%以上，專業軟件操作指引複用率達到80%。AI給出的答案還會保留規範出處，方便設計人員重新覈實。

但文檔只是企業上下文的一半。另一半，是ERP、CRM、財務和生產系統裏的結構化數據。

於葉舟向我們舉了一個很典型的例子。

假設一位老闆問AI：「某事業部H2的靠譜業績是多少？」

這句話對於人來說可能很自然，但模型需要先弄明白：哪些部門屬於這個事業部，H2對應什麼時間範圍，哪些訂單可以計入業績，「靠譜」又按照什麼業務規則定義。

數據庫即便已經接通，如果這些語義沒有提前說明，AI仍然可能給出一個看似合理、實際口徑錯誤的結果。

WPS DataHub處理的就是這一層問題：先定義企業內部的數據對象、指標、關係和計算規則，再讓AI調數。

於葉舟用「中央灶底1」來解釋這個過程：「它就變成了像中央灶底1預切好的各種配菜。老闆問問題相當於下鍋一炒，前面的數據已經按照定義和流程清洗好了，所以最後出來的結果就準了。」

例如在半導體行業，良率是一個直接關係到經營結果的核心指標，但良率分析往往又高度依賴少數專業人員的經驗。哪些數據要排除、哪些指標要組合、數據先後經過怎樣的清洗流程，都可能影響最終判斷。

於葉舟提到，如果能先把這些經驗和流程在DataHub中固化下來，再讓AI按照既定口徑完成數據清洗和調用，過去依賴專家經驗才能完成的一部分分析工作，就有機會被穩定複用。同一分析從耗時數小時變為分鐘級，良率異常的定位速度明顯加快。

這也是WPS Comate背後幾套能力存在的原因。

AIdocs負責把文檔等非結構化數據轉化為知識，DataHub負責業務數據和語義，APIHub連接ERP、CRM、OA等系統，AIHub負責模型調用和Token治理，Trust則管權限、安全和審計——這讓半導體的良率數據、船舶的設計規範，可以不離開企業內網就被安全地調用。

它們最後匯到同一個目標上：把一家企業幾十年積累下來的信息，整理成AI真正理解並且可以持續調用的上下文。

三、理解企業之後，AI還得把活幹完

上下文整理好以後，還有最後一步：AI能不能真正完成任務。

這裏涉及另一類組織資產——人的經驗。

很多企業最有價值的方法並沒有寫進制度裏，而是留在少數資深員工腦中。合同怎麼審、客戶拜訪前查哪些資料、一份報告先看哪些指標、項目結束後怎麼覆盤，這些工作看似瑣碎，實際都包含大量判斷。

在黃埔文衝，有一條最讓WPS團隊印象深刻的經驗沉澱。一位幹了二十多年的焊接工藝老師傅，退休前最難交接的不是圖紙，而是他腦子裏那些「憑感覺」的判斷：什麼天氣該調整哪幾項焊接參數、哪批鋼板焊前要加一道預熱、焊縫外觀的哪些細微差別說明內部可能有缺陷。這些沒寫進任何手冊的「黑話」，曾經隨他退休就要失傳。

現在，工程師用WPS Comate的反向提問，把老師傅的判斷標準一條條梳理出來、沉澱成一個Skill。新人照着這套Skill走一遍，就能少踩多數老手當年踩過的坑。

於葉舟說，這比任何Prompt都值錢——因為被沉澱下來的不是一段文字，而是一個組織可以反覆使用的方法。

業務再複雜一些，則需要多個Skill、數據源和系統共同參與。比如一次經營分析，AI可能先從CRM讀取銷售數據，再從項目系統調取狀態信息，按照企業內部口徑完成數據清洗，調用分析Skill，最後形成可以直接交付的結果。

WPS把這類組合後的能力稱為「專家」。

Skill更多解決「一件事怎麼做好」，專家則負責把多項能力串起來，讓一套複雜業務可以穩定地重複執行。

於葉舟提到，相比普通Skill，「專家」通常對應的是更嚴肅的企業級場景，它可能連接公司數據庫、敏感數據，甚至直接影響管理層判斷，因此需要預先定義數據來源、清洗流程和執行順序，儘量保證每次跑出來的結果穩定。

從金山辦公的一部分案例，也能看到企業AI正在沿着這條路徑深入。

黃埔文衝首先解決的是知識調用問題，讓大量設計規範和軟件經驗更容易被找到。

中船動力進一步進入協同和研發環節。一份過去需要一周通過郵件往返修改的共創文檔，如今一天左右即可定稿，效率提升超過80%；研發筆記、試驗數據和項目資料也被持續沉澱進入知識體系。

奇瑞則把範圍擴大到了6萬名員工。其基於WPS 365建設企業知識體系CheryGPT，已經支撐4000多個數字員工應用。AI系統管家幫助IT問題解決時效提升30%，全年節約成本超過3000萬元；在海外售後場景中，單次故障查詢時間由10分鐘壓縮到了1分鐘。

當AI由幾個人試用擴大到幾千、幾萬人使用，新的問題又會出現：Token怎麼分配，哪些崗位用什麼模型，哪些數據允許Agent讀取，哪些Skill可以共享，AI操作核心系統時如何審計……這都需要一套組織級管理機制。

這也是WPS提出「三二一」體系的原因：通知識、通數據、通能力，管成本、管安全，再由Comate作為統一入口承接。

到了這裏，企業AI已經很難再被簡單理解成一個聊天機器人。它越來越像一套新的組織基礎設施：一頭連接數據和知識，一頭連接員工、系統和真實業務。

結語：企業AI的下一站，是上下文的長期工程

模型仍在快速變強，Agent和Harness的門檻也在持續降低。

對於企業而言，未來選擇哪一個模型，可能越來越像一項階段性的技術決策。模型升級了可以替換，價格變化了也可以重新選擇。

上下文卻完全不同。一家企業過去幾十年形成的知識、數據、工藝、流程、權限和專家經驗，需要長期整理、持續更新，並伴隨每一次業務執行不斷沉澱。

這也是於葉舟理解WPS在AI時代位置的一種方式：「我們既沒有做一個大模型，也沒有搞自己的雲去賣Token。我們做的其實就是上下文工程、數據這一層的生意，它同樣決定了AI應用最終的效果和天花板。」

企業AI的競爭正在從模型選型轉向上下文工程。選模型是一項階段性決策，整理上下文是一項持續工程。後者纔是企業真正需要長期投入，並且會越用越厚的資產。

當所有模型都足夠聰明，辦公軟件廠商真正爭奪的，會越來越接近一家企業「組織記憶」的管理權。從船舶、半導體到汽車製造，WPS已經把AI送進了一家又一家真實工廠——它不是替企業「生成」答案，而是先替企業看懂自己幾十年攢下的數據、流程和經驗，再把工作真正做完。這，或許纔是企業AI下半場更值錢的那門生意。