AI辦公之爭:騰訊、阿里、字節在牌桌上亮出的第一張牌,是各自的組織架構

舒書2026.08.27 18:20 · 來自北京全文2787字00:00 / 08:33AI辦公、組織架構 、騰訊WorkBuddy、阿里千問辦公 、字節豆包、飛書、AI產品 、組織變革、互聯網巨頭文 | 舒書2026年7月到8月,中國互聯網三巨頭在AI辦公賽道上陸續亮出了一張牌。這張牌不是產品,是組織。騰訊把QClaw產品中心併入WorkBuddy所在部門。阿里拆掉了QoderWork、悟空、MuleRun三條產品線,重組成千問辦公事業部。字節在25天內連做兩輪調整:先拆飛書,再收TRAE和釦子,全部塞進豆包體系。時間窗口的重合並非偶然。
從產業週期來看,AI辦公賽道正快速告別自由試錯的早期階段;桌面入口被金山WPS AI等產品牢牢佔據、研發成本持續走高,多重外部與內部因素共同推動巨頭結束賽馬模式。但三家最終選擇了截然不同的整合方案,說明戰略方向並沒有形成共識,每家都在這輪壓力測試中給出了不同的答案。一、騰訊:主動收斂,用驗證過的路線鎖定路徑7月中旬,騰訊發佈內部組織調整通知,將QClaw產品中心劃轉至雲產品六部,這正是WorkBuddy的歸屬部門。WorkBuddy今年3月上線,到6月PC端單月訪問量已突破2000萬,穩居國內AI原生辦公智能體首位。
QClaw同樣表現不俗——由騰訊電腦管家團隊基於OpenClaw打造,3月內測首周用戶即突破數百萬。依託電腦管家入口,QClaw更偏向系統級輕量助手,與WorkBuddy的企業級辦公定位形成互補。面對兩份都足夠亮眼的數據,騰訊管理層做出了理性剋制。他們的選擇是:讓WorkBuddy作為主幹,QClaw作為支線併入。這一決策的邏輯在於,騰訊對AI辦公的終局判斷已經收斂——先有一個被市場驗證的確定性,再圍繞它配置資源。在產品認知已經明確的賽道,把資源分散在兩條互相競爭的線路上,邊際收益低於集中投入。
WorkBuddy跑出確定性之後,騰訊主動收斂兵力,把QClaw的能力、人才、用戶注入這個已經被驗證的主幹。這不是贏家通吃,而是主動收斂——兩匹馬都跑得不錯,但管理層基於邊際收益判斷,選擇停止賽馬、集中資源。但代價同樣清晰:QClaw更輕量、更貼近C端的探索路線被放棄。如果未來C端AI辦公市場爆發,騰訊將缺少一條獨立的輕量化產品線。二、阿里:推倒重來,用最短時間完成大規模手術如果騰訊的調整是微調,阿里完成的則是一場更大範圍的重構。8月3日,千問辦公開啟公測。此前,阿里內部並行推進三條AI辦公產品線:QoderWork面向程序員,悟空主打通用辦公,MuleRun側重創意場景。
阿里沒有選出贏家去覆蓋另一個,而是一次性關停三條獨立產品線,從零組建新事業部。千問辦公事業部由Q-Team、S-Team兩個秘密Agent小組與原悟空業務重組而成,為ATH事業群下屬一級事業部,由釘釘CEO陳宇森帶隊。三條線團隊合併,產品全部停掉,重新做一個新的。從結果倒推,三條線可能均未跑出足以獨立支撐事業部的增長主線,且各自為戰導致企業客戶資源嚴重內耗。阿里對企業級市場的判斷已經收窄——不再需要三條線各自探索,而是要統一拳頭產品。代價同樣清晰:三個團隊合併為一個,存在文化衝突和人才流失風險。舊產品積累的用戶數據需遷移,企業客戶關係需重建。
釘釘原有AI能力與千問辦公的業務邊界至今尚未完全釐清——其根源在於,釘釘是成熟流量入口、擁有千萬級企業客戶,而千問辦公是新事業部,目標打造獨立拳頭產品。未來企業客戶的AI需求,究竟由釘釘承載,還是由千問辦公承載,雙方將爭奪企業客戶入口資源。三、字節:重構組織權力的激進變革如果騰訊是微調,阿里是中型手術,字節完成的則是一場牽動整個ToB業務根基的大型重構。7月30日,字節宣佈飛書產品團隊與豆包產品團隊整合,飛書負責人謝欣向豆包負責人趙祺彙報。飛書GTM團隊與火山引擎整合。一個做了近10年的獨立事業群,一天之內被一分為二:產品歸豆包,銷售歸火山。字節的手術沒有停。
8月24日,TRAE、釦子團隊整體併入豆包體系。第二天,豆包工作正式發佈。字節在權力重組上走得最遠:飛書從一個獨立事業群降級為豆包的一個子模塊;豆包成為主幹業務。梁汝波在8月全員會上給出的解釋是:AI在生產力場景中的發展快於預期,ToB業務重要性隨之提高,希望豆包成為主幹。但產銷分離的架構最具張力——銷售側追求大客戶定製,產品側追求通用主幹迭代,兩者目標不一致時如何協調,是字節內部最棘手的執行難題。在傳統SaaS時代,定製化開發是常態;但在AI時代,模型能力的通用性才是壁壘。如果銷售為了拿單過度承諾定製化,可能會汙染豆包的通用模型底座,這才是字節架構下最致命的隱患。
飛書十多年的企業客戶生態,也可能面臨優先級讓位於豆包主幹迭代的風險。更前置的風險是權責真空:當前架構並未明確衝突發生時的最高決策人,一旦火山銷售的大客戶需求與豆包主幹迭代方向發生分歧,很容易陷入誰說了算的僵局。四、三種模式,三種代價,三種終局組織架構的調整,本質上是為了匹配各自對AI辦公終局的想象。騰訊要的是超級連接器——跨平臺打破數據孤島;阿里要的是企業大腦——嵌入組織流程的決策中樞;字節要的是AI原生操作系統——從底層重構生產力工具的邏輯。
組織方案是願景的映射:騰訊在跑通的產品之上擴容,適合走連接器路線;阿里從零搭建獨立企業級事業部,為企業大腦鋪路;字節自上而下把所有生產力入口統一至豆包主幹,是為了打造一套底層統一的操作系統。需要釐清一個邊界:本次調整大多屬於業務產品線層面的整合,並不必然意味著底層大模型基座完成統一。業務團隊、產品入口、Agent能力可以合併,但算力、基礎模型研發仍可能保持多線並行。底座能否統一,才是檢驗這次資源收攏是否真正落地的深層標尺。產品可以模仿,功能可以抄襲,但組織整合的速度和執行節奏,是這場三國殺的底牌。當產品功能不再是護城河,組織效率就成了唯一的壁壘。
後續半年,可通過幾類信號觀察新架構的落地成效:合併團隊核心人才是否穩定;原有優勢產品線迭代速度是否放緩;跨部門衝突事件(如火山引擎-豆包、釘釘-千問辦公之間是否出現業務博弈);企業客戶增長與留存數據變化。這3-12個月的滯後期,不僅是團隊磨合的陣痛期,更是大廠們用組織換時間的窗口期。誰能在這段真空期內,讓新架構完成排異反應並長出肌肉,誰就能在下一輪AI辦公的淘汰賽中,拿到留在牌桌上的籌碼。數據來源說明: 本文組織架構調整信息綜合自澎湃新聞、、36氪、虎嗅等媒體2026年7-8月公開報道;易觀分析報告數據引自易觀分析2026年Q2中國辦公智能體平臺市場洞察報告。
部分業務研判為作者基於公開信息的產業分析,不代表企業官方立場。
Related
相關文章
Mistral AI Releases Timestral: A 209M Forecasting Model Family That Outperforms Google’s TimesFM-3
Mistral AI has released Timestral, its first family of time series foundation models. Timestral is a set of 4 zero-shot forecasting models from Mistral AI, sized from 5M to 209M parameters.
Google 開源 Harness²:遞迴代理程式框架,無需新模型也能提升效能
Google Cloud AI Research 開源了 Harness²,這是一個遞迴代理程式框架,透過改良凍結模型周圍的程式碼與檔案來增強效能。對開發者而言,重點很簡單:你的代理程式無需更強大的模型也能進步。重點摘要:規模為框架而非模型,訓練參數為0,包含8個可編輯的框架元件,版本0.1.0。執行環境為Linux、Python 3.12或3.13搭配uv,模型呼叫則透過Vertex AI。GPU需求未公開。效能方面:一次改良步驟即可在3個基準測試中,提升所有4個模型與框架組合的表現。最佳成果:GLM-5搭配OpenCode在WorkBuddy-Bench上從64.2提升至75.7(+11.5點);最差表現:GLM-5搭配Codex在JobBench上僅提升1.2點(23.6至24.8)。什麼是Harness²?它是Google研究推出的即插即用框架。
如何利用NVIDIA結構化資料模型進行零訓練表格預測
In this tutorial, we implement Structured Data Models, NVIDIA’s new library that puts several pretrained foundation models for tables behind one PyTorch interface, and use it to make predictions without training.
認識 Kyutai REKI:2.4B VLA 模型為機器人操控帶來高效記憶
Kyutai 與 Inria 及 École des Ponts 合作,推出了 REKI——一個用於機器人操控的 2.4B 參數視覺-語言-動作模型(VLA)。該模型僅使用公開數據進行預訓練,並配備了輕量級的近期記憶功能。在三個分佈外基準測試中,僅有規模約為其兩倍的模型能超越它。所有模型權重已於今日在 Hugging Face 上公開。核心資訊:規模:2.4B 參數(2.2B Qwen3.5-2B VLM + 0.2B 流匹配動作專家)。記憶涵蓋最近 3 幀,間隔 1 秒。運行環境:在 1 張 NVIDIA H100 上進行基準測試。從兩個 256×256 攝像頭輸入,編譯後每個動作區塊耗時 21.8 毫秒。權重以 BF16 格式提供,暫無量化版本。性能:在 LIBERO-Plus 和 RoboTwin Clean2Rand 基準測試中,為公開數據預訓練的 VLA 模型中最優;在 LIBERO-Plus 上達到 90.4% 的最高分。
DeepSeek 發布 V4.1-Flash-1017,DeepSWE 得分 77.0,並開放搜尋 API
DeepSeek 剛發布 DeepSeek-V4.1-Flash-1017,這是其 V4.1-Flash 模型的新檢查點,現已在 DeepSeek 網站、應用程式及 API 上線。DeepSeek 宣稱該版本在性能、任務完成速度與輸出簡潔度上均優於 9 月發布的 V4.1-Flash,並稱之為性能與成本的帕累託改進。同時,DeepSeek 也向所有開發者開放了搜尋與擷取 API。對代理建構者而言,這意味著更便宜的編碼模型加上單一 API 金鑰即可使用的第一方網路層。重點摘要:骨架參數 552B,另加 196B 的 Engram 參數;預填充階段每 token 啟用 8B 參數,解碼階段啟用 16B 參數;上下文長度達 1M tokens,最大輸出 384K tokens。運行於 DeepSeek API 的 deepseek-flash 模型。9 月版的 V4.1-Flash 權重(763B 參數,FP8)採 MIT 授權。
2026年20款Jev替代方案:挑戰TypeSafe的決策模型
TypeSafe於2026年9月15日推出Jev,這是一款決策模型而非聊天機器人。使用者可定義允許的答案,Jev將回傳標籤、分數或是否的機率。約4週內,至少20款Jev替代方案相繼問世,來自Cloudflare、OpenAI、Perplexity、Liquid AI、AWS的Strands Labs及獨立開發者。本指南比較各方案在規模、授權、硬體、價格、Jev API相容性及已發布基準測試的表現。重點摘要:規模範圍從287M(GLiNER2.5-multi-Decide)到35B-A3B(Mapika Decider),Jev規模未公開。執行環境:Von和Laya等編碼器可在CPU上運行,4B適配器適用24 GB GPU或32 GB Mac。效能:多數開源模型在困難推理上落後Jev,但在狹窄分類任務上數款與之匹敵或超越。最佳表現:Cloudflare Clef在BANKING7取得94.20分。