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

2026年8月27日 18:22
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
站內 AI 整理稿

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

MarkTechPost AI模型更新

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。

17 小時前
MarkTechPost AI模型更新

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。

1 天前
MarkTechPost AI模型更新

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。

1 天前
MarkTechPost AI模型更新

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。

1 天前