AI辦公成了新戰場！WorkBuddy們上崗前，數據和Token得先收回企業手裡

作者 | 陳駿達 編輯 | 漠影 過去一段時間，AI辦公明顯熱了起來。幾乎每個月，都有新的AI辦公產品出現。WorkBuddy、TraeWork、Qwen Work等產品陸續進入企業場景，能做的事情也越來越多：寫方案、做PPT、改代碼、生成網頁，甚至開始嘗試直接替用戶完成一整套工作。辦公場景足夠高頻，從文檔、表格到代碼、彙報，幾乎每個部門都有重複性的工作可以交給AI處理，因此自然成了廠商爭相進入的場景。但熱度之下，問題也開始密集出現：Agent越權讀取本地文件、調用外部接口導致敏感數據外洩、來路不明的插件夾帶惡意代碼，這類新聞最近並不少見，而且都可能造成實打實的損失。

這給企業拋出了一個繞不開的問題：隨著Agent加速進入企業，管理者需要看清背後的模型調用、數據流向和Agent權限。而要解決這個問題，不能光靠一紙製度，還需要一套能把AI能力統一管起來、讓運行過程看得見的基礎設施。浪潮信息最新發布的元腦AI Work一體機，正是衝著這道題來的。一、Agent時代，安全邊界從數據層擴展到運行全過程 要回答“怎麼管”的問題，得先看清楚Agent到底改變了什麼。過去的AI，更多停留在對話與內容生成階段。員工問一句、AI答一句，企業的安全挑戰集中在數據層，企業的主要擔憂是數據本身有沒有洩露。對應的解法也相對直接：把模型部署到本地，讓數據不出域。

過去幾年私有化部署大模型的企業實踐，基本都是沿著這條思路展開的。今天的Agent則是另一回事。它會讀文件、調用Skill和工具、連接業務系統，甚至獨立生成和修改代碼，一口氣完成多步驟任務。AI真正參與任務執行之後，安全問題就從數據去了哪裡，延伸到了Agent在運行過程中幹了什麼。這個變化的實際影響容易被低估。過去的AI只做對話，輸出停留在內容層面，出了問題最多是生成不當言論，影響相對可控；Agent則直接接觸企業的文件、業務系統和代碼，它的每一個動作都可能產生真實的業務後果。面對這類主體，只在數據出口做審查，覆蓋不了運行過程中的風險。具體看，企業的安全邊界正在三個維度上被重新劃定。

一是權限邊界，即Agent拿到了什麼權限。Agent要幹活，就得被授予權限，允許它讀哪些文件、訪問哪些系統、調用哪些接口。權限給小了幹不成事，給大了就是隱患：一個能自由訪問業務數據庫的Agent，一旦判斷出錯或被惡意誘導，可能直接讀取甚至修改核心業務數據。更麻煩的是，Agent的權限往往在具體任務中臨時授予，員工圖方便隨手放開，企業層面卻沒有記錄，事後想查都無從查起。二是行為邊界。Agent執行任務是一個動態過程，中間調了哪些工具、做了什麼決策、輸出了什麼內容，傳統安全管理手段很難覆蓋。沒有完整的運行記錄，出了問題就很難覆盤。三是資產邊界，典型的是Skill資產的安全管理。

Agent 能幹活，靠的是一個個 Skill。Skill 本質上是一個能力包：包含指導 Agent 完成任務的指令說明，也可以附帶腳本、代碼和第三方依賴。一個來源不明的 PPT 生成 Skill，完全可能在 Agent 正常幹活的同時，利用自帶的腳本把文檔內容傳到外部。這類風險藏在正常處理的表象之下，企業過去很難感知。隨著Skill數量快速增長，類似軟件供應鏈的安全問題會隨之放大，有漏洞或被植入惡意代碼的Skill，可能順著Agent的調用鏈進入企業內部。綜上所述，安全管理的對象已從數據升級為行為，這也是Agent時代與對話式AI時代最本質的區別之一。

二、把模型、數據、Agent運行收回企業環境，WorkBuddy、OpenClaw、Codex都能管 面對重劃的安全邊界，行業裡的應對思路大致分兩派：一派主張“堵”，限制員工使用外部AI工具；一派主張“疏”，把AI能力收進企業內部統一供給。從實際效果看，“堵”往往擋不住員工工作提效的現實需求，反而把使用行為趕到視線之外的灰色地帶，這和當年企業IT遭遇“影子IT”的故事如出一轍。元腦AI Work一體機選擇的是“疏”的路線，解題思路可以概括為一句話：支持企業在自有環境中統一部署和運行WorkBuddy等AI辦公智能體，員工照常用WorkBuddy，企業在後臺統一管模型、Token和Agent。

面向不同企業的需求，浪潮信息的元腦AI Work一體機提供了兩個版本。其中，Foundation版主要解決的是數據自主與Token自控的需求，也就是確保數據在企業可控的範圍內處理，並對Token調用的發起、使用和結果做追蹤。做法很直接。企業在一體機上統一部署模型和Token服務，管理員生成統一服務地址和訪問憑證；員工無需更換工具，只需在WorkBuddy中配置服務地址和API Key，兩步即可完成接入，調用企業內部已經部署和授權的模型。

從實操演示看，體驗確實沒有打折：WorkBuddy接入企業Token服務後，先對一份格式不規範的公文完成標題層級、字體字號、段落編號的全套規範調整，隨後又調用PPT Skill，把文檔內容拆解成核心觀點並生成結構完整的演示文稿初稿。對員工而言，操作方式基本不變，對企業而言，模型推理和數據處理已經從外部服務轉入了企業自有環境。這種設計，實際上把AI能力變成了一種類似水電的企業內部服務：員工打開龍頭就有水，但水源和水錶都歸企業管。不過，企業中常用的Agent往往不止一個，要為每個不同的Agent配置模型、維護環境，使用和管理壓力也會驟然提升。

為此，元腦AI Work一體機Premium版本進一步提供了統一的Web Agent功能，實現了不同Agent的集中部署和管理，其價值可以理解為給企業建了一套Agent的人力資源體系。在Web Agent功能中，Premium版本提供了WorkBuddy、OpenClaw、Codex等不同智能體。員工打開瀏覽器即可按需調用，不用逐個下載安裝、配置環境，Agent實例、模型服務和計算資源全部由企業統一供給。另一方面，安全中心把管控延伸到了Agent運行全過程：覆蓋輸入、會話記憶、工具調用、敏感內容輸出等環節的運行時防護，讓Agent的運行行為可見、風險可控。

Skill安全掃描則幫企業統一盤點納入管理的Skill資產、掃描狀態和風險情況，定位高風險資產及其調用實例。不同規模的組織，Agent的落地方式也不一樣。

元腦AI Work一體機提供工作站、服務器、超節點三種硬件形態： 工作站面向工位級場景，智能體、大模型與個人數據本地閉環，無需機房即可部署，單機可運行千億參數大模型，支持10個以上智能體協同，適合個人和小團隊； 服務器面向企業辦公和研發場景，支持萬億參數模型穩定推理和多用戶、多Agent併發調用，為全員統一供給Token服務； 超節點面向大型企業和科研機構，4TB統一顯存可承載數萬億參數前沿大模型，為超長上下文推理和高複雜度任務提供私有化部署底座。這三種硬件形態共用一套軟件體系，意味著企業的AI底座可以隨業務規模平滑擴展，而不必推倒重來。

三、從散落的模型調用，到可核算的Token服務 安全之外，還有一筆繞不開的賬：成本。單個員工零星調用AI，一次幾毛錢，看起來不貴。但當AI進入日常工作，幾十上百名員工、多個Agent持續運行，多輪推理疊加工具調用，Token消耗會迅速累積。Agent執行任務往往不是一次調用就結束，一次看似簡單的任務背後可能是十幾輪模型推理和工具調用，實際消耗的Token遠超員工的直觀感受。就像工廠離不開電費核算，企業的AI使用也終將進入精細化計量階段。區別在於，電費是明碼標價的，而散落在各個外部平臺的模型調用，對企業來說是一筆糊塗賬：誰在用、用了多少、用在了什麼任務上、產生了多少實際價值，都很難做準確評估。

元腦AI Work一體機的做法，是把原本散落的模型調用轉化為企業內部統一供給的Token服務。Token管理平臺記錄每一次調用的完整信息：調用人員、使用模型、輸入輸出Token數量、緩存命中情況、響應時延和調用狀態。Token自主供給、按需分配，成本由此可核算、使用由此可追溯。這套機制的價值不止於省錢。當Token消耗可以按部門、按任務、按項目歸集，它就從一個技術計量單位變成了管理工具：企業可以像分攤水電、核算人力一樣為AI使用編制預算、歸集成本，也可以據此判斷哪些場景值得加大投入、哪些消耗純屬浪費。當AI辦公走向規模化，這套統一供給、統一核算的運行底座，將成為重要的基礎設施。

結語：AI辦公，先搭底座 這輪AI辦公熱潮裡，行業的注意力大多放在AI能幹什麼上，但企業落地時需要考慮的問題則更為實際，比如AI究竟幹了什麼、花了多少、風險在哪。這也是元腦AI Work一體機這類產品出現的原因。它卷的不是Agent本身的能力，而是把模型、Token和Agent的運行環境整體收回企業內部，讓企業可以按自己的規模和合規要求，從工位級部署起步，逐步擴展到全員使用。對正在考慮規模化引入AI辦公的企業來說，先把這套底座搭起來，是一個現實的起點。