WorkBuddy、千問與豆包競逐,辦公Agent為何還不是一門大生意?

辦公Agent市場近期迎來一波新的競爭熱潮,包括WorkBuddy、千問與豆包在內的多款產品先後投入辦公場景,試圖以智能助理的形式為使用者帶來效率提升。這些工具雖然來自不同團隊,共通點卻相當明確——都將「好用」的基礎體驗放在優先位置,從任務排程、資訊檢索到跨應用的協作能力,逐步縮短產品與使用者對自動化辦公期待之間的距離。然而,即便產品功能持續迭代、使用體驗日漸成熟,這類辦公Agent至今仍未成為一門能夠規模化獲利的「大生意」。「好用只是開始」這句話,恰好點出了當前市場的尷尬處境。
產品端雖然不斷優化,從理解自然語言指令到串接多種辦公軟體,甚至初步具備一定程度的自主決策能力,但在企業端落地時,依然面臨幾道難以繞開的難關。最直接的問題是付費意願不明朗。許多企業決策者仍將辦公Agent視為一種「可買可不買」的輔助工具,而非必須導入的核心生產力方案。尤其當企業本身已有習慣的數位工作流程、既有的協作平台時,要說服他們額外花錢安裝另一個AI助理,並不容易。場景深度不足也是另一個關鍵瓶頸。現有的辦公Agent大多數能做到的,是處理單點式的任務,例如幫使用者自動安排會議、從郵件中提取重點、或者跨應用查尋檔案。
然而,真正能深入企業核心業務流程——像是專案管理、客戶關係維護、財務審批——的場景仍然限。許多AI助理在單一任務上的表現亮眼,一旦面對跨部門、多步驟的複合流程,就容易出現理解偏差或串接中斷,導致使用者最終還是得手動介入。在這種情況下,辦公Agent被定位為「輔助角色」,而非「核心生產力解決方案」,自然難以撐起大規模的商業回報。與既有辦公系統的整合門檻高,也讓企業在導入時卻步。大型企業內部往往已部署成熟的ERP、CRM、OA系統,這些系統之間資料格式不一、權限設定複雜,辦公Agent要真正無縫串接,需要耗費大量客製化開發與測試資源。
對於中小企業而言,雖整合需求相對單純,但付費意願往往更低,形成「大企業嫌麻煩、小企業嫌貴」的兩難局面。也因為這樣,當前多數辦公Agent產品仍停留在免費或低價的訂閱模式,難以建立穩定的現金流。商業模式找不到穩定支點,是所有競爭者共同面對的課題。從產品演進的角度看,辦公Agent已經走過了「能不能用」的階段,進入了「好不好用」的競賽;但要從好用晉升到「不可或缺」,還有一段距離。就如同許多企業級軟體在初期同樣經歷過「免費吸引用戶、再轉化為付費」的歷程,辦公Agent如今也需要找到那個能讓付費鏈條自然暢通的觸發點。可能是某個高頻且剛需的場景,也可能是與核心IT系統深度綁訂的解決方案。
在這波競爭中,WorkBuddy、千問與豆包各有其優勢。有些背後有強大的生態系統支撐,能借助既有的應用商店或雲端服務來降低使用者獲取成本;有些則專注於特定垂直領域,瞄準HR、客服或銷售等崗位的重複性工作,試圖用更深的場景黏著度來培養付費習慣。然而,無論走哪條路,都要回答同一個問題:使用者為什麼願意從「試用」走向「付費」?打通付費鏈條與生態壁壘,被視為這些產品下一步的關鍵課題。所謂付費鏈條,不是單純設計一個好看價格表,而是要讓企業明確感受到,AI助理節省下的人力成本或時間成本,遠高於其訂閱費用。
生態壁壘則是指,如何讓辦公Agent不是孤立運作,而是能與企業內部既有的IT架構、甚至合作夥伴的服務順暢串接,形成一個難以被替代的基礎設施。從市場的整體節奏來看,辦公Agent現在還處於「播種期」。產品功能快速進步,使用者認知也在提升,但要真正迎來收割季,還需要時間。對於投入其中的廠商來說,短期內可能無法指望快速見到大規模營收,但若能持續累積用戶基數、打磨核心場景,未來仍有機會在企業數位轉型的浪潮中找到屬於自己的獲利模式。畢竟,當「好用」已經成為基本門檻,下一步考驗的是:能不能讓企業真正離不開它。
Related
相關文章

消息稱 NVIDIA 考慮向 Perplexity AI 投資“數十億美元”
作者:溯波(實習) 責編:溯波 評論: 8 月 24 日消息,外媒 The Information 稍早前報道稱,NVIDIA(英偉達)考慮在 Perplexity AI 的最新融資輪中向這家人工智能初創企業投資“數十億美元”。雙方正就該交易展開磋商,還可能達成技術授權協議。

Rabbit做了個“所有Agents的Agent” ,體驗後我覺得Agent早就該長它這樣
Rabbit推出了一個被稱為「所有Agents的Agent」的新產品,實際體驗後讓人覺得Agent早就該長這樣。文章認為Agent普及的關鍵並非增加更多能力,而是讓用戶少理解十個概念,降低使用門檻。
Guidelight評估五大AI實驗室,OpenAI遏制能力排名第一
該評估覆蓋Anthropic、Google、OpenAI、Meta和xAI,僅依據公開信息考察其是否建立監控、異常行為處置、第三方審計及失控模型關閉等機制。在滿分5分的評估中,OpenAI以3分排名最高,Anthropic和Meta得分最低。
τ_0-VLA長程操控
τ₀-VLA是一種層次化機器人基礎模型,透過世界模型引導的測試時計算來改善長程操控任務。高層策略在決策不確定時會額外分配計算資源,搜尋替代子任務並預測其視覺結果,而低層策略則在40,115小時的異質真實世界數據上訓練。在包含13到25個步驟的真實長程任務中,封閉迴路成功率從27.5%提升至45.0%。