大廠押注AI辦公，文庫網盤正在從“通用”走向“專業

從十年前起，互聯網大廠就一直想幫打工人提升效率。在線文檔、企業微信、打卡審批——工具不斷變換，看似辦公室裡的工作方式跟著變了，但好像真正被釋放的時間並沒有減少。直到十年後，大模型和agent 讓事情有了好轉，AI能夠自己蒐集資料、調用工具、拆解任務，辦公軟件開始真正替人幹活。看看周圍電梯的廣告，一邊是WorkBuddy，一邊是豆包和千問，就連機場候機室，也被AI辦公場景打透，所有大廠都在集中做一件事：收攏兵力，押注AI辦公。艾媒諮詢數據顯示，2025年中國AI智能體市場規模804億元，同比增長123.2%，預計2030年到6968億元，辦公生產力場景被標註為核心增長極，59.

1%的使用者明確願意為AI辦公智能體付費。當所有玩家都擠進同一賽道，辦公軟件究竟是多個AI功能，還是重構工作方式？百度這個入局最早的玩家，它的選擇或許能給出一些答案。01 中文名"庫庫AI"：當AI成為獨立入口辦公是大模型時代第一個跑通"使用—付費"閉環的場景，聊天助手流量巨大但沒人因此付高價，而PPT、表格、報告卻是每天要做的事。一旦agent可能成為白領上班打開的"第一站"，文檔、表格、IM都會從入口變成被AI調用的工具。就拿百度網盤來說，以前，AI更多是作為網盤裡的一個功能存在。用戶打開網盤，上傳文件，再調用AI完成總結、問答等任務，邏輯仍然是“數據在網盤裡，AI來幫忙處理”。

這一次，百度文庫、網盤把AI能力單獨拎出來。8月14日，在百度AI Day開放日上，百度文庫網盤通用智能體GenFlow官宣中文名「庫庫AI」。並同步上線「庫庫AI」獨立端，包括PC客戶端、網頁端、小程序端、企業版等。百度把這種變化概括為兩種模式：過去的企業網盤是“數據+AI”，即在原有數據基礎上增加AI能力；而這次庫庫AI更強調“AI+數據”，讓AI成為整個工作過程的入口。這背後的變化其實並不複雜。以前是人找數據，再讓AI處理；現在則是人提出目標，AI自己去找數據、調用工具和完成任務。過去用戶使用大模型，首先依賴Prompt；後來模型開始調用工具，再往後則進入Skill階段。

一個Skill可以由不同用戶不斷生產和迭代，系統再從中選擇更好的能力來完成任務。換句話說，AI辦公正在從“會回答問題”，逐漸變成“知道該怎麼把事情做完”。金融場景是這套邏輯比較典型的驗證場，庫庫AI這次把金融研究作為重點展示場景，並不因為它是一個簡單的辦公需求。相反，一項完整的金融研究往往要經歷數據蒐集、清洗、建模、分析、報告生成等多個環節，每一步都可能調用不同的工具和專業能力。比如在一項股票分析任務中，建模專家負責模型產出，之後還需要其他專家結合公司的特點判斷，究竟應該使用哪一種投資模型，並進一步解釋模型結果應該如何使用。這時候，AI辦公和過去的辦公軟件之間就出現了一道明顯的分界線。

傳統辦公軟件交付的是工具，Agent開始嘗試交付的是結果。這也是為什麼百度文庫、網盤方面反覆強調Skill生態。在他們看來，Skill並不是寫死的一套功能，而是會隨著模型和用戶一起迭代。模型能力增強之後，可以更換更強的模型；Skill則持續吸收新的經驗和方法，最終形成一套動態變化的工作方式。“未來一定是人和AI一起去探索更好的生產力、更好的方法。”這句話背後，其實是百度對AI辦公產品形態的一種判斷：模型不是終點，真正需要不斷變化的是人與模型協作完成工作的方式。而這也解釋了為什麼百度要把AI從文庫網盤裡“拿出來”。

如果AI只是文庫網盤裡的一個功能，它解決的仍然是“怎麼更好地使用文件”；但當AI成為獨立入口之後，它面對的問題就變成了另一件事：能不能從用戶提出一個目標開始，一直做到最終交付？從這個角度看，庫庫AI更像是百度把過去積累在網盤、文庫和企業服務中的數據與能力，重新組織成了一套面向Agent時代的辦公服務。02交付結果，難在哪裡？當AI從回答問題走向完成任務，模型本身反而不再是唯一的難題。真正擺在辦公Agent面前的，是三個更現實的問題：數據從哪來，結果怎麼算賬，以及它究竟能不能進入企業工作流。第一個難處是數據。Agent要交付結果，前提是它拿到的數據足夠可信。這正是AI辦公目前最脆弱的一環。

百度文庫有超18億在線專業文檔，以及網盤中則有大量企業存儲的數據及材料，這也是它敢把金融研究作為首發場景的底氣。因為一份金融研究報告，不是“寫得像”就夠了，裡面的公司數據、行業數據和模型結果，都必須經得起復核。但百度文庫、網盤也承認後續還有一些功課在做："底層需要專門的Agent做數據清洗和篩選，呈現層則要在交付品中標註信息來源。團隊也明確提到，“尤其金融領域的數據溯源和複核，是未來持續升級的方向”。當AI越來越主動，犯錯的代價也會越來越高。聊天機器人答錯一道問題，用戶可能重新問一遍；但一份AI生成的金融報告、商業分析甚至企業決策材料出了問題，責任就不再只是“模型幻覺”四個字能夠解釋的。

在技術上，百度更希望AI減少用戶收集信息和判斷的時間，最後的決定仍然由用戶完成。第二個難處是成本。“交付結果”聽起來很美好，但結果背後是實打實的Token和推理成本。如果過去的AI產品賣的是一次問答，那麼Agent賣的是一整套過程：找資料、清洗數據、調用工具、反覆推理、生成內容，再根據用戶反饋不斷修改。任務越複雜，調用次數越多，模型成本也就越高。百度文庫、網盤團隊用了一個很形象的比喻：“我們不太希望變成一個靠Token來留住用戶的產品。如果模型比作是發麵粉的，那我們希望庫庫AI最後可以發麵包——給用戶交付完整、可用的東西。

”所以，辦公Agent最後比拼的不會只是模型能力，還包括一整套工程能力：什麼任務調用什麼模型、什麼時候需要深度推理、什麼時候可以用小模型，以及哪些工作根本不需要模型完成。目前的解法是做分層調度，根據不同需求匹配不同尺寸的模型，而不是所有任務都調用最大的模型；同時自研大量編輯器，讓用戶直接參與修改。看起來只是產品設計，背後其實都是在省Token。因為如果AI已經把80%的工作完成，剩下20%的修改由人來做，可能比讓模型繼續推理到100%更划算。有從業者透露，市面上已經出現某頭部AI產品C端毛利為負的情況。靠補貼換來的用戶規模並不難，難的是當模型調用量越來越大之後，這門生意還能不能賺錢。

因此，AI辦公真正的商業化指標，可能不是模型跑分，也不是調用量，而是一個完整交付結果究竟能有多少是為用戶可用的，用戶能有多少支付的意願。第三個難處，則是組織。這可能也是百度文庫網盤做AI辦公時最特殊的一道題。因為企業辦公天然需要組織協同，但百度並沒有釘釘、企業微信這樣的組織底座。如果按照傳統企業軟件的思路，百度需要先進入企業的通訊、權限、流程和協作體系，再往上疊加AI。但這顯然不是它最擅長的路線。所以團隊選擇了一條繞行的路徑：不要求企業遷移知識庫，而是直接對接原有的存儲體系。這其實和“AI+數據”一脈相承。

AI不一定非要取代企業原來的辦公系統，它可以先進入企業已經存在的數據和工作流，再從一個個具體任務切進去。更有意思的是，文庫網盤瞄準的也不是傳統意義上的大客戶，而是中小企業。團隊給出的理由是，小企業更容易標準化，跨行業之後可以把成本攤薄。溝通中他們提到，他們甚至給出了一個更激進的判斷：未來企業會越來越小，辦公工具的核心就是提高人效，不需要同樣的工作養那麼多人。目前百度文庫網盤ToB部門只有100多人，卻已經服務了幾十萬家企業。而這三個問題——數據、成本和組織，某種程度上也決定了Agent辦公下一階段真正要競爭的東西。結語： 回到開頭那個問題：辦公軟件究竟是功能的增加，還是真的改變工作方式？

至少從庫庫AI的這次嘗試來看，答案正在靠近後者。至於這個賽道最後會走向哪裡，百度團隊中有人這樣表達：“原來傳統辦公時代就像賣鋤頭，幾個品牌壟斷而已；現在AI辦公賽道是完整的服務，不是工具，是服務。服務這麼大的行業，很難出現壟斷者。”所以，決定這場戰爭走向的，還是誰能讓人放心把活交給AI。（）