大廠競逐AI辦公助手，蒙牛先跑出一個落地樣本

AGI-Signal2026.08.26 18:58 · 來自北京全文5756字00:00 / 17:29蒙牛讓200名業務骨幹自建AI應用。微軟Copilot嵌入Office，Google Gemini覆蓋Workspace，國內騰訊WorkBuddy、字節豆包、阿里千問辦公等密集迭代，AI辦公助手賽道持續升溫，各方爭奪的是辦公場景的桌面入口。產品能力在提升，功能覆蓋面在擴大，但在企業側究竟能跑出什麼樣的實際效果，目前能拿出完整案例的並不多。蒙牛8月中旬辦了一場AI應用創新大賽的中期路演。

大賽從5月啟動，蒙牛從內部28個一級事業部選拔出200名“AI先行官”，選手基於騰訊WorkBuddy開發應用，45件作品角逐TOP10，場景覆蓋奶牛診療、工廠故障診斷、新品全鏈路管理、電商出圖、競品追蹤等。大部分參賽選手來自非IT領域，包括：研發、供應鏈、營銷、職能等崗位。大賽負責人王覺鋒表示，“我們這次並沒有以純IT的同事為主要參賽群體,大量選手來自各個業態、各個崗位方向的業務人員，因為他們自帶場景，只是缺AI的翅膀。”選工具只是第一步選擇WorkBuddy並非一時興起。

蒙牛數智科創部聯合參與了工具在易用性、可用性以及安全性穩定性方面的綜合判斷，賽訓部門則由蒙牛集團人力資源管理部與數智科創部聯合舉辦，騰訊智慧經營學堂和騰訊智慧零售行業團隊分三個環節全程陪跑，聯合交付。選工具只是第一步，合作的方式遠不止把工具交給企業。騰訊智慧經營學堂負責人張芳把合作拆成三環。第一環是共創賽訓機制。這次沒有照搬標準模板，而是設計了“事業部選拔+中心化賽訓”。前端由各事業部結合真實業務場景發現和選拔人才，保證選手帶來的問題來自一線；進入賽訓階段後統一課程學習、專家輔導、作品打磨和路演機制。這種方式既保留了業務場景的真實性，又能統一培養標準、集中專家資源。第二環是體系化學習。

開營做基礎直播和行業案例分享，建立認知；隨後上線13節短課，每節課配即學即練的小練習，“避免讓大家停留在學懂了但是不會做的環節”。第三環是實戰陪跑。每位學員進入業務場景後遇到的問題各不相同，陪跑不能只靠大課。騰訊安排針對性輔導答疑，圍繞學員的具體問題和作品目標幫助明確場景、梳理解法。200進45階段還做了4天線下工作坊，課程老師、產品專家、售前架構師作為教練進到每個小組。“不是導師替學員做項目，而是幫助學員把自己的業務經驗轉化為解決問題的能力。”張芳說。王覺鋒補充了一個細節，他們甚至連路演該怎麼表達專門開了一門課，“不僅把作品做好，還得要把作品表達好”。

打通組織軟件通過WorkBuddy可以一鍵安裝企業即時通訊工具開放的CLI，安裝之後，用戶可以在WorkBuddy中直接完成在線文檔的增刪改查、發送消息、新建和取消日程等操作。王覺鋒舉例：“比如說幫我總結一下近一週關於AI大賽的討論，在哪個知識庫，哪個協同文檔裡，或者搞完之後幫我創建一篇文檔，然後通過協同軟件發送給誰，每天發送給誰，這個東西現在很容易辦得到。”新零售業務負責人徐飛雄的用法更具體。他負責13個大區經理的催辦任務，以前需要逐一發送通知，現在給WorkBuddy佈置一遍，它通過協同軟件定時提醒，每天追蹤進度。“以前我需要發13遍，現在我給WorkBuddy佈置一遍就可以。

”蒙牛要求所有嵌入的大模型必須過集團的安全審計網關。企業版WorkBuddy 本身提供 SaaS、VPC（私有云）和本地化部署三種版本，中石油等央企在使用本地化部署版本。企業版支持 Token 消耗的分配管控，不同崗位分配不同額度，後臺可查看消耗方向。企業級 Skill Hub 用於內部知識沉澱，團隊項目空間支持共享知識庫、專家和上下文。騰訊智慧零售行業解決方案專家閔利銘把下一步稱為“深水區”。協同蒙牛團隊評估哪些系統和數據可以開放給AI，通過API封裝和共建MCP（模型上下文協議）實現對接。

“坦白的講這是特別有挑戰的深水區，我們會協同蒙牛團隊去評估哪些系統哪些數據是可以去開放的，是允許可以被AI訪問的，還有哪些系統的數據是有最大價值的是最優先去應用到AI 的。”Token方面，參賽選手進入45強後獲得約2000元等值積分，一等獎全年Token不限量，目前沒有對使用設限。閔利銘提到，行業內正在探索將Token消耗與人力成本結合管理的模式，但目前仍在探索階段。從個人能力到組織資產在安全和可控的基礎上，蒙牛更長遠的目標是把個人能力轉化為組織資產。從評審標準的變化可以看出蒙牛的導向。200進45階段，業務價值佔30%權重，其次是AI使用深度、完成度、創新性、可複用性。

進入45進10後，完成度被去掉，作品完整已是最低要求。可複用性權重提到25%，成為第二高維度。評委都是各一級事業部中心總及以上負責人，分佈在市場、銷售、供應鏈、研發等領域，AI應用深度則由騰訊專家把關。蒙牛已在規劃“訓、賽、證、產”體系。訓是培訓，賽是比賽，證是L1到L3的AI先行官認證。L1掌握基礎提示詞工程和工具使用，L2需要結合場景產出一個類似AI應用大賽的作品，L3則接近FDE（全棧開發工程師）角色，不僅會用、會搭，還要深刻理解業務需求並跟進測試和效果達成。產是資產沉澱，包括案例庫、人才庫和Skill庫，Skill需經過內部審核才能上架到企業版。

蒙牛把這概括為“AI種子工廠”，通過大賽既產出項目，也培養出一批同時具備技術和業務理解能力的人，他們未來帶著技術和業務深入業務線，幫助業務解決更多問題，形成循環。參賽選手的用法也不全是提效。數智科創部的吳桐做了個叫“小刺蝟”的Skill，方向和其他選手不太一樣。它會反問你、追問你，推動使用者完善自身判斷。吳桐的出發點是“AI不應該偷走我的決策權”，她認為AI傾向於迎合用戶意圖，長期使用可能導致判斷力弱化。小刺蝟還連接了的個人知識庫，每次對話參考他過往的會議紀要、項目文件和PPT，基於個人經歷輔助判斷。跑出來的案例以下是這套模式跑起來之後的部分案例。

牧場裡的AI獸醫“人可以通過AI諮詢健康問題，奶牛為什麼不行？”產生這個念頭的人叫王國銀，在蒙牛奶源事業部負責數字化工作，常年奔走於各個牧場之間，每月至少駐站6個。他注意到市面上的AI健康助手能通過層層追問把人的症狀鎖定到八九成準確，養豬行業的牧原集團也做了個“豬小牧助手”。既然人和牲畜都有AI輔助診斷的先例，奶牛領域同樣存在應用空間。王國銀的痛點來自一線。偏遠牧場的基層運維人員專業能力參差不齊，一旦牛群出現群體性健康異常，很難第一時間精準研判，只能等外部專家到場或線上遠程對接，響應慢，服務成本也高。

沒有編程基礎的他，藉助WorkBuddy將國內外兩本奶牛疾病學權威著作作為知識庫交給AI，結合自己多年一線經驗，封裝出一套奶牛精準診療智能Skill。診療分兩輪：第一輪把肉眼可見的症狀告訴AI，包括體溫高低、採食量降幅、產奶量和精神狀態，AI鎖定三到五種可能疾病；第二輪AI主動追問更精確的信息，比如流涎是從鼻孔還是下顎、下顎是否腫脹、牛群近期有無異常事件，範圍縮小到一至三種。鎖定後給出三套方案：快速治療（藥劑足、治癒快、獸藥成本高）、溫和治療（考慮休藥期，但牛奶要棄奶更久），以及折中方案。王國銀沒有讓AI替代獸醫。

他把能力邊界也寫進了Skill裡：“儘管通過AI症狀匹配預判可大幅提升診斷速度，但面對危重複合病症仍會漏診誤診，必須由執業獸醫到場結合實驗室檢測綜合判定。”這套工具目前在多個牧場測試，單牧場診療時效從1.5天縮短至2小時。王國銀計劃向公司申請更多算力資源，在四大區技術服務組推廣。100輪對話磨出一個“牛圖工廠”思明是低溫事業部的設計師，電商主圖的高頻重複勞動是她的痛點。每次產品換包裝、不同口味規格組合，都要在PS裡手動把產品圖一個個拖進去調位置。一張主圖3到5分鐘，而一個產品在不同電商平臺可能有上千個鏈接的主圖要出。

參加完WorkBuddy培訓後，思明產生了一個想法，能否讓它幫忙開發一個網站，將這部分重複耗時的工作自動化處理？她此前沒有編程經驗，通過100多輪自然語言對話，讓WorkBuddy從零開始幫她寫出了一個本地網站。她逐一嘗試了WorkBuddy中的前端工程師、UI設計師等專家角色，逐步完善網站功能，取名“牛圖工廠”。現在，上傳PS做好的模板和含產品賣點的Excel，網站會自動識別圖形位置大小、調用產品庫裡的產品圖，按模板批量生成。單張出圖從3到5分鐘縮短到幾秒鐘，速度提升25到35倍。

新零售的AI工具箱徐飛雄是低溫全域行銷部總經理兼新零售業務部負責人，負責電商平臺、垂直生鮮平臺（小象超市）、O2O（美團閃購、淘寶閃購）以及行銷策劃。他的團隊是這次大賽報名最多的部門。徐飛雄自己也在用WorkBuddy，涉及多個業務場景。訂單處理是其中一例。小象超市的訂單每天中午12點才全部生成，此前需要專人守著下載、手工比對錄入SAP系統。從一個人到三個人，後來變成五個人，一年365天除了大年三十都有訂單。現在給WorkBuddy下指令，它直接抓取網頁訂單、自動匹配錄入，原來約三個小時的工作，15分鐘完成。天氣預判是另一個場景。

颱風會影響前置倉日銷，徐飛雄給AI寫了一條命令：未來一週在小象覆蓋的城市天氣怎麼樣，如果有颱風，做預測，反推訂單量，避免大日期產品積壓。還有每月300多場會議的合規與效率分析。徐飛雄的部門有“無文檔不開會、無主題不開會、無評論不開會”的制度，以前人工分析時長、紀要、評論、參會人等信息，現在交給AI。這些場景的共同點在於，將重複、耗時但規則明確的工作交給AI處理。徐飛雄的團隊每週開週會，要求每個成員分享上一週用AI的小技巧，“哪怕說你用AI寫了什麼提示詞，對你的工作效率是有幫助的”。團隊文檔裡固定放著一句話：“AI不會淘汰人，但AI會淘汰不會使用AI的人。

”凌晨2點的工廠郭東旭來自常溫供應鏈，他從一個凌晨2點的場景切入。常溫工廠灌裝機突然恆溫報警，一個進廠僅三個月的機修工，翻手冊、打電話，折騰數小時無果。而老師傅到崗，15分鐘手到病除。這樣的場景，在一線工廠每天上演153次。經驗鎖在兩個地方：老師傅的腦子裡，和EM系統裡的數據。1800條改善案例、16000條維修記錄，“鎖在系統裡面不方便查，不好用”。各工廠之間經驗無法互通，近幾年成熟人員流動加大，集團推行維操一體化戰略，缺口進一步拉大。郭東旭讓AI處理這些此前難以利用的數據。16000條雜亂維修記錄的清洗、聚合、標準化，6000種備件的重命名，全部由AI完成。

AI還參與了52個模塊的代碼編寫，從檢索到前端，連鐘擺輪報警誤匹配為恆溫這種隱藏bug也是AI協助定位的。整套系統部署在武漢工廠本地服務器的顯卡上，數據不出廠，無需持續消耗token，全鏈路私有化。3天上線，一個月完成第二次版本迭代，開發週期下降90%。系統於6月上線試用，7月完成迭代升級。知識庫現已覆蓋18657條記錄、13個工段、114種設備類型，沉澱1883種改善案例與384組對比圖片。7×24小時在線運行，月訪問量突破100次。用戶每次差評調教，系統自動優化檢索策略，讓模型越用越精準。

郭東旭用“流動”來概括這套系統的價值：經驗從老師傅傳遞到年輕一代，新人得以快速上手；數據從EM系統輸入，經AI處理後結果再回到EM，EM從單純的記錄系統轉變為可以自主積累、持續優化的系統。“不是不需要老師傅了，而是老師傅20年的經驗全都在他的口袋裡。”新品上市效率整體提速51%徐麗麗在常溫行政與創新管理中心，負責新品流程體系建設。她自己的崗位是縮影。一份旬報的誕生曾經需要4天。流程橫跨市場、研發、供應鏈等多個部門，涉及的品牌經理、供應鏈夥伴、研發人員、採購團隊加起來超過百人。信息散落在OA系統、協同群、Excel表格、新品IM、研發RDM等多個平臺，一旦人員變動，知識斷層隨之而來。

"各個環節都是追、催、等的狀態。"AI介入後，徐麗麗把新品全鏈路拆成明暗兩條線。明線是數據流轉：OA裡的PDF信息統一接入數據庫，連接知識問答、風險識別、催辦和報告歸檔。暗線是流程再造：分散在各部門的表單和節點統一入口、統一口徑、自動流轉，持續反饋到協同機制裡。目前已打通4個系統，其餘在推進中。量化效果方面，新品上市效率整體提速51%，旬報出具效率提升90%（從4天縮短至30分鐘）。從數字看，這不僅僅是效率的提升——更是管理模式的轉變。過去依賴人力"追、催、等"的被動模式，被AI驅動的主動預警、自動流轉所取代。

當流程節點的簡化，當表單數量大幅消減，當系統間的數據壁壘被逐一打通，組織的協同效率發生了質的飛躍。這套方法已計劃複製到低溫、冰品、鮮奶事業部，轉換業務口徑即可使用。蒙牛並非孤例。WorkBuddy PC端6月訪問量突破2000萬，目前已在政務、醫療、零售消費、金融、電子等50多個行業落地。但蒙牛的案例提供了一個具體樣本。企業用原有協同軟件做協同，用WorkBuddy做AI桌面助手，通過CLI橋接兩者，再以賽訓機制和認證體系將個人能力轉化為組織資產。這一模式能否規模化，取決於“深水區”的數據打通和安全保障能推進到什麼程度。

“現階段我們的目標還很樸素：先把WorkBuddy普及開，讓大家真的用得起來、覺得好用。”閔利銘說。