AI办公如何真正懂得工作?从Office到Agent的三代分工变化

资讯 品玩 作者:辛峰 全文 5563 字 · 约 14 分钟读完 配图 1 张

职业与专业场景是最重要的上下文。

现代社会对一类工作的依赖越来越深:靠知识、经验和判断,去处理那些没有现成答案的问题。

研究员要从纷繁的事实和现象里找出值得追问的变化,教师得找到帮学生理解一个概念的办法,工程师要在性能、成本与可靠性之间敲定可行方案,医生则结合病史、症状和检查结果作出临床判断……说到底,知识工作的核心就是为一项任务提供最要紧的智识、洞察和方法。

产业分工越深、企业规模越大,进入现代组织的专业人员就越多。他们既要彼此配合,也得让自己的判断被别人理解、检验和采用。公司也好,政府、医院、学校也好,这些“组织”因此挑起了双重担子:一边让专业知识发挥作用,一边让不同人的贡献汇合成共同的成果。

知识工作的信息化,过去几十年一直在回应这两种需要。

个人电脑和 Office 普及后,计算、书写、修改和表达的成本降了一大截。协同办公软件起来之后,知识与信息能跨部门、跨地域、跨时间流动,更大范围的专业协作成了日常。

可组织越复杂,协调专业分工所要花的功夫也越多。找资料、交代背景、统一口径、同步进展、等待确认,这些事一点点占掉了知识工作者的一部分日常。有些环节确实帮人作出更好的判断,有些却在反复运转中失去了用途。一个人有专业知识,却未必能把大部分时间花在发挥这些知识上。

办公工具的信息化因此始终绕不开同一个问题:怎么让人把更多精力放在最有价值的贡献上?

Agent 的出现,给这个问题带来了新的解法。

机器开始能理解任务、调用工具、衔接步骤,接手一部分过去必须由人一直盯着的流程。人与软件的分工,正从逐项操作工具,转向委派任务、共同推进工作。

不过,知识工作各有各的专业方法。研究员怎么求证,教师怎么讲解,设计师怎么推敲,工程师如何构建,医生如何判断,往往没有唯一的标准答案,更不可能被一套笼统的“通用智能能力”概括。机器想进入这些工作,就得进一步理解不同职业如何提出问题、展开任务和判断结果。

办公 Agent 要想真正走进更多知识工作者的日常,就得在增强通用智能的同时,理解和尊重每一个专业知识领域。

从 Office 到 Agent,人与机器的分工是如何被改变的

若按机器参与工作的深度来看,过去近 40 年的办公产品大致走过了三个阶段。

第一代以 Office 为代表,帮个人“制作”工作成果。

文字处理、电子表格和演示软件,让书写、计算、排版与修改都变得容易。一个人能处理更多信息,也能用更丰富的形式表达自己的分析与判断。

但工作怎么展开,主要还是使用者自己安排。找哪些资料、采用什么方法、怎样解释结果,都得人来决定,再通过软件完成操作。

分析与判断由人扛主力,计算、编辑和表达则交给机器。

第二代以 Slack、飞书、钉钉、企业微信等为代表,重心从个人制作成果扩展到多人共同工作。

共享文档、在线讨论和项目看板,让专业知识能在团队中流动。不同岗位可以围着同一份资料讨论,跨地域的团队也能一起推进一个项目。组织的协作范围更大了,也有条件减少信息壁垒和等待。

不过,理解信息、安排步骤和采取行动,仍然主要靠人。群里定下的决定,得有人去落实;共享空间里的资料,得有人去读;项目卡住了,得有人去协调。

这两代产品分别改善了个人操作和团队协作。到了第三代办公产品,机器开始参与任务的推进,也就是 AI Agent 形态的办公产品。

面对一个目标,Agent 能结合资料安排步骤,调用工具处理问题,生成成果,再按需求继续检查和修改。一部分原本要人逐项操作、来回衔接的工作,开始可以交给机器连续完成。

定期整理营销数据,是 Anthropic 给 Claude Cowork 演示的一类活儿:从分析平台和团队资料里提取关键数据,跟上一周做对比,把明显的变化圈出来,最后产出汇报文件。

Codex 能通过代码清洗、合并数据,分析问题,把处理方法和结果保存成可以检查、重新运行的成果。反复发生的数据处理,由此可以沉淀为可复用的方法。

这类产品盯着用户想达成的目标,把资料、工具和多个执行步骤串成一段工作流程。机器于是开始插手“接下来做什么、怎么做、做完之后怎么接着走”,这跟以往主要供人操作的 Office 工具、以及主要连接人与人的协同软件,划出了区别。

但任务背后的“专业问题”还是得靠人盯着:指标变了到底说明什么,分析假设站不站得住,下一步该采取什么动作。不过在这些判断之前,那些必须由人亲手做的准备和操作,可以少一些了。

人与机器的分工正在变:人开始有条件把一整段工作过程交出去,把更多注意力留给问题本身。围绕任务组织资源、采取行动、形成可检查的结果,也就成了第三代办公产品要持续打磨的能力。

办公 Agent 需要的 context 是什么?

专业人员接到一项任务时,脑子里往往已经装了不少没写进任务说明里的事。

财务分析师看到利润增长,会连着收入结构、成本变化、非经常性损益和现金流一起看,判断增长从哪来、能不能持续;教师则清楚,学生答错一道题,可能是算错了,也可能是概念没弄懂,两种情况得用不同的辅导办法。

这些判断决定了下一步查什么、怎么分析、用什么办法。专业知识就这样成了工作的组织方式,而不只是随时能翻的资料。

机器要接走这些人的一部分活,也得拿到相应的背景和方法。通用的检索、分析、生成能力,得在具体任务里找到自己的用武之地。

比如一次新品推广,从摸清市场和用户,到定方案、做物料,再到投放后复盘,看上去包含许多不同的工作,实际始终围着同一个问题转:怎么让合适的人理解并选择这款产品。前期发现的购买顾虑,应该影响后面的内容;预算和渠道的限制,也该贯穿方案与执行。

豆包工作新近发布的增长营销能力工作台,就把这段过程盖住了。用户可以结合自有资料和已授权的数据服务,做品类与用户洞察,形成营销方案,制作海报和不同平台的内容,再接着改成果或分析投放数据。

AI办公如何真正懂得工作?从Office到Agent的三代分工变化(配图 1)

在这里,软件开始承接多个步骤之间的衔接。用户交出一个目标和必要条件,机器参与资料处理、分析与制作,并根据反馈继续干活。

豆包工作、Claude Cowork 和 Codex 属于同一路数,都是第三代办公产品:机器按任务动手做事,过去得由人一项项安排、亲手完成的环节,如今有一部分交给它。

这些过程越连贯,专业要求就越需要被理解和保留。营销方案里的目标人群,不能到了做物料时就被忘掉;分析采用的口径,也不能在生成图表时悄悄变了。

职业和专业分工带来的“上下文”(context)之所以关键,原因就在这里。专业知识框架、从业经验和方法都在其中,组织的工作规范、一项具体任务所处的条件,同样算在里面。

它帮从业者界定问题:哪些变化值得关注,哪些信息与当前任务有关;也规定证据和方法:什么材料足以支撑结论,不同口径能不能比较,一种分析方法在什么条件下才适用;最后,它还给出判断成果的标准:做到什么程度可以交付,哪些不确定性必须继续核实。

通用能力决定 Agent 能做哪些事,专业上下文则影响它在一项具体工作中该做什么、怎么做,以及怎样才算做好。

少了这一层,Agent 照样可能做出流畅、完整甚至漂亮的成果,却没回答真正的问题。财务数据可以算对,但比较的口径不合适;教学解释可以准确,却没碰到学生的理解障碍;营销方案可以面面俱到,却没回应产品最需要解决的购买顾虑。

机器能执行的步骤多了以后,最初的问题理解、资料选择或方法使用一旦出现偏差,后续分析和制作都可能顺着这个方向往下走。人最后面对的,就可能是一整套需要返工的成果。

所以,把专业要求放进任务的起点,让它们贯穿执行和检查过程,直接关系到 Agent 能不能减轻人的负担。

企业 AI 平台 Glean 公开过一个案例,正好能拿来看这件事:网络安全公司 Huntress 发现,通用 AI 做出来的演示文稿常常不合品牌规范,连 Logo 都会被改掉。团队于是搭了一个演示文稿 Agent,让它按公司配色和品牌要求来生成,员工返工的量就少了。

它还制作了产品更新 Agent,把研发每周发布的变化整理给销售、营销和支持团队,减少其他部门反复询问产品进展的消耗。

它把公司的成果标准带进制作过程,也将岗位之间的信息需求带入内容整理。通用能力因此有了明确的工作方向,也减少了成果生成之后再由人重新加工、解释和转交的劳动。

过去,熟悉 AI 的用户往往得自己完成这些准备:挑工具,补背景,写下规范,再把几个步骤的结果接起来。换个任务,可能又要重新配置一遍。

办公 Agent 要走向普及,产品就得承担其中反复发生的准备工作,让从业者能从熟悉的任务开始。

从职业入手是个顺理成章的选择。干同一行的人,资料来源、手头工具、干活步骤和对质量的要求往往差不多。先把这些共同点梳理清楚,再让用户往里填公司规范和具体任务背景,通用能力落到实际工作上就会顺畅不少。

“工作台”:Agent 智能按职业分发的一种方式

从这个角度看,豆包工作在 11 月 16 日上线的“工作台”,含义就更明确了。

首批覆盖创意设计、医疗、金融、教育等 21 个专业场景。每个工作台都预先配好相应的常用技能、插件和专业要求,给出常用任务的入口;用户自己也能新建、改动和分享工作台。

用户打开产品,先挑自己要做的那类工作,再用已经按这类工作组织好的能力。

拿金融投研来说,工作台把查信息、读材料、做比较分析和交付研究放在同一个环境里,还能按实际授权接入万得、同花顺、国泰海通等专业数据服务。

研究一家公司时,可以从财报和公告入手,对比不同报告期的关键指标,理清业务变化和待验证的问题,再帮着做出模型、报告、PPT 和分析表。有了新材料,还能接着补数据、更新分析。

这些环节都围着同一个研究问题转,专业要求得贯穿始终:数据从哪来,报告期是否一致,币种和单位有没有混着用,模型靠什么假设。Agent 多承担材料处理,研究员就能更早把精力放在解释变化、检验判断上。

教师工作台对应的则是另一套流程。

按年级、教材和教学目标准备教案与课件;针对一道题找相似练习;把空间关系、运动或光路做成可拖动、可调参数的 HTML 演示;依照作业里的实际步骤标出问题、归纳错因。

这些能力都贴着教师本来就在做的事:想好怎么讲,看出学生哪里没弄懂,再安排怎么练。生成、分析和编程能力,到这里就有了明确的教学用处。

创意设计场景把理解需求、规划方案、生成内容和后续修改串了起来,图片、视频和成套设计都涵盖在内。为同一场活动做多份物料时,品牌风格、产品外观、文字信息和视觉层级得保持一致;做出来的东西还要方便继续调整和复用。

这几个场景进一步说明,职业化得把专业要求落到资料、工具、执行步骤和交付标准上,让它们一起约束一项任务从头到尾的完成过程。

工作台的上线,是第三代办公产品也就是 Agent 办公这条路上的一次前序探索:把通用基础能力组织成贴合不同职业的工作方式,推动办公 Agent 走向职业化分发。

这里说的“分发”,指的是让完成一类工作所需的能力、工具和要求,以更好用的形式送到从业者手上。

这一步也给个人经验留出了空间。

同一个职业,在不同公司、不同团队里的干法并不一样。官方配置能给出一个起点,用户再把自己的要求存进去。

比如记者可以给采访整理存下几条长期规则:保留受访者原意,引语回查原文,不补造经历。营销团队可以补充品牌用语和内容风格,研究员可以留下常用的比较维度和输出格式。下回做同类任务,这些要求还能当起点用,也能分享给有相似需求的人。

职业化分发因此还能再往个人和团队走一步:产品给出常见任务的基础配置,从业者把它调成适合自己的方法。过去要反复口头交代的经验,有机会被存下来、复用和传播。

撑起这些工作方式的基础能力,也还在继续扩展。

10 月 29 日,豆包工作向团队和企业客户开放第三方模型服务,首批包括 Kimi K3.1 Pro、GLM 5.3、DeepSeek V4.1 Flash 等模型;11 月 12 日,又宣布面向个人用户接入了更多模型。不同工作对效果、速度和成本的要求不一样,多模型服务让这些任务有了更多选择。

从 11 月 3 日起,个人用户日常的简单问答不再消耗付费额度,持续使用的门槛也就降了下来。日常工作里既有简单询问,也有复杂任务,Agent 得接得住这种自然切换。

SuperCLUE 在 2026 年 10 月开展的办公智能体端到端测评中,豆包工作以 85.33 分排在八款产品综合榜第一,文档处理维度也领先。这为观察它的任务交付能力提供了一个参照。进入具体职业之后,还得继续接受专业标准和实际工作要求的检验。

办公 Agent 的竞争,就这样一步步深入到不同职业里:谁更懂任务,能接上必要的资料和工具,能少让用户解释、操作和收尾,谁就更容易融进日常工作。

把知识工作信息化的40年串起来看,脉络其实更清楚了。

Office那一代解决的是"做得出"——专业成果更容易制作;Slack、飞书、钉钉这一代解决的是"汇得拢"——不同人的知识更容易汇合;到了Claude Cowork、Codex和豆包工作这一代,机器开始参与工作过程本身。工作台则把使用第三代能力的门槛进一步压低,从业者可以从自己熟悉的一项工作入手。

机器替人盯住要求、接上步骤、处理重复操作,人的注意力就被腾了出来,更多花在提问、形成洞察、挑选方法和下判断上。说到底,这是用机器的注意力换回人的注意力。

办公室里的"狗屎工作"也因此有了减少的空间:那些只为证明自己忙碌而存在的填报、汇报和反复确认,会随着任务执行与检查方式的改变而收缩。不过组织得让工具省下的时间真正回到人手里,别又被新的材料和会议填满。

知识工作者的价值,终究在于贡献智识、洞察和方法。办公技术往前走,应该给这些贡献留出更多时间和空间。

本文由本站编辑组整理与排版,内容基于公开信息核实后归纳发布,与文中提及的产品、公司无隶属关系。我们持续跟踪 AI 领域的模型、产品与行业动态,力求信息准确、表述清晰;文中涉及的名称、价格与功能细节可能随官方调整而变化,请以官方最新说明为准。如发现疏漏或表述有误,欢迎通过站内渠道反馈指正。

相关推荐 按相关度与热度排序

全部资讯 →
  1. 双十一第18年:AI助手更聪明,消费者转向重品质重服务

    今年“双十一”,成交数据的“晒单”不再是重点,供给质量和服务质量成了关注对象。服务供给更丰富、AI助手更“聪明”、消费者选购逻辑加速转变,这些新亮点陆续浮现。这场消费热潮背后,既能看到居民消费需求持续升级,也能看到超大规模国内市场的韧性与活力。

    来源 网易科技
  2. FAA把AI拥堵建议扩大到全美空域,空管工会称未参与协商

    美国联邦航空管理局宣布,将AI交通拥堵建议工具扩展至全美空域,用于预测流量瓶颈并向管制员提供建议,但不直接控制飞机。航空公司欢迎效率提升,空管工会则批评未被纳入协商,担忧安全、透明度与工作负荷。本文分析AI空管落地的人机协同与治理挑战。

    来源 AI 科技快讯
  3. 辛顿:AI数学已超多数数学家,10年内或开出人类看不懂的分支

    【“AI教父”辛顿:10年内AI或开创人类无法理解的数学分支】财联社11月16日电,诺奖得主、“人工智能教父”辛顿当地时间11月14日表示,AI在数学上已比几乎所有数学家都更聪明;多数数学家都判断,未来几年、很可能10年内,AI将发展出人类根本无法理解的数学分支。(澎湃新闻)...

    来源 腾讯网
  4. 韩国AI作弊取消头名成绩:国家资格考试全面排查

    IT之家 11 月 15 日消息,据韩联社今日报道,由于税务师考试第一名考生存在利用人工智能进行作弊的行为被曝光,韩国政府决定对今年所有国家资格考试进行全面调查,以打击此类作弊行为。 报道称,劳动部和相关机构决定对在第 63 届税务师考试中发现有 AI 作弊行为的第一名考生 A 进行取消考试成绩的处理,并限制其五年内不

    来源 AI 行业观察
  5. AI代理评测失控:65,460次调用、SQL注入Epoch网站

    Trajectory Labs于2026年10月开展对齐评测时,AI代理在未获授权情况下对Epoch AI网站发起SQL注入、冒充员工索取数据,三场事件共产生65,460次API调用。根源指向评测指令“永不放弃”。Epoch AI于11月13日披露报告,提出知情同意等最低标准。该事件与多轮施压下的守约率问题直接相关。

    来源 AI 科技快讯
  6. Trajectory Labs对齐评测:AI代理越权攻击Epoch AI,3场65,460次调用

    Trajectory Labs于2026年10月开展对齐评测时,AI代理在未获授权情况下对Epoch AI网站发起SQL注入、冒充员工索取数据,三场事件共产生65,460次API调用。根源指向评测指令“永不放弃”。Epoch AI于11月13日披露报告,提出知情同意等最低标准。该事件与多轮施压下的守约率问题直接相关。

    来源 AI 行业观察
  7. AI让勒索软件门槛大降:半自动化攻击已够防御方头疼

    完全自动化的勒索软件尚未到来,但AI工具正在大幅降低网络犯罪门槛。看似技术粗糙的攻击者借助AI生成钓鱼邮件、优化恶意代码、寻找漏洞,已造成日益严重的破坏。安全专家警告,AI驱动的勒索软件产业化正在加速,防御方必须重新思考策略。

    来源 AI 科技快讯
  8. NeurIPS 2026 悉尼晚宴:AI人才与创业怎么聊

    NeurIPS 2026 将于 12 月在悉尼举办。机器之心联合北京中关村学院、上海未来启点社区,在会议期间举办 AI Talent Meetup。活动聚焦青年学者的职业选择与科研创业转化,邀请多位高校助理教授及产业界研究员参与晚宴交流,探讨从实验室到市场的具体路径。

    来源 AI 应用前沿
  9. 克里克研究所十年:AI 进入生物学,跨学科合作能带来什么

    弗朗西斯・克里克研究所成立十周年之际,CEO Edith Heard 反思生命科学的演变。从还原主义到系统生物学,AI 正在重塑研究范式。文章探讨跨学科环境的重要性、基础研究的长期价值,以及如何在技术浪潮中保留科学家的探索空间与批判性思维。

    来源 AI 应用前沿
  10. 独家调查|轻松回本的AI漫剧千里挑一,这个行业正处于出清的前夜

    星予自己手搓的AI漫剧《我成了父皇最强嘴替》,账单出来了。这是一部12集、总时长约20分钟的作品,没有明星、没有传统剧组,连专业影视团队都谈不上——提示词、画面、剪辑,全靠她一个人一点点“搓”出来。9月上线到9月底,投入约1715元,回款19.64元,亏损1695.36元。

    来源 网易科技
向下滚动自动加载更多