从十年前起，互联网大厂就一直想帮打工人提升效率。

在线文档、企业微信、打卡审批——工具不断变换，看似办公室里的工作方式跟着变了，但好像真正被释放的时间并没有减少。

直到十年后，大模型和 agent 让事情有了好转，AI 能够自己搜集资料、调用工具、拆解任务，办公软件开始真正替人干活。

看看周围电梯的广告，一边是 WorkBuddy，一边是豆包和千问，就连机场候机室，也被 AI 办公场景打透，所有大厂都在集中做一件事：收拢兵力，押注 AI 办公。

艾媒咨询数据显示，2025 年中国 AI 智能体市场规模 804 亿元，同比增长 123.2%，预计 2030 年到 6968 亿元，办公生产力场景被标注为核心增长极，59.1% 的使用者明确愿意为 AI 办公智能体付费。

当所有玩家都挤进同一赛道，办公软件究竟是多个 AI 功能，还是重构工作方式？百度这个入局最早的玩家，它的选择或许能给出一些答案。

01 中文名 " 库库 AI"：当 AI 成为独立入口

办公是大模型时代第一个跑通 " 使用—付费 " 闭环的场景，聊天助手流量巨大但没人因此付高价，而 PPT、表格、报告却是每天要做的事。

一旦 agent 可能成为白领上班打开的 " 第一站 "，文档、表格、IM 都会从入口变成被 AI 调用的工具。

就拿百度网盘来说，以前，AI 更多是作为网盘里的一个功能存在。用户打开网盘，上传文件，再调用 AI 完成总结、问答等任务，逻辑仍然是 " 数据在网盘里，AI 来帮忙处理 "。

这一次，百度文库、网盘把 AI 能力单独拎出来。

8 月 14 日，在百度 AI Day 开放日上，百度文库网盘通用智能体 GenFlow 官宣中文名「库库 AI」。并同步上线「库库 AI」独立端，包括 PC 客户端、网页端、小程序端、企业版等。

百度把这种变化概括为两种模式：过去的企业网盘是 " 数据 +AI"，即在原有数据基础上增加 AI 能力；而这次库库 AI 更强调 "AI+ 数据 "，让 AI 成为整个工作过程的入口。

这背后的变化其实并不复杂。

以前是人找数据，再让 AI 处理；现在则是人提出目标，AI 自己去找数据、调用工具和完成任务。

过去用户使用大模型，首先依赖 Prompt；后来模型开始调用工具，再往后则进入 Skill 阶段。一个 Skill 可以由不同用户不断生产和迭代，系统再从中选择更好的能力来完成任务。

换句话说，AI 办公正在从 " 会回答问题 "，逐渐变成 " 知道该怎么把事情做完 "。

金融场景是这套逻辑比较典型的验证场，库库 AI 这次把金融研究作为重点展示场景，并不因为它是一个简单的办公需求。

相反，一项完整的金融研究往往要经历数据搜集、清洗、建模、分析、报告生成等多个环节，每一步都可能调用不同的工具和专业能力。

比如在一项股票分析任务中，建模专家负责模型产出，之后还需要其他专家结合公司的特点判断，究竟应该使用哪一种投资模型，并进一步解释模型结果应该如何使用。

这时候，AI 办公和过去的办公软件之间就出现了一道明显的分界线。

传统办公软件交付的是工具，Agent 开始尝试交付的是结果。

这也是为什么百度文库、网盘方面反复强调 Skill 生态。

在他们看来，Skill 并不是写死的一套功能，而是会随着模型和用户一起迭代。模型能力增强之后，可以更换更强的模型；Skill 则持续吸收新的经验和方法，最终形成一套动态变化的工作方式。

" 未来一定是人和 AI 一起去探索更好的生产力、更好的方法。"

这句话背后，其实是百度对 AI 办公产品形态的一种判断：模型不是终点，真正需要不断变化的是人与模型协作完成工作的方式。而这也解释了为什么百度要把 AI 从文库网盘里 " 拿出来 "。

如果 AI 只是文库网盘里的一个功能，它解决的仍然是 " 怎么更好地使用文件 "；但当 AI 成为独立入口之后，它面对的问题就变成了另一件事：能不能从用户提出一个目标开始，一直做到最终交付？

从这个角度看，库库 AI 更像是百度把过去积累在网盘、文库和企业服务中的数据与能力，重新组织成了一套面向 Agent 时代的办公服务。

02 交付结果，难在哪里？

当 AI 从回答问题走向完成任务，模型本身反而不再是唯一的难题。

真正摆在办公 Agent 面前的，是三个更现实的问题：数据从哪来，结果怎么算账，以及它究竟能不能进入企业工作流。

第一个难处是数据。

Agent 要交付结果，前提是它拿到的数据足够可信。这正是 AI 办公目前最脆弱的一环。

百度文库有超 18 亿在线专业文档，以及网盘中则有大量企业存储的数据及材料，这也是它敢把金融研究作为首发场景的底气。

因为一份金融研究报告，不是 " 写得像 " 就够了，里面的公司数据、行业数据和模型结果，都必须经得起复核。

但百度文库、网盘也承认后续还有一些功课在做：" 底层需要专门的 Agent 做数据清洗和筛选，呈现层则要在交付品中标注信息来源。

团队也明确提到，" 尤其金融领域的数据溯源和复核，是未来持续升级的方向 "。

当 AI 越来越主动，犯错的代价也会越来越高。聊天机器人答错一道问题，用户可能重新问一遍；但一份 AI 生成的金融报告、商业分析甚至企业决策材料出了问题，责任就不再只是 " 模型幻觉 " 四个字能够解释的。

在技术上，百度更希望 AI 减少用户收集信息和判断的时间，最后的决定仍然由用户完成。

第二个难处是成本。

" 交付结果 " 听起来很美好，但结果背后是实打实的 Token 和推理成本。

如果过去的 AI 产品卖的是一次问答，那么 Agent 卖的是一整套过程：找资料、清洗数据、调用工具、反复推理、生成内容，再根据用户反馈不断修改。任务越复杂，调用次数越多，模型成本也就越高。

百度文库、网盘团队用了一个很形象的比喻：

" 我们不太希望变成一个靠 Token 来留住用户的产品。如果模型比作是发面粉的，那我们希望库库 AI 最后可以发面包——给用户交付完整、可用的东西。"

所以，办公 Agent 最后比拼的不会只是模型能力，还包括一整套工程能力：什么任务调用什么模型、什么时候需要深度推理、什么时候可以用小模型，以及哪些工作根本不需要模型完成。

目前的解法是做分层调度，根据不同需求匹配不同尺寸的模型，而不是所有任务都调用最大的模型；同时自研大量编辑器，让用户直接参与修改。

看起来只是产品设计，背后其实都是在省 Token。

因为如果 AI 已经把 80% 的工作完成，剩下 20% 的修改由人来做，可能比让模型继续推理到 100% 更划算。

有从业者透露，市面上已经出现某头部 AI 产品 C 端毛利为负的情况。靠补贴换来的用户规模并不难，难的是当模型调用量越来越大之后，这门生意还能不能赚钱。

因此，AI 办公真正的商业化指标，可能不是模型跑分，也不是调用量，而是一个完整交付结果究竟能有多少是为用户可用的，用户能有多少支付的意愿。

第三个难处，则是组织。

这可能也是百度文库网盘做 AI 办公时最特殊的一道题。

因为企业办公天然需要组织协同，但百度并没有钉钉、企业微信这样的组织底座。

如果按照传统企业软件的思路，百度需要先进入企业的通讯、权限、流程和协作体系，再往上叠加 AI。但这显然不是它最擅长的路线。

所以团队选择了一条绕行的路径：不要求企业迁移知识库，而是直接对接原有的存储体系。

这其实和 "AI+ 数据 " 一脉相承。

AI 不一定非要取代企业原来的办公系统，它可以先进入企业已经存在的数据和工作流，再从一个个具体任务切进去。

更有意思的是，文库网盘瞄准的也不是传统意义上的大客户，而是中小企业。

团队给出的理由是，小企业更容易标准化，跨行业之后可以把成本摊薄。沟通中他们提到，他们甚至给出了一个更激进的判断：未来企业会越来越小，办公工具的核心就是提高人效，不需要同样的工作养那么多人。

目前百度文库网盘 ToB 部门只有 100 多人，却已经服务了几十万家企业。

而这三个问题——数据、成本和组织，某种程度上也决定了 Agent 办公下一阶段真正要竞争的东西。

结语：

  回到开头那个问题：办公软件究竟是功能的增加，还是真的改变工作方式？

至少从库库 AI 的这次尝试来看，答案正在靠近后者。

至于这个赛道最后会走向哪里，百度团队中有人这样表达：

" 原来传统办公时代就像卖锄头，几个品牌垄断而已；现在 AI 办公赛道是完整的服务，不是工具，是服务。服务这么大的行业，很难出现垄断者。"

所以，决定这场战争走向的，还是谁能让人放心把活交给 AI。（雷峰网 ( 公众号：雷峰网 ) 雷峰网雷峰网）

雷峰网原创文章，未经授权禁止转载。详情见转载须知。