智东西

作者 | 江宇

编辑 | 漠影

一家船厂手里，压着近 50 万份研发制造文档；一名船舶设计师要从新手长成能独当一面的专家，往往需要十年以上。

2026 年下半年，腾讯 WorkBuddy、阿里千问办公、字节豆包工作几乎同时把企业级 Agent 推到台前。加上长期深耕办公场景的金山办公，国内 AI 办公 " 四强 " 的竞争版图已经基本成形。

但企业级 Agent 的一大卡点，并不是模型不够聪明——而是它们能不能读得懂这 50 万份图纸、那 200 余本规范，以及老师傅脑袋里没写成文字的判断标准。

这正是金山办公带着 WPS Comate 切入的战场。在国内 AI 办公的竞争版图里，金山办公位列 AI 办公四强，始终是这一领域绕不开的一极。

做了 38 年文档的 WPS，把企业 AI 的胜负手押在了一件看似不起眼的事上：把企业几十年积累的数据、流程和 " 黑话 "，整理成 AI 真正读得懂的上下文。

发布会过去一个多月后，我们和金山办公高端制造业总经理于叶舟博士聊了聊。沿着中船动力、黄埔文冲、奇瑞等真实案例，一条企业级 AI 更清晰的竞争主线也浮出了水面：

企业 AI 越往高价值、高难度的业务里走，越绕不开上下文。

一、AI 进企业，难题落在数据、成本和安全上

过去两年，企业面对 AI 时最先问的还是 " 要不要做 "。到了今年，于叶舟接触到的很多制造业客户，问题已经变成了 "到底在哪里做，能产生多少价值"。

变化首先发生在决策层。

过去不少 AI 项目主要由 CIO 和 IT 部门推动，今年一些制造企业已经把 AI 提到 " 一号位工程 " 的高度，董事长、总经理直接下场，有企业成立专门 AI 团队，也有企业统计内部 Token 消耗，重新规划算力和软件预算。

于叶舟观察到，这种变化在民营制造企业身上尤其明显：" 去年他们已经会有这方面的投入，但真正变成一号位的意志，批大笔预算、设立新的组织架构，甚至开始统计全员 Token 消耗，基本上是从今年开始。"

决策层越重视，对 AI 的要求也越具体。

对于一家大型制造企业来说，一套真正进入生产环境的 AI 体系可能意味着不小的投入。钱花下去之后，老板看的是研发周期能不能缩短、良率能不能提高、重复工作能不能减少，以及最终能不能算出一笔清楚的 ROI。

于叶舟提到，对于头部制造企业而言，如果真要把 AI 落到生产环境，投入往往不是一个小数字。尤其在 ROI 还没有完全确定之前，如何让老板相信这笔钱 " 打水漂的概率更小 "，本身就是甲乙双方共同需要回答的问题。

金山办公副总裁王冬此前也曾提及，企业做 AI 首先要寻找 " 足够有价值、足够有难度 " 的业务。而一旦走到这些地方，制造业几十年积累下来的复杂性也会集中暴露。

数据上，文档、邮件、会议等非结构化数据，与 ERP、CRM、生产系统里的结构化数据长期共存；

系统上，不同年代建设的 IT 系统形成一个个数据孤岛；

安全上，半导体、船舶、军工等行业大量研发数据无法离开内网，部分系统甚至采用物理隔离。

这些问题里，于叶舟尤其看重数据。" 真正在落地过程中，影响最终效果的很大一部分难点，既不在模型，也不在算力，反而在数据。数据可能占到八成，但前期它往往又是最不起眼、最容易被忽略的东西。"

中船动力就是一个典型例子。这家中国船舶集团旗下核心动力配套企业拥有近 50 万份研发制造核心文档，覆盖投资规划、设计研发、建造制造、调试实验、交付运营等多个环节，同时还存在多网区、内外网隔离等复杂环境。

除此以外，黄埔文冲的情况则体现了另一种复杂性。船舶设计高度依赖知识积累，设计人员需要面对200 余本技术规范和大量专业软件操作经验，一名设计师成长到独当一面，往往需要十年以上的时间。

这些问题最终都指向同一件事。通用模型可以懂大量世界知识，却不知道某一家企业里的 " 靠谱业绩 " 究竟怎么算，某项 " 良率 " 应该排除哪些数据，哪套工艺规则才是当前正在执行的版本。

模型能力越来越普及以后，决定 AI 能不能真正进入生产环境的，越来越依赖企业自己的上下文。

数据、规则、权限和经验，这些才是一家公司独有的东西。

二、把几十年的文档和 " 黑话 "，整理成 AI 读得懂的上下文

上下文从哪里来？对于企业来说，首先绕不开两类资产：文档和业务数据。

一家大型企业内部，知识很少整整齐齐地放在一个数据库里。它更常见的形态是 Word、PPT、PDF、Excel，是会议纪要、邮件、流程图、思维导图，以及几十年前留下来的各种技术资料。

让 AI 读这些文档，并没有看上去那么简单。

常见 RAG 方案会先把文档转成 Markdown，再按照固定字数切块。这样做足够快，但图片、表格、页面层级等信息可能在过程中损失，一段原本完整的业务语义也可能被从中间切开。

WPS 的处理思路，是尽可能保留文档的原始结构，将图片、表格、段落等不同元素解析出来，再按照章节和语义切分。

于叶舟把文档解析看作非结构化数据进入 AI 体系的关键一环：" 文档解析准不准，几乎就决定了非结构化数据上下文召回得准不准。放到 Agent 执行里，也会直接影响最终结果会不会跑偏。"

显而易见，价值最终仍要落到结果上：文档解析越准确，后续召回的上下文越准确，Agent 执行时跑偏的概率也越低。

制造业里已经有一些更具体的结果。中船动力将核心文档纳入统一管理，研发、仿真、建造等文件被持续归集，版本和操作可以追溯。中船动力流程数字化中心副主任朱跃斌将这套体系形容为高端制造的 "知识产线"。

黄埔文冲则把 200 余本船舶设计规范做成了AI 知识库。设计人员可以直接用中文查询英文规范，单次规范查找时间缩短 60% 以上，专业软件操作指引复用率达到 80%。AI 给出的答案还会保留规范出处，方便设计人员重新核实。

但文档只是企业上下文的一半。另一半，是 ERP、CRM、财务和生产系统里的结构化数据。

于叶舟向我们举了一个很典型的例子。

假设一位老板问 AI：" 某事业部 H2 的靠谱业绩是多少？"

这句话对于人来说可能很自然，但模型需要先弄明白：哪些部门属于这个事业部，H2 对应什么时间范围，哪些订单可以计入业绩，" 靠谱 " 又按照什么业务规则定义。

数据库即便已经接通，如果这些语义没有提前说明，AI 仍然可能给出一个看似合理、实际口径错误的结果。

WPS DataHub处理的就是这一层问题：先定义企业内部的数据对象、指标、关系和计算规则，再让 AI 调数。

于叶舟用 "中央厨房" 来解释这个过程：" 它就变成了像中央厨房预切好的各种配菜。老板问问题相当于下锅一炒，前面的数据已经按照定义和流程清洗好了，所以最后出来的结果就准了。"

例如在半导体行业，良率是一个直接关系到经营结果的核心指标，但良率分析往往又高度依赖少数专业人员的经验。哪些数据要排除、哪些指标要组合、数据先后经过怎样的清洗流程，都可能影响最终判断。

于叶舟提到，如果能先把这些经验和流程在 DataHub 中固化下来，再让 AI 按照既定口径完成数据清洗和调用，过去依赖专家经验才能完成的一部分分析工作，就有机会被稳定复用。同一分析从耗时数小时变为分钟级，良率异常的定位速度明显加快。

这也是 WPS Comate 背后几套能力存在的原因。

AIdocs负责把文档等非结构化数据转化为知识，DataHub负责业务数据和语义，APIHub连接 ERP、CRM、OA 等系统，AIHub负责模型调用和 Token 治理，Trust则管权限、安全和审计——这让半导体的良率数据、船舶的设计规范，可以不离开企业内网就被安全地调用。

它们最后汇到同一个目标上：把一家企业几十年积累下来的信息，整理成 AI 真正理解并且可以持续调用的上下文。

三、理解企业之后，AI 还得把活干完

上下文整理好以后，还有最后一步：AI 能不能真正完成任务。

这里涉及另一类组织资产——人的经验。

很多企业最有价值的方法并没有写进制度里，而是留在少数资深员工脑中。合同怎么审、客户拜访前查哪些资料、一份报告先看哪些指标、项目结束后怎么复盘，这些工作看似琐碎，实际都包含大量判断。

在黄埔文冲，有一条最让 WPS 团队印象深刻的经验沉淀。一位干了二十多年的焊接工艺老师傅，退休前最难交接的不是图纸，而是他脑子里那些 " 凭感觉 " 的判断：什么天气该调整哪几项焊接参数、哪批钢板焊前要加一道预热、焊缝外观的哪些细微差别说明内部可能有缺陷。这些没写进任何手册的 "黑话"，曾经随他退休就要失传。

现在，工程师用 WPS Comate 的反向提问，把老师傅的判断标准一条条梳理出来、沉淀成一个 Skill。新人照着这套 Skill 走一遍，就能少踩多数老手当年踩过的坑。

于叶舟说，这比任何 Prompt 都值钱——因为被沉淀下来的不是一段文字，而是一个组织可以反复使用的方法。

业务再复杂一些，则需要多个 Skill、数据源和系统共同参与。比如一次经营分析，AI 可能先从 CRM 读取销售数据，再从项目系统调取状态信息，按照企业内部口径完成数据清洗，调用分析 Skill，最后形成可以直接交付的结果。

WPS 把这类组合后的能力称为 "专家"。

Skill 更多解决 " 一件事怎么做好 "，专家则负责把多项能力串起来，让一套复杂业务可以稳定地重复执行。

于叶舟提到，相比普通 Skill，" 专家 " 通常对应的是更严肃的企业级场景，它可能连接公司数据库、敏感数据，甚至直接影响管理层判断，因此需要预先定义数据来源、清洗流程和执行顺序，尽量保证每次跑出来的结果稳定。

从金山办公的一部分案例，也能看到企业 AI 正在沿着这条路径深入。

黄埔文冲首先解决的是知识调用问题，让大量设计规范和软件经验更容易被找到。

中船动力进一步进入协同和研发环节。一份过去需要一周通过邮件往返修改的共创文档，如今一天左右即可定稿，效率提升超过 80%；研发笔记、试验数据和项目资料也被持续沉淀进入知识体系。

奇瑞则把范围扩大到了6 万名员工。其基于 WPS 365 建设企业知识体系 CheryGPT，已经支撑4000 多个数字员工应用。AI 系统管家帮助 IT 问题解决时效提升 30%，全年节约成本超过 3000 万元；在海外售后场景中，单次故障查询时间由 10 分钟压缩到了1 分钟。

当 AI 由几个人试用扩大到几千、几万人使用，新的问题又会出现：Token 怎么分配，哪些岗位用什么模型，哪些数据允许 Agent 读取，哪些 Skill 可以共享，AI 操作核心系统时如何审计 …… 这都需要一套组织级管理机制。

这也是 WPS 提出" 三二一 " 体系的原因：通知识、通数据、通能力，管成本、管安全，再由 Comate 作为统一入口承接。

到了这里，企业 AI 已经很难再被简单理解成一个聊天机器人。它越来越像一套新的组织基础设施：一头连接数据和知识，一头连接员工、系统和真实业务。

结语：企业 AI 的下一站，是上下文的长期工程

模型仍在快速变强，Agent 和 Harness 的门槛也在持续降低。

对于企业而言，未来选择哪一个模型，可能越来越像一项阶段性的技术决策。模型升级了可以替换，价格变化了也可以重新选择。

上下文却完全不同。一家企业过去几十年形成的知识、数据、工艺、流程、权限和专家经验，需要长期整理、持续更新，并伴随每一次业务执行不断沉淀。

这也是于叶舟理解 WPS 在 AI 时代位置的一种方式：" 我们既没有做一个大模型，也没有搞自己的云去卖 Token。我们做的其实就是上下文工程、数据这一层的生意，它同样决定了 AI 应用最终的效果和天花板。"

企业 AI 的竞争正在从模型选型转向上下文工程。选模型是一项阶段性决策，整理上下文是一项持续工程。后者才是企业真正需要长期投入，并且会越用越厚的资产。

当所有模型都足够聪明，办公软件厂商真正争夺的，会越来越接近一家企业 " 组织记忆 " 的管理权。从船舶、半导体到汽车制造，WPS 已经把 AI 送进了一家又一家真实工厂——它不是替企业 " 生成 " 答案，而是先替企业看懂自己几十年攒下的数据、流程和经验，再把工作真正做完。这，或许才是企业 AI 下半场更值钱的那门生意。