打开一个AI办公产品，输入“帮我做一份新能源汽车行业分析”，几十秒后，一份结构完整、排版精美的PPT就能出现在屏幕上。两年前，这足够让人惊艳。
但今天，如果它引用的数据已经过时、Excel里的数字与PPT对不上，或者生成之后还要花两个小时重新调整格式，那么它就要被打工人骂一顿。
这也是AI办公正在经历的变化。
尤其今年以来，这条赛道突然变得拥挤起来。腾讯将WorkBuddy和CodeBuddy团队进行整合并升级组织架构；阿里整合QoderWork、悟空、MuleRun，推出“千问办公”；字节、科大讯飞、用友等玩家也在持续加码。AI办公正在从一个散落在大模型周围的应用方向，变成大厂重新集结的生产力赛道。
背后的逻辑并不复杂：AI已经不缺“会生成内容”的能力，真正稀缺的，是“会完成工作”的能力。一份季度报告，往往需要翻几十份历史资料、处理几张Excel、查找行业数据、生成图表，再写进Word或PPT；过程中数据可能反复修改，结论也要随之调整。真实工作不是一次Prompt，而是一串彼此咬合的动作。
当AI从聊天框走向工作流，竞争标准也随之变化：模型聪不聪明不是全部，AI能否理解工作上下文，能否调用用户自己的文件，能否在不同工具之间执行任务，最后交付一份真正可以使用的成果，开始决定AI办公产品的上限。
大厂重新集结，AI办公为什么突然变得拥挤？
过去三年的AI应用呈现出一个明显的重心转移。2023年初，ChatGPT-4发布之后，第一波产品热潮围绕“对话”展开。写文案、做摘要、翻译、回答问题，大模型第一次把复杂的信息处理能力装进一个聊天框。
随后，AI开始进入PPT、表格、图片、视频等具体工具，试图解决更明确的问题。但工具越多，一个新的问题也越突出：用户并不想在十个AI工具之间来回搬运信息。于是，Agent成为新的关键词。
与聊天机器人相比，Agent真正改变的不是交互界面，而是人与软件之间的分工。过去是人操作软件完成任务；现在的方向，是人告诉AI目标，由AI拆解步骤、调用工具并交付结果。对于AI来说，这意味着从“给答案”走向“做事情”。
办公恰好是验证这种能力最直接的场景。一方面，办公任务通常有明确目标。写完一份报告、完成一个模型、做出一套PPT，结果好不好相对容易判断；另一方面，效率提升可以被直接量化。AI少让一个分析师花两小时整理数据，它创造的价值远比“陪用户聊十分钟”更容易感知。
这也解释了为什么大厂最近密集调整AI办公的产品和组织布局。大家争夺的已经不只是一个AI工具的入口，而是AI进入真实生产流程的位置。
在这场战争中，其实百度入局的时间很早。2023年，百度文库进行大模型重构，从资料平台升级为“一站式AI内容和创作平台”，推出智能PPT等能力；2024年，百度文库与百度网盘进一步融合，实现了公域内容和用户授权的私域文件的打通，用户可以在文库、网盘等多并行使用相关能力。这两个动作放在今天看，意义比当时更清楚。
当AI只能生成一段文字时，数据存在哪里并没有那么重要；但当AI需要完成一项复杂任务，它必须知道“你之前做过什么”。比如一个市场人员要做季度复盘，AI需要的不只是网上能搜到的行业资料，还包括上季度的PPT、过去几个月的投放Excel、会议纪要以及公司内部模板。这些散落在文件夹和网盘里的资料，才是真实工作的上下文。
随后的演进更直接。在2025年，文库网盘又在AI办公领域，推出了通用智能体GenFlow，在一年迭代了4个版本。它不再只是把AI嵌进PPT、Word或表格，而是开始让Office Agent等不同Agent协同工作，一句话可以拆解并执行PPT、Excel、Word乃至海报、视频、网页等不同全模态任务。百度此前铺开的内容、文件和工具体系，也由此逐渐被装进同一条工作流里。
AI办公因此出现了一个有趣的变化：模型能力不断向上走，竞争却越来越向下扎——从模型，扎进文件、数据和工作流。
AI办公比拼“真干活”的护城河是什么？
AI办公究竟做到什么程度，才算真正好用？
近期一组数据提供了一个观察切口。国家工业信息安全发展研究中心发布的《Office Agent工作流测评报告》中，百度文库评分登顶。前者更接近能力测试，后者更接近真实用户选择。
有意思的是，此次测评并没有只考“谁写得更好”。它考察的是Office Agent的完整工作流执行能力，包括流程协作、内容生成、视觉呈现和全链路体验。这更像让AI参加一场真实的办公室考试：不是单独考Word，也不是只考Excel公式，而是给它一项工作，看它能不能从头做到尾。
这恰恰是过去很多AI工具容易卡住的地方——单点能力不错，一旦任务跨越多个软件，工作流就断了。百度文库的思路，是让Word、PPT、Excel三类Agent并行协同。从素材搜集、数据整理、报告撰写，到材料制作和在线修改，一条指令可以串起多个环节；不同格式文件之间的核心数据、图表参数和观点也尽可能保持统一。
除了协同之外，数据底座是百度登顶评分的重要因素。
当全行业都在盯着AI办公的模型参数、Agent能力卷得头破血流时，大家都忽略了一个问题：没有数据的积累，模型只能停留在“看起来能用”的层面。
在AI办公还停留在“聊天生成”的阶段时，内容和文件的价值并不显眼——反正都是写一段文字、做一页PPT，有没有现成数据打底，差别似乎只在效率高低。
但当赛道集体进入Agent时代，竞争的核心从“生成内容”转向“完成任务”，数据的权重就立刻被拉满了。一个能真正干活的Agent，不能只靠通用模型能力空转，它既要懂行业常识、有专业框架，也要懂用户的具体情况、能调用过往的工作积累，前者是公域知识，后者是私域文件，缺了任何一个，都只能停留在“看起来能用”的层面。
百度恰恰是攥住了这两端的玩家。百度文库十几年沉淀下来的18亿+海量文档，构成了国内最完整的公域办公知识池之一，从行业报告、方案模板到专业文献、数据资料，几乎覆盖了普通办公场景里所有需要的公共知识素材。
这种资产的壁垒从来不在于数字本身，而在于它的形成逻辑——它不是靠补贴烧出来的流量池，也不是靠爬虫扒来的内容库，而是十几年用户生态、版权运营、内容沉淀共同堆出来的结果。后来者哪怕投入同等规模的资金，也买不回这十几年的时间差，更买不走已经形成的用户上传与内容消费习惯。
更值得注意的是，这两套资产并非孤立存在，而是形成了相互强化的协同效应。公域知识给Agent托住专业底线，让输出内容不会偏离行业常识与专业规范；私域文件给Agent注入个性化灵魂，让最终成果不会沦为千篇一律的通用模板。两者叠加之后，AI办公的体验就从“用户喂资料、AI出初稿”，变成了“用户提需求、AI自己找资料、调数据、出成品”。
这大概也是百度这条路最容易被低估的原因——它的护城河不在明面上的功能演示里，而在水面之下十几年积累的内容与文件里。当行业还在比谁的AI“说得更漂亮”的时候，百度已经靠着手里的数据底座，往“干得更靠谱”的方向，走出了别人很难复制的一步。
AI办公开始争夺任务交付权
当通用办公这套链路逐渐跑通，下一个问题自然出现：更复杂、更专业的工作，AI能不能接过去？
8月14日的百度AI Day上，这个问题摆到了台前。会上，百度文库和网盘联合推出的通用智能体GenFlow正式启用中文名“库库AI”。今年早些时候，库库AI（GenFlow）就已经官宣过月活突破1亿，随后团队发现其办公场景的使用占据了月活的最高比重，文库网盘团队则果断抽调了30人团队，包括产品、研发、策略等，20多天时间快速做出「库库AI」独立端。
库库AI将专业子Agent、Skill、工具和编辑器纳入同一套体系，同时加入长期记忆、主动服务和端云协同能力，让AI不只是“知道什么”，而是能连续执行任务，真正把AI变成专业生产力。
与此同时，库库AI还把Agent进一步推向金融、办公、教育等专业场景。截至目前，库库AI办公的MAU达到了2500万，月活处于AI办公赛道领先位置。
金融是一个颇有代表性的试验场。一个研究员写公司深度报告，可能需要翻财报、听业绩会、整理行业数据、搭建财务模型、计算估值，最后形成Word研报和路演PPT。这不是“一问一答”，甚至不是一个Agent能够独立完成的任务，而是一条长链路。
AI试图把这条链路接起来。例如，它可以接入专业数据，通过专家、Skill和MCP（模型上下文协议）完成不同任务；在Office层面，可以生成机构级研报、专业分析PPT以及财务模型Excel；同时支持网盘文件调用、跨设备接力和24小时自动化任务执行，甚至电脑关机之后，任务也可以在云端继续，用户再从小程序或另一台设备接手。
跨设备能力看起来是一个小功能，却很能说明Agent与传统软件的区别。过去，工作被绑定在一台电脑上。现在，用户可以在手机端发起任务，让电脑继续执行；一台设备不在身边，另一台设备也可以接力。对于需要长时间运行的任务，系统还可以定时、定点执行。
软件开始从“等人操作”，变成“自己继续干”。专业办公也把AI的评价标准拉得更高。普通用户让AI写一封邮件，八十分可能已经够用；但金融从业者做DCF（现金流折现模型），数字错一个小数点都可能改变结论。AI面对的不是“生成得像不像”，而是“结果能不能进入真实业务”。
这也是为什么库库AI同时强调专业数据、专家和Skill生态。其Skill覆盖持仓诊断、财报解读、三张表、DCF、可比公司分析、公司及行业研究报告等；专家角色则覆盖研究员、量化投资经理、财富管理顾问、PE/VC投资经理等。
如果说金融场景解决的是“AI能不能接过一个专业人士的一段工作”，企业版继续追问的是另一件事：当Agent进入组织，它能不能接住团队协作。百度给出的思路是，把公域知识、企业私域数据和行业资源打通，同时让团队共享上下文、共同推进任务，并把结果和专家经验继续沉淀成Skill。
过去，AI办公是在软件里加一个“副驾驶”，而在Agent阶段，试图做的是让AI真正接过一段方向盘。这也对应着百度创始人李彦宏今年反复强调的另一个指标——DAA（Daily Active Agents，日活智能体数）。
它和互联网时代熟悉的DAU有一个微妙区别。DAU计算“有多少人在使用产品”，DAA关注的则是“有多少Agent正在替人工作”。李彦宏提出，如果Token衡量的是智能消耗，那么DAA更接近智能生产力。真正值得衡量的，不是模型一天消耗了多少Token，而是有多少智能体进入真实流程、完成任务并交付结果。此后IDC发布的相关研究也进一步提出，DAA需要与任务完成质量、业务KPI等指标结合。
这个指标背后，其实藏着AI办公下一阶段竞争的答案。模型决定AI能不能思考，数据决定它是否理解上下文，Agent决定它能不能执行，工作流决定它能不能把事情做完，而最终的结果又会沉淀为新的知识和Skill，进入下一次任务。
结语
说到底，AI办公角逐到最后，比拼的从来不是谁的产品演示更惊艳，而是谁能真正把人从具体的事务里解放出来。
百度走的这条路，妙处就在于它没有只盯着模型参数和单点功能死磕，而是把十几年沉淀下来的内容资产、文件生态，彻底揉进了Agent的执行链路里。公域知识托住专业下限，让输出不至于脱离行业常识；私域数据拉高定制上限，让结果不再是千篇一律的通用模板；再配上多设备协同的任务接力能力，办公终于不再被绑定在某一台电脑、某一个固定工位前——通勤路上发起的分析任务，到公司时成品已经躺在网盘里；中途切换设备也不用反复传文件、倒进度，AI跟着任务走，而不是跟着设备走。
AI办公的故事讲了这么久，最终的落点永远只有一个：它是不是真的能帮人干活。当越来越多的产品还在纠结“生成得够不够像”的时候，别人抄不走的底层资产，往往能筑起另一道护城河。
