不知有多少人看過一部叫做《演播時刻》的英劇，據說，這部劇是融入了很多BBC公司當年的真實工作環境，從各角度展示了上世紀文字工作者的執著與堅持。

即使到了今天，與文字策劃、與創作創意相關的工種，依然是大衆心中一種令人神往的職業，尤其是電視劇中的辦公室白領們幹練地敲擊著鍵盤輸入文字，從大段大段文章中梳理提煉出核心觀點，並總結形成Message House的時候，簡直不要太帥。

只不過，在信息大爆炸的今天，人們從海量數據中篩選出有效內容的成本變得越來越高，而在任務不斷加重的同時，預算往往不增反降。在這般情況下，通過科技之力提升工作銷量，成爲新職場人的指望。

當人工智能開始逐漸貢獻生産力，越來越多廠商開始將用戶需求拆解得更加精細，並給出相應的解決方案：諸如是否可以基于場景，人機對話；是否可以基于內容，一鍵生成“腦圖”，是否可以基于智能工具，一個組織可抵“千軍萬馬”。等等。

當然，這不僅僅是對智能時代的個人而言，對于AI重構的未來組織同樣如此。GPT4也好、飛書也罷，AI服務覆蓋全用戶群體已是行業公認的一種“顯學”。

而在剛剛舉辦的飛書“2023未來無限大會”上，人們還深刻地感受到這樣一點，AI不僅僅是具體的技術能力和産品形態，更是一種對底層運轉規則的重新思考，最後，把人類送到更加美妙的世界當中。

是的，“智能湧現”似乎也到了“價值湧現”的時刻。

一件不得不承認的事情是，從年初到現在，幾乎所有的互聯網廠商，左手提 AI 賦能，右手提降本增效，幾乎成了標配。

無論是互聯網廠商還是各行各業，用大模型“做點什麽”，似乎也成了共識，于是一時間，各種形態的“AI應用”層出不窮，仿佛對于一個公司，一個組織，只要多了一個小助手這樣一個功能模塊，就算是擁抱了AI。

很多企業所處行業不同，組織結構不同，對于大模型的需求和使用場景自然也不同。僅僅引入通用大模型，而並沒有沉澱企業自身的知識與信息，或許能發揮的價值也非常有限。

所以當很多企業開始擁抱AI，擁抱大模型的時候，往往沒有考慮過，能否適合自己現在應用、組織的邏輯和生産方式，而讓AI直接上馬使用。

這樣導致的結果，就是效率沒有上去，但成本反而增加。這裏說的成本也不止部署大模型和配套開發的硬性成本，還有對應員工的學習成本和使用成本。

當然，這也不是說很多企業、組織與大模型天生“八字不合”，而是他們想要擁抱AI，在讓大模型實現組織智能化、未來化之前，中間還隔著一道數字化的鴻溝。

中間的因果關系，同樣顯而易見：用AI進行智能化改造的前提，是打通企業的協同平台，有大量數字化的企業知識和通用知識進行訓練。有了數字化的組織做基礎，才談得上智能化。

飛書7作爲一個擁有 AI 能力的、面向未來的 AI 框架，它能夠幫助我們更有效地整合企業內那些孤立的、分散的系統，爲企業搭建起一個更加完善和高效的框架，讓企業實現AI Ready。”

從另一個角度看，互聯網逐漸滲透實體經濟的三十年，也是實體經濟與數字化相向而行的三十年。而中間的橋梁，就是各類數字化軟件。

但受限于技術水平和時代背景，彼時的産品往往只能在各自的領域裏實現一部分功能。放到企業這一端，要實現數字化運轉，就必須上馬企業的各種系統軟件。

這會導致什麽問題？對企業而言，就是系統的維護成本變高，往往維持企業的系統運轉需要爲多個産品付出成本。放到打工人視角，就是完成一項工作需要學習使用各種的協同軟件，如果軟件的數量上去了，對應的就是學習成本的不斷上升。

當組織越來越龐大，越來越需要智能化管理的時候，這些協同軟件的學習與使用成本就會水漲船高，最後的結果就是用的人越來越少。

那對于産品公司而言，一項重要的工作，就是在系統複雜度和使用難度上，不斷做減法，而在功能和易用性上不斷做加法，以此達到最終的使用效果。

在大模型時代到來之後，AI的加入，無疑給了這類公司一個重構産品的機會。

如何重構自然也分爲很多種，第一種是把AI作爲提效工具，在産品中加入對應模塊，基本的産品邏輯不去改變。這樣的好處是成本不高，用戶習慣不會發生根本改變，不用專門適應。壞處就是容易把産品變成四不像。

在飛書的眼中，AI重構産品，進而重構企業的業務流程，不應該浮于表面的各類工作場景，而是應該從更底層的業務邏輯和經營管理去實現系統的智能化變革，迎接即將到來的AI時代，從AI ready走向AI native。

那麽如何做到？除了簡單的工作總結、文檔生成等個人提效功能，還應該對企業自己的知識庫做到靈活管理。更進一步，業務系統的搭建、流程進展管理等一些更複雜的功能，現在也能通過AI去實現。

此外，一個夥伴對話框，同時貫穿于業務流程中的各個場景，並在使用者授權後同步記憶。這不僅要求智能夥伴跨越場景，去准確理解，甚至預判用戶的使用意圖，更要對當下的工作場景所需企業知識的深度沉澱。

這中間，必然會經曆企業知識數字化的過程。到目前爲止，即便是數字化最徹底的一些公司，業務系統也會有一定程度的割裂；再比如很多企業知識的存儲，介質也沒有完全的統一，有的是紙質文檔、有的則是各類office文件等等。

但在這些知識逐步上傳到飛書7實現數字化沉澱之後，原先零散而割裂的業務流程也會逐漸開始融合，各項業務的協同效率也會提升。這也是通過飛書智能夥伴共創未來組織之前的最後一步。

在這個過程中，飛書智能夥伴已經不再是一個簡單的流程管理或者提效工具，它現在更像一位企業聘請的員工，作爲個人專屬的智能夥伴，但可以改成各種專屬昵稱，頭像也能自由更換。

如果每個真人員工都有一位對應的智能夥伴，最直觀的變化是，組織的效率將會比之前多出來接近一倍，甚至是幾倍，這當然取決于員工對AI的應用效率。

飛書的智能夥伴更像人的一面在于，它不再根據具體的指令而出現，而是在不同的工作場景，譬如文檔、IM、會議等處，隨叫隨到。而且會根據自己掌握的企業知識庫，和此前“共同工作”形成的工作記憶，進行對應的功能實現。

更重要的是，這些流程並非真人員工主動喚起，而是伴隨著工作流程而主動提供。也因此它已經脫離了生産力工具的範疇，而是直接作爲生産力的一部分，幫助組織提高運轉效率。

飛書智能夥伴的一大特點，是所有的需求都通過一個交互界面的對話來實現，並且智能夥伴貫穿在IM、文檔、業務系統等不同的場景中。

這其中有一個重要的挑戰是：不明確的場景和純對話的交互過程，人的意圖是模糊的，需要AI去理解和判斷意圖，並給出結果。這與過去在具體場景中通過具體操作表達意圖，從而讓AI被動實現完全不同。而這也正是飛書選擇了Hard模式的重要原因。

可以想見，要完成如此複雜工作的飛書智能夥伴，光靠一個通用知識驅動的大模型，顯然是不夠的，因此它與獨立的AI大模型和“AI+APP”，有兩個顯著的不同。

1.它以最新升級的飛書7作爲底層架構。企業在日常工作中所積累的企業知識，譬如規章制度、運作流程、業務經驗積累等“企業知識”，可以在飛書上完成積累，用作對飛書智能夥伴的訓練。

這樣做的好處在于，飛書智能夥伴不僅可以作爲個人專屬的智能夥伴提供生産力，而且依靠的是公司群策群力的智慧結晶，企業通過長期業務實踐得來的積累，知識流轉的效率將會更快；

2.作爲每一個員工的專屬智能夥伴，它會在日常工作中記住使用者主體的工作記憶並隨時調取。這樣就不需要主動去搜索企業知識庫，只需要主動對小助手使用自然語言提出相關需求，就可以自然幫你完成。

需要指出的是，除了這些“開箱即用”的功能以外，企業大可通過【飛書智能夥伴創建平台】輕松創建專屬于業務需求的智能夥伴。它們可能服務于諸如零售、制造、創新科技和廣告營銷等千行百業，但在幫助企業提升業務效率和決策效率方面，都提供了相同分量的價值。

相關負責人稱，此外，“飛書智能夥伴”作爲一個開放的 AI 服務框架，企業可根據業務場景自主選擇適合的底層大模型。

舉一個細分場景的例子。對于很多業務人員來說，如何報銷一直是老大難問題，但在智能夥伴內置了企業報銷插件之後，相關問題可以直接請教，就能獲取智能夥伴基于企業知識庫的專業答案。

抛開這些表層場景，飛書在平台層面的思考在于，如何避免在數字化的基礎上重複造輪子。AI時代的企業工作平台，不僅需要AI輔助各類日常場景，在業務系統搭建、業務進展管理等業務管理場景，飛書在與合作企業的共創過程中，經曆無數次打磨，已經無限接近AI ready。

關于這一點，元氣森林近期也與飛書智能夥伴在巡店場景進行了共創實踐與測試。衆所周知，快消品的線下補貨是一件極爲繁瑣的流程。中間包括但不限于微信輸入商品名稱和數量、確認網點和位置，再錄入訂單等一系列流程。

未來，通過飛書智能夥伴，巡店的補貨員只需要通過一句話，就讓飛書自己去理解並匹配對應的網點，並自動生成一個下單口令。原先可能一個小時的流程，被縮短到只要幾分鍾。

再比如，對于從事整合營銷廣告服務的追極傳媒而言，客戶調研是一線商務的必備功課，以往通過搜索引擎or 行業數據庫，最快也需要半天的時間准備。

但同樣的問題提問智能夥伴之後，最快只要5秒鍾，就可以獲取包括行業、人群、競品等信息的分析結果，品牌認知與調性也能快速建立，由此離成交再近一步。

從智能夥伴提供答案的過程也能發現，要想它提供准確而專業的回答，自己的通用知識庫顯然是不夠的，還需要企業自己把相關的知識，例如文檔、流程、規章上傳到飛書。只有這樣，智能夥伴才能不斷學習進步，更好地提供相關生産力。

在這個過程中，原先割裂的業務流程也會在飛書式的協同中不斷改造梳理，實現數字化，並最終在AI的幫助下進行“智能飛升”。

正如飛書那句深入人心的“先進團隊，先用飛書。”，其實飛書和先進團隊也沒有特別必然的聯系，但當一個團隊已經實現高度協同，並高度數字化、智能化的時候，其實已經與飛書想要幫助企業達到的形態，沒有什麽區別了。