组织先用好 AI,再谈 AI 改变组织

组织先用好 AI,再谈 AI 改变组织

文章图片

组织先用好 AI,再谈 AI 改变组织

文章图片


过去三年 , 我们听了太多关于「AI 如何重塑企业办公」的想象 。 但真正的变化 , 往往是从一个个打工人开始的——用 AI 写报告、润色外语邮件、总结会议内容、分析数据……AI 工具已经悄然渗透进日常的工作流 。
问题也随之而来:这些「AI 工作流」大多停留在个人层面 , 它们往往游离在企业的数字办公系统之外 。 尤其是对那些没有自研系统的中小企业而言 , 从豆包、DeepSeek 等应用中生成内容 , 再复制回飞书、邮箱、PPT 的操作 , 已经成为员工的日常 。
系统未打通的麻烦不仅是「复制粘贴」的低效 , 对管理者来说 , 更意味着 AI 的价值止步于「个体提效」 , 难以演化为组织级的智能化升级 。 这种割裂的根源 , 是办公平台自身尚未完成对 AI 的深度进化 。
7 月 9 日 , 飞书在 2025 未来大会上发布了一系列即插即用的 AI 工具 , 并邀请多家企业分享他们如何将这些工具无缝嵌入业务日常 , 实现真正意义上的智能化办公 。
飞书 CEO 谢欣丨来自:飞书
这不只是一次产品发布 , 更像是数字办公从「AI ready」走向「AI 真正落地」的分水岭 。

让 AI 能力「长」在业务里如果说过去一年 , 企业还在摸索「如何把 AI 用起来」 , 那么飞书则在试图回答另一个问题:AI 到底应该「长」在哪里?
在今年的飞书未来大会上 , 「多维表格」无疑是其 AI 产品阵列中最具代表性的升级亮点之一 。 它不再只是传统意义上的数据库工具 , 也不止于「基于数据库打造的业务系统」这一定位 , 而是开始进化为一个可实现 AI 自动化的业务中台——企业让 AI 真正落地办公场景的「基础设施」 。
从性能上看 , 多维表格的底层数据库能力实现了新一轮跃升:单表容量提升至 1000 万行 , 计算速度比去年快了 10 倍 , 支持千人级并发协作 。 这为承载复杂业务流程提供了扎实的技术底座 。
但真正构成飞跃的 , 是 AI 工具模块和「应用模式」的双重升级 。 去年上线的「AI 字段捷径」今年进入实用阶段 , 用户可以直接在表格中插入由 AI 自动生成的内容字段 , 比如智能填写、内容补全、结构化建议 , 甚至多模态识别和推理 。
在茶百道 , 多维表格被用来搭建「智能巡检」和「客户之声」系统 。 门店员工上传现场照片后 , AI 自动识别健康证、设备状态 , 并触发整改流程——一个过去依赖人工巡查、逐级反馈的流程 , 如今只需「拍照+填表」即可完成 。 另一个系统则实现了客户评价的智能打标、情感分析和个性化回复 , 还能把差评自动推送给店长处理 , 确保客户反馈闭环响应 。
影视飓风的使用方式则更偏向内容创作 。 他们通过多维表格实现了 15 分钟更新一次的视频数据自动同步 , 同时借助 AI 批量生成节目封面草图 , 甚至提前在选题会上评估观众反馈 , 用「点映团」模拟不同角色的情绪评价 , 辅助内容优化 。
如果说 AI 字段是让多维表格变「聪明」 , 那么「应用模式」则是让多维表格更「系统」 。
今年 , 飞书正式推出多维表格的「应用模式」 , 用户只需要通过拖拉拽的方式 , 就能将一个普通的表格升级为一个完整的业务系统 。 比如 , 一个门店的销售看板、人力部门的员工信息系统、供应链的库存管理界面 , 都可以直接在多维表格中搭建完成 , 不仅保留了表格的灵活性 , 也具备了系统功能性更强的优势 。
用应用模式构建电商管理系统丨来自:飞书未来大会
相比传统的 IT 系统开发 , 应用模式的门槛显著降低 。 用户不需要写代码 , 只需搭建逻辑关系和界面视图 , 就能搭出符合自己业务需求的「专属系统」 。 此外 , 多维表格还内置了多个业务系统模板 , 进一步降低了搭建门槛 。 这也意味着 , 更多的业务人员将具备「系统搭建者」的能力 , 而不再只是使用者 。
这意味着未来每一个团队 , 都可以拥有属于自己的业务系统 , 甚至员工也能成为自家企业 AI 办公的产品经理 。
在表格之外 , 飞书围绕「组织级 AI 落地」构建了一整套产品体系 , 从信息获取、流程搭建到系统开发 , 全链路覆盖 。
比如飞书知识问答 , 是这次发布的另一项重点产品 。 此前极客公园曾经报道过 , 它最大的特点是「开箱即用」 , 不依赖企业提前构建完整知识库 。 用户只需抛出一个问题 , AI 就能在用户过去的聊天记录、工作文档中自动调取权限内的信息 , 给出真正与企业实际业务相关的答案 , 这也是通用大模型做不到的事情 。
在会议场景中 , 飞书的智能纪要功能也再次进化 。 现在的 AI 纪要可以在会议过程中实时总结、提取关键观点 , 并自动生成带责任人的待办事项 。 目前 , 这一功能已经达到 M4 成熟度——意味着可在任何企业大规模应用 。 像珀莱雅这样的快速成长型企业 , 就在新品立项和部门复盘中 , 将 AI 纪要作为固定流程的一部分 , 帮助团队大幅提升会议效率 。
而对于没有技术背景的业务人员 , 飞书还进一步升级了「开发套件」:包括 AI 智能体 Aily、低代码平台 aPaaS、AI Coding 工具「妙搭」 。 企业可以轻松构建自己的 AI 工具——无需开发团队 , 也能「把 AI 嵌入业务」 。
例如 , 伊芙丽、七匹狼、绫致时装等服饰品牌 , 已经基于这套工具为上万名导购搭建了「AI 练货系统」:设定虚拟客户人设 , 员工沉浸式演练销售话术 , AI 自动打分反馈 , 经验同步分享至内部网络 , 形成组织级的学习与优化闭环 。
飞书开发套件丨来自:飞书

把 AI 真正交给组织用起来听完整场发布会 , 一个强烈的感受是:这些 AI 能力并不以独立产品形态存在 , 而是逐步渗透进一个又一个真实业务里 。 不需要雇佣顾问从头搭系统 , 不需要培训工程师写代码 , 一线员工根据自己的工作需求 , 就能快速拉起一个能解决问题的 AI 工具 。
飞书真正希望做到的 , 是让 AI 提效从个体智慧 , 变成组织能力 。
为什么飞书能做到这一点?关键在于它并不是为了 AI 而重建一个系统 , 而是在一个本就承载企业真实业务运行的系统中 , 让 AI 自然长出来 。
飞书的核心优势 , 是它作为一体化协同平台 , 早已沉淀下丰富的企业业务数据和组织语义:文档记录着项目过程 , 多维表格承载业务数据 , 审批流程跑着管理规范 , 会议纪要积累着团队共识 。 这些信息构成了企业特有的上下文——而AI最需要的 , 恰恰是这种上下文 。
以飞书知识问答为例 , 它不依赖企业预先构建知识库 , 而是直接基于企业内部已有的文档、IM 记录和权限体系 , 自动理解提问意图 , 穿透系统找到答案 。 这也是包括小鹏汽车在内的多家组织选择部署它的原因:无需专人「喂料」 , 知识就在工作流中自然被激活 。
正如飞书 CEO 谢欣所说:「不是知识密集型企业用飞书 , 而是用飞书的企业 , 逐渐变成知识密集型的企业 。 」比如一家大型央企 , 仅过去一年就在飞书中沉淀了超过 940 万篇文档 , 为 AI 能力的引入打下了坚实的数据基础 。 这种高频、高质量的组织协作 , 让企业「AI ready」的门槛大大降低 。
相比之下 , 外部通用大模型即便能力强大 , 也无法访问企业内部数据 , 无法理解组织语义 , 更无法真正参与业务流程或沉淀知识 。 更重要的是 , 企业核心信息外流还可能带来数据泄露和权限安全的隐患 。 这些模型往往只能在「你告诉我什么 , 我总结给你看」的逻辑中运作 , 难以支撑组织级智能协同的真实需求 。
飞书的做法是反过来:不是让员工主动适配AI , 而是让 AI 自动适配业务 。
这一点 , 也体现在飞书提出的「AI 应用成熟度模型」中 。 它将 AI 产品划分为从 M1 到 M4 的四个等级 , 越往上代表越成熟、越能稳定服务于真实业务 。 目前 , AI 会议纪要已达到 M4 等级 , 不仅能够通过文档发送总结、生成待办 , 也能在会中实时实现总结 , 并保持相当的准确性与逻辑概括能力 , 在任何适合的场景中都能使用 。 飞书知识问答、多维表格 AI 则达到了 M3 , 可以在企业需要的场景中大规模使用 。
换句话说 , 飞书没有把AI当成展示能力的「秀肌肉」 , 而是明确设定标准——是否成熟、是否能上线、是否能推广 , 是第一优先级 。
最终 , 这些产品都服务于同一个目标:让 AI 变成企业内部「可调度的资源」 , 而不是一个「听得懂但做不了」的工具 。
在过去的一年里 , 从茶百道用 AI 字段构建门店巡检系统 , 到伊芙丽用 AI 智能体做导购练货 , 再到珀莱雅让 AI 成为新品立项和营销决策的一环——这些都不是 AI 的「demo 秀」 , 而是企业自己动手 , 基于飞书完成的 AI 工具搭建 。 这正是「组织自有 AI 能力」的起点 。
当飞书把 AI 能力嵌入平台 , 把业务数据连接到逻辑 , 把员工意图变成流程 , 它正在完成一件更大的事:用一套真实可用的体系 , 把 AI 变成企业组织能力的组成部分 。
何小鹏在飞书未来大会丨来自:飞书
正如小鹏汽车创始人何小鹏在飞书未来大会上讲的那样 , 在这个 AI 智能的时代 , 在企业办公中用好 AI , 其实比在业务中运用更重要 。 如果一个企业的员工和高管平常都不用 AI , 那很难想象这个企业交付给客户、交付给用户的产品 , 能够用好 AI 。
【组织先用好 AI,再谈 AI 改变组织】而飞书所做的 , 正是让「组织先用好 AI」 , 再谈「AI 改变组织」 。

    推荐阅读