夜雨聆风
WPS 365 组织级 AI 办公新品发布
本文为 2026金山办公 AI 生产力大会王冬演讲全文，经过部分书面化修改。
大家好，我是王冬。
去年的发布会，我们旗帜鲜明地提出了一个观点：
“在当时 AI 的能力还不够强，所以企业应该做的第一件事，就是把所有的数据收集起来，给未来的 AI 场景落地提供燃料。”
这两年，我们其实一直在专注地做这件事：把所有的办公数据都收集到一起，将「数据」变成「知识」。
今天，我们已经可以把大家做过的日常文件、报告，收发过的邮件，聊过的天，以及开过的会，把包括以上在内的所有「知识」都灌注到我们的WPS AI Docs 产品里面，实现真正的企业级知识底座。
现在，已经有几十家先锋客户在我们的陪伴下，真正建成了自己的知识底座，实现了知识的真管理、真应用。
在此基础上，这小半年以来，我们的行业内也发生了一个重大的变革。什么变革呢？就是 AI 写代码的能力变强。这件事对办公来说，实际上意味着 AI 可以帮员工端到端地交付各种类型的复杂任务了。
于是，从年初开始，我们陪伴着第一批先锋客户开始了一场极速狂跑。
截止目前，我们探索过的场景已经覆盖了11大领域，26类高价值任务，这包括：研发、制造、营销，财务，法务，人力。
在这个过程中，我们犯了很多错误，吸取了很多教训。所以接下来，我会从教训和痛点的角度来给大家一一分享，我们到底遇到了哪些问题，以及我们是如何解决这些问题的。
第一个最大的拦路虎是成本问题。因为到今天为止，token 依然是一种非常昂贵的资源。
一个企业开始落地 AI 的时候，总会在一个问题上纠结很久：要不要全面地推开 AI？推开以后，这些 token 到底消耗在哪里？到底有没有产生价值？如何评估这个效果？这是所有决策者最最焦虑的问题。
为了解决这个问题，我们设计了一个多角度的管理机制。
首先第一个教训，就是千万不要给所有的任务都使用最好的模型，因为今天最好的模型和普通的模型之间的价格大概差了10倍以上。这是个真实又血淋淋的教训：我们公司在最初全面推广 AI 的时候，因为希望给大家最好的效果，所以给全部员工都配了最好的模型。刚开始大家的热情真的非常高，结果第一天，我们平均每个人就消耗掉了1750块钱，这是非常恐怖的一个成本消耗。
于是我们开始探索，能不能针对不同的任务使用不同的模型，因为有些模型在很多任务上的表现其实是非常好的。
我举个例子：
1. 日常办公任务：比如做一些总结、分析，生成一些 PPT，我们就使用小米的 MIMO 模型，它在这些任务上的性价比是非常高的。
2. 财务安全任务：我们又遇到另外一种情况，比如财务老师对信息安全的要求是最高的。所以，我们就在内网里面专门给财务搭建了一套独立的推理环境，这样所有的信息就不出域。虽然这个做法很贵很贵，但我们认为钱是花在了刀刃上的。
基于这些认知和经验，我们就改进了我们的产品，迭代升级了「WPS AI Hub」，让它可以灵活地为不同的任务配置不同的模型。
在这个逻辑的基础上，我们就在思考，能不能把这些管控策略做得更细一些，基于不同的人、不同的岗位、不同的工作内容，来使用不同的模型、不同的额度，从而设计一个灵活的多维管控体系。你可以为不同的任务、不同的方向配置不同的算力包。
有了算力包机制以后，很多部门提出了一个很实际的问题：因为我们现在的token额度是按周结算的，那本周没有用完的 token 能不能自动滚入到下周继续用？
又比如还有一类常见问题：比如今天有一个部门在赶工，他们需要的算力远远多于月初分配的额度。那我能不能快速地给他们申请一个新的算力包，并方便地走通 OA 审批流程，把算力发放到位？
这个机制我们也把它集成到了「WPS AI Hub」里面，可以实现开箱即用。
最后，我们就要面临最重要的一个问题，AI工具的管理者们，需要关注以下两个问题：
1. 到底哪些人、哪些部门用了多少 token，拿这些 token 在做什么事情？
对这件事必须有一个全面的掌握，我们才能初步评估性价比。
2. 为什么有些部门看起来一个月基本上没怎么用 token ？
这是一个非常重要的问题。这意味着该部门对 AI 的接受和理解还处于非常初级的阶段，在整个公司的 AI 浪潮中掉队了。因此，我们需要派出专人去帮助和协助他们。
这两件事对AI落地都非常重要，而它们也可以在「WPS AI Hub」中进行观察和管理。
这就是「WPS AI Hub」的能力，它可以解决我们在日常费用管控方面绝大多数的问题，让每一个 token 都用在真正值得的地方。
当我们解决了第一个痛点以后，我们马上就要面临第二个痛点。AI想真正地干活，就必须要了解我们这家公司，了解我们这家公司最核心的手段就是通过数据来了解。但是今天我们的数据有没有收集好，我们的AI有没有跟我们的核心数据打通，这就变成了第二个最让人头痛的事情。
今天，通过 「WPS AI Docs」 这个产品，我们已经可以把所有的非结构化数据统一地管理起来，在这件事上我们已经取得了良好的效果。
但是，企业内还有一类非常关键的数据，就是结构化数据。为了帮大家使用好结构化数据，我们定义了一个新的产品，叫「WPS Data Hub」。
这个产品解决一个什么问题呢？其实它非常好理解，我举一个例子：
以某客户为例，我们已经跟他们共同合作了十多年。因为我们从 3 版本一直做到了 7 版本，经历了一个漫长的过程，这导致了一个结果：如果我在系统里输入“ 某客户”，它对应的项目可能有大几十个，其中既有历史上积累下来的，也有今天正在跑的。但是，如果我简单地用“某客户”这两个字去查询各种数据，得出的结论是似是而非的。
于是乎，我们就要先做第一件事：把“ 某客户”这个关键词真正地定义清楚。
(a) 什么叫做“某客户”？
(b) “某客户”下面关联了多少项目？
(c) 每个项目跟销售的关系是什么？跟研发的关系是什么？
(d) 现在有哪些卡点，有哪些问题？
(e) 它的预算是怎么样的？进展是如何的？
我们需要一一地把这些数据洗干净。只有把这些数据洗干净了，你针对这个问题去提问的话，AI 才能得到正确的结果。
接下来我讲一个场景：我们所有企业的业务部门都会很关注一个问题，就是销售的预测数据。但是，要想真正把销售的预测数据算准，实际上需要很多很多的知识。
以我们公司的真实案例为例，我们会抓取这个季度该部门所有关于项目的看板，包括它的多维表，以及在 CRM、OA、工单系统和研发系统里的信息，综合地去实现对这个项目的判断：它今天到底进展到哪一步？它的卡点是什么？下一步的动作是什么？
基于所有这些信息，AI 会给我们一个非常好的分析和判断，以指导我们的工作。
相信所有企业的业务部门都会有一个核心需求，就是预测当期的业绩。我们怎么把这个业绩算准呢？
我们的做法非常清晰，在我们内部使用的是“一客一档”的方法，我们会把所有关于这个客户的信息全部清洗干净并汇总起来，包括：
1. 关于该客户的文档；
2. 他的多维表；
3. 他在 CRM 系统中的信息；
4. 他在工单系统里的信息；
5. 他在 OA 系统里的信息。
基于这些汇总的数据，我们就可以进行深度的提问了。
正是因为我们的 AI 有比较详细的背景信息，所以它第一步的分析就已经给得非常准了，而且它会主动地帮我们把数据可视化。那么基于这个信息，我们可以继续下钻追问，他会根据他的背景信息进行进一步的判断。
通过这个例子我们就可以看出，今天虽然 AI 变得非常聪明了，但是如果 AI 不懂我们公司没有哪些数据，它在表面上做空洞的分析，实际上是没有太大意义的。
你一旦给它灌注了高价值、高准确度的数据，它能给出的洞见是非常非常有价值的。所以，我们的数据基础一定要打牢。
这就是我们的「WPS Data Hub」。
这个问题解决完了，一个新的问题又浮出水面了。有了这些分析和判断，我能不能开始让 AI 直接帮我执行任务呢？
但是，要想执行任务，就会遇到一个新的“拦路虎”。相信今天绝大多数企业已经建设了大量的内部数字化系统，我们的 AI 如何有效、安全地调用这些系统，就变成了一个新的问题。
于是，我们就设计了一个新的产品，叫「WPS API Hub」。
WPS API Hub 的定位，实际上就是一个企业全局能力的连接器。我们可以比较方便地、比较安全地，把企业内现在所有的能力、所有的接口，用一种统一的方式暴露给我们的 AI 使用。
具体的实现原理有三种连接方式：
1. API 直连模式：
对于一些比较新的系统，如果有比较好的接口治理，我们就可以直接把它对接上来。
2. Skill 拼配模式：
如果现在的 API 接口暴露的能力不足，我们可以用一种 Skill 的方法，把一个多步的任务拼配成一个新的任务，然后暴露给我们的 AI 使用。
3. Lua 脚本抓取模式：
如果系统太过于老旧，基本上没有什么接口，我们会提供一种 Lua 脚本的机制，方便大家把这些老系统中的内容抓取出来。
最终，这三种方式实现了各种系统都能统一连通的效果。
除此之外，因为我们的 WPS API Hub 是依托于WPS 365 的，所以WPS 365 里面所有的文档、表格、通讯录、聊天等能力都会自动集成进去，随时供 AI 使用。
最后还有两件事：
1. 我们希望降低大家的使用成本，所以内置了很多模板，这样大家使用起来就会非常方便。
2. 一个非常关键的话题，就是我们访问各种系统的权限是统一在这里健全管理的。这样就可以跟我们整体的权限系统打通，而不是每一个系统都对接一次。
这就是「WPS API Hub」。
讲到这里，我们已经把遇到的前四大痛点介绍完毕了。用最简洁、最清楚的方式总结：AI 落地要先做好四件事，就是管成本、通知识、通数据、通能力。
接下来就进入真正落地的阶段。但是在这个过程中，我们又发现了一些新的重大问题：
第一个问题，我们现在最常看到的就是企业内的平台开始碎片化了：
(a) A 部门可能自己搭建了自己的“小龙虾”；
(b) B 部门又做了一套“爱马仕”，觉得很好；
(c) C 部门因为自己研发能力很强，基于我们的 open-code 又去二次定制了一套自己的 Agent 平台。
这样的结果就是所有的工作都要重复去做：对接数据、对接接口、管安全，所有的事情都反复反复地做。而且这会带来一个非常大的问题：如果有一个任务涉及多部门，因为这些平台是不统一的，所以这种任务就会非常难拉通。
第二个问题也比较严峻，因为各部门是在自己的部门内使用的，所以A部门可能沉淀了几个系统，沉淀了几个经验，但是怎么复用到B部门去呢？B部门又怎么复用到C部门去呢？如何实现全公司的这样一个知识复利、经验复利的效果，就产生了一个新的部门墙。
于是，我们得出了一个结论：我们认为一个企业最好只建一个统一的大脑，而不能各自为政。
因此，我们就构建了一套新的可以完整覆盖企业 AI 落地的平台，也是我们 WPS 365 家庭的最新成员——「WPS Comate」。
我们第一眼看到它的界面时，可能第一反应就是，它又是一个企业类、龙虾类产品。但是，它跟普通的企业龙虾类产品的区别是什么呢？
首先，我们要解决一线的经验流失问题，所以我们推出了「技能」模块，并着力打造了一个「技能市场」。
我们实现的效果是，组织内所有的人都在同一个「技能市场」上创造、分享、迭代自己的技能，然后把它一键分享给自己的团队以及整个企业，这样就可以快速地让自己的经验汇集于全公司。
在这个过程中，我们发现很快就诞生出了非常多的一线明星，他们创造的一些优质的「技能」在公司内快速地流行开，可以帮大家去做非常多的任务。
我举一个我自己的真实例子。之前遇到客户，我都会先去问我们的售前或者销售，了解这个客户的背景情况是怎么样的，目前有什么样的问题。
后来有一天我再去问的时候，售前同学就直接告诉我有一个「技能」，让我直接去试一下。我用了以后发现这个「技能」非常厉害，它会从我们公司所有的存量文档、存量系统，甚至还会去互联网搜索一下，把这家企业前前后后各种信息从多维度给我汇总出来，生成一个六七页的信息汇总。
像这样的明星技能、明星员工，我们会持续地运营它，推动他不断地迭代，把他这些优秀的经验真正地分享给所有有需要的人。那么这些工作就必须要在一个平台上去完成，不能在多个平台上。
有了这些「技能」还不够，因为我们设想一些更复杂的场景，除了技能以外，它还要连通很多很多的数据，连通很多 API，连通很多很多我们的知识库，才能执行一个复杂任务。对一个 AI 高手来说，这可能不是问什么问题，但是我们还有大量的员工对 AI 的驾驭能力没有这么强。
所以我们就想了一个新的方法：找一些 FDE 的专家，帮我们把所有的能力都搭在一起，给我们配上合适的技能、合适的数据、合适的能力，选合适的模型、合适的任务预制，把这些常见的任务变成“预制菜”，这样就能让每个人都变成专家。
这就是我们的「专家」能力。
我们企业内部的真实专家，每天的使用量非常大。这个专家，实际上给他配置了 15 种能力，包括我们历史上的各种知识、规范和系统。最终，他配出了一个非常完整的、应对各种私有化问题的综合能力。
我们内部相对不是那么资深的运维交付人员，就可以复用运维交付高手的经验，并且使用他的能力。现在把一个故障日志输进去，它就可以从各种历史和各种系统里面，去判断这个故障到底是什么问题、该怎么解、该找谁。这个专家非常的受欢迎。
后来，我们还发现了一个比较大的痛点：今天用此类产品生成应用的成本非常低，但是大家缺乏一个部署这些应用的环境。有些人没办法，就去外面买虚拟机自己绑个域名，这就变得非常不安全。
所以，我们也提供了一个轻量级的「应用」引擎。你做好的「应用」一键就可以发布上去，所有的安全、高可用的事情都交给我们来处理就好了。
那么除了刚才我介绍的这些核心能力以外，我们还为Comate提供了十八般兵刃，覆盖了日常使用中方方面面的能力。我们完整地继承了灵犀专业版的各种能力，这些能力都是开箱即用的。
这就是WPS Comate，它除了提供统一使用产品的平台以外，主要关注点在于如何避免企业AI建设的碎片化，如何加速企业基层AI场景的快速流转与进化。
到这里，我们整体回顾一下：我们的 WPS AI Docs ，加上三个 Hub 和 WPS Comate，今天基本上已经构成了我们整体企业大脑的拼图。基于这个拼图，我们就可以解决绝大多数企业落地中遇到的常见问题和痛点。
最后一个绕不开的话题，就是安全。AI用的越好，安全的问题就越迫切。 所以我们加强并且升级了 WPS 365 的各种安全功能——「WPS 多维安全」。
整体来看，它是由四大部分组成的。首先，它要解决我们人和 Agent 之间的身份权限问题，叫做 「Trust ID」。其次，我们要实现数据的分类分级。我们的理念是：一个数据从创建开始，就已经明确了它是红区还是绿区的数据，是绝密还是机密。那么在后续所有的处理过程中，它都会遵循这个原则去处理，这里叫「Trust Data」。
第三个，「Trust Device」——我们希望整个终端是可信的。它能不能接入这个网络、能不能执行这个任务，会做一个综合的判断。
第四个能力是「Trust AI」。我们会对所有的 AI 行为进行监控。比方说，如果有人做了一个「技能」，但里面有一个危险动作会删除你本地所有的内容，我们就会直接拦截掉这个「技能」。
最后，作为一个总结，到今天为止，通过我们的实践认知，我们总结出了企业 AI 落地必须要做的六件事：
1. 通知识 / 2. 通数据 / 3. 通能力 / 4. 统平台 / 5. 管成本 / 6. 管安全
最后，我们回顾一下我们WPS 365的全貌。我们从最初的文档到后来的协同，帮大家聊好天，开好会，收发好邮件，到今天，我们的企业大脑帮助企业AI落地，做好整个的平台的支撑，到我们对整体安全的控制。
今天的WPS 365已经真正的进化成了一个「一站式AI办公平台」。
基于这个平台，我们提出了一个长期的愿景：WPS 365 的目标，就是帮每一个企业把 AI 首先真正的管好，然后再把它真正地用好。
谢谢大家。