哈喽，大家好！
我是阿星👋🏻
很多老板对 AI 的印象，还停留在“帮我写点东西”。写文案、改标题、润色邮件、总结会议、扩写方案。
这些当然有用，但如果只看到这一层，很容易低估过去两年 AI 真正发生的变化。
它开始具备了一批新的工作能力，它回答的是能不能降低某一类交付成本？
如果能，这件事就不是纯生产力，而是交付力。
今天我们就来梳理一下，AI在中国爆火的这三年，长出了哪些交付级的能力。
我大胆预测
以后我们的各路AI产品线
或多或少要围绕这些主线能力
01 Computer Use：降低跨系统操作成本
Computer Use 是这两年最值得关注的 AI 能力之一。
2024 年 10 月，Anthropic 发布 Claude 的 computer use 能力，官方说明里提到，开发者可以让 Claude 像人一样使用电脑：看屏幕、移动光标、点击按钮、输入文字。Anthropic 同时强调，这项能力当时仍处于实验阶段，可能笨拙且容易出错。(引用自Anthropic官方)
这件事的重要性，不在于 AI 多了一个新功能，
而在于它开始触碰办公室里最普遍的一类低效：
人在不同系统之间搬运信息。
很多企业每天都有大量这样的工作。
运营从后台导出数据，再贴进表格；
销售助理从表格复制客户信息，再填进 CRM；
财务在发票、合同、付款记录之间核对；
客服从订单系统、物流系统、售后系统里来回查信息。
这些工作不难，但很耗人。
传统 RPA 可以处理一部分，但传统 RPA 通常依赖固定路径和规则。（新型的已经融合了AI功能的RPA可以去关注影刀、八爪鱼）
页面变了、字段变了、按钮位置变了，脚本就可能失效。
Computer Use 的变化在于，AI 开始能先理解界面，再执行动作。它不是单纯照着脚本点按钮，而是通过屏幕信息判断下一步该做什么。
一个可落地的例子：电商运营查异常订单
一家电商公司每天早上要看前一天的异常订单。过去运营要打开店铺后台、物流后台、售后系统和 Excel，分别导出数据，再手工核对“已付款未发货”“物流停滞”“退款异常”等情况。
如果使用 Computer Use 类能力，AI 可以在授权环境里打开后台页面，按条件筛选订单，下载报表，把异常项整理成一张表。运营不需要从头点页面，只需要检查 AI 汇总出的异常列表，并决定哪些订单需要客服介入。
这里 AI 接管的不是经营判断，而是跨系统点击、筛选、下载、汇总这段操作链。
它的边界也很清楚：
支付、转账、删除数据、提交合同这类高风险动作，必须有人确认。Computer Use 类能力已经具备进入办公室的条件，但仍需要人类审批闭环，尤其要防范 prompt injection、诈骗和高风险操作。
02 Office Agent / WPS 灵犀：降低第一版文件成本
企业真正流转的不是聊天框里的回答，而是文件。
方案、PPT、周报、月报、会议纪要、培训课件、经营分析、竞品报告，这些才是企业日常工作的交付物。
过去用 AI 做文件，经常是这样的流程：先让 AI 写一段内容，再复制到 Word 或 WPS 里，自己调格式、改排版、做目录、转 PPT、导 PDF。AI 只负责内容，人负责拼装。
Office Agent 类产品要改变的是这一段。它不是只给你一段文字，而是直接在办公软件里生成、修改、排版和交付文件。
对中国老板来说，WPS 是更熟悉的入口。金山办公发布 WPS AI 3.0“WPS 灵犀”。公开报道显示，WPS 灵犀被定位为原生 Office 办公智能体，用户可以通过自然语言、多轮对话完成文档创作、演示文稿生成和语音助手等任务，且不需要复杂操作和外部跳转。(信息来自凤凰网)
这背后的变化是：AI 从聊天框进入了文件生产环境。
一个可落地的例子：销售周会 PPT
一个区域销售负责人每周要向老板汇报本周销售额、重点客户、丢单原因和下周计划。过去助理要先收集销售表，再整理成 Word，最后做成 8 到 10 页 PPT。
Office Agent / WPS 灵犀这类能力更适合接管“第一版文件”：根据销售数据和固定汇报模板，先生成一版周会 PPT，包含本周结果、异常客户、重点跟进、风险提醒和下周动作。
人仍然要负责确认数字口径、补充真实客户情况、删掉不准确判断。但制作成本已经下降。人的角色从“从零制作”，变成“审核、修正、定稿”。
这也是企业里最典型的一类 AI 落地方式：不是让 AI 替老板判断，而是让 AI 先把第一版交出来。
03 Deep Research：降低调研启动成本
Deep Research 不是让 AI 随便写一篇文章。
它的核心能力是搜索、阅读、比对、归纳、引用，然后形成一份可讨论的研究底稿。
OpenAI 在发布 Deep Research 时的说法是，用户给出一个提示后，AI可以查找、分析并综合数百个在线来源，生成接近研究分析师水平的综合报告。OpenAI 帮助文档也把它定义为一种可以规划、研究和综合复杂问题，并形成文档化报告的能力。(OpenAI)
这类能力对老板的价值，不是“AI 能替我做战略判断”，它真正降低的是调研启动成本。
老板经常要判断一些问题：一个新行业是否值得进入，竞品最近有什么动作，一个客户背景是否可靠，一个政策变化会不会影响业务，一个供应商有没有风险。
这些问题最终需要人的经验判断，但前期资料收集并不一定需要高级专家从头做。
一个可落地的例子：进入一个新赛道前的预研
一家培训公司想判断“AI 办公培训”是否还值得继续投入。过去团队要查政策、竞品课程、价格带、客户画像、投放渠道、企业采购案例。这个过程往往要半天甚至几天。
Deep Research 可以先完成第一轮材料收集：
抓公开网页、报告、竞品页面、招聘需求和社媒讨论，整理成一份带来源的初步报告。
报告里可以先回答几个问题：
谁在卖、卖多少钱、客户为什么买、企业采购关注什么、过去三个月有没有需求变化。
这份报告不能直接当战略结论，但它能让老板从“完全没材料”进入“可以开会讨论”。
更准确地说，Deep Research 接管的是从 0 到 60 分的调研底稿。
最后 40 分，仍然要交给懂行业、懂客户、懂财务的人。
04 AI 表格 / ChatBI：降低数据解释成本
很多中国企业真正的管理界面，不是 ERP，也不是 BI，而是表格。
表格的问题不是没有数据，而是数据经常停留在“记录”层面。
异常发生了，表格和现实的对齐也需要人工补充。
AI 表格和 ChatBI 解决的是数据解释成本。
这里的关键不是“AI 会生成表格”，而是AI 能把表格和具体业务的更新动态结合在一起。
一个可落地的例子：门店销售表找问题
一个连锁门店老板每周会收到几十家门店的销售表。表里有客流、成交、客单价、退货、库存和促销费用。
过去总部运营要逐行看，才能发现某家门店客流没降但成交率明显下降，
或者某个 SKU 在多个门店出现库存积压。
现在AI 表格更适合做第一轮筛查自动化
它可以按门店、品类、时间段找异常，再输出“需要人工关注的 5 个问题”：
某门店转化率连续三周低于均值，
某产品库存周转变慢，
某活动费用上涨但销售没有跟随增长。
……
毕竟老板要看的不是更漂亮的表格，而是数字背后的经营变化。
不过，这类能力很依赖数据质量。字段混乱、口径不统一、历史数据缺失，AI 只会更快地产生不稳定结论。
AI 表格不是魔法，它更像一个不知疲倦的初级分析员。
05 Agentic Workflow：降低流程跟进成本
很多企业流程不是没有设计，而是没人持续跟进。
客户进入线索池后，谁补充背景？
会议结束后，谁追待办？
订单异常后，谁提醒负责人？
项目延期后，谁同步相关人？
每周经营数据，谁定时整理？
过去这些事靠人盯。人一忙，流程就断。
AI agent的价值，是把 AI 放进流程节点里。飞书工作流文档显示，用户可以在飞书工作流中使用 AI Agent 节点，利用 AI 能力处理复杂业务场景；AI Agent 节点支持自选大模型、记忆能力，并可基于对话内容和具体指令执行任务。
飞书对多维表格工作流的介绍也很直接：它可以实现“当发生某种情况，就自动执行指定操作”的效果，并支持条件分支等更复杂的逻辑。
一个可落地的例子：线索进入表格后的自动跟进
很多 B2B 公司不是没有线索，而是跟进慢。一个客户填写表单后，信息进入飞书多维表格或 CRM。过去销售助理要手动查公司背景、判断客户行业、分配销售、写提醒。
Agentic Workflow 的做法是：
当新线索进入表格时，工作流自动触发 AI。
AI 先补充公司简介、行业、规模、可能需求，
再按规则分配给对应销售，并生成一段首轮跟进建议。
销售拿到的不是一条空线索，
而是一张已经预处理过的客户卡片。
这里降低的是流程跟进成本。不是让 AI 替销售成交，而是减少“信息进入系统以后没人处理”的空转。
但这里有一个前提：流程本身要先清楚。
如果原来的流程没有责任人、没有字段标准、没有分配规则，AI 只会把混乱自动化。
所以真正理解业务逻辑的人才就格外应该关注。
如果想进一步了解AI落地三件套，可以看我之前写的刘润年中大课笔记👉🏻
06 Enterprise Agent：降低组织协同成本
个人用 AI 和企业用 AI 是两回事。
个人用 AI，可以打开一个聊天窗口，问完就走。
企业用 AI，必须考虑数据、权限、流程、审计和责任。
这就是 Enterprise Agent 的意义。
钉钉“悟空”官网把自己定位为企业级 AI 工作平台，并直接写着“让 AI 从会回答进化到能交付”。它的产品说明强调，用户说出需求后，悟空可以调工具、用技能，把工作直接推进到结果。
腾讯云智能体开发平台也在做类似方向。其产品介绍称，它是面向企业的 AI 应用开发平台，业务团队或技术部门都可以基于大模型能力，搭建智能客服、知识助手、经营分析等智能体应用。
这些产品路线共同说明一件事：
企业 AI 不会长期停留在员工个人工具层面，而会进入企业协同系统。
一个可落地的例子：客服、销售和产品之间的知识同步
一家 SaaS 公司每天都会遇到客户咨询：
功能怎么用，套餐怎么选，
某个 bug 修好了没有，某个需求排期到哪了。
过去客服问产品，产品问研发，研发在群里解释一遍。
过几天，另一个客服又问一遍。
Enterprise Agent 的价值，是把这些信息接进企业协同系统。
客服群里问一句，Agent 可以从知识库、工单系统、产品更新记录里找到答案；如果没有给出答案，再自动生成工单或提醒负责人。这降低的是组织协同成本。
但它也是风险更高的一类场景。因为一旦接入企业系统，就涉及权限、数据安全、误操作和责任边界。更适合先进入低风险、高频、可追溯的协同环节。
07 Coding Agent：降低轻量开发成本
AI 编程不是只影响程序员。
它对老板的真正价值，是降低小型数字化需求的开发成本。可以看我之前写的那篇👉🏻
把任务委托给 Copilot 后，它在后台工作，完成后请求你 review。(GitHub Docs)
这说明 AI 编程已经从“补全代码”进一步走向“接任务、交修改”。
对企业来说，这个变化最先影响的不是核心系统，而是那些长期排不上优先级的小需求。
一个可落地的例子：运营部门要一个报名页
一个培训机构要做一场线下课，运营需要报名页、表单、名单导出和自动确认通知。
这个需求不复杂，但如果找技术排期，可能要等一周；找外包，又要反复沟通。
Coding Agent 更适合先做原型。
运营用自然语言描述页面结构、字段、提交逻辑和导出需求，
AI 先生成前端页面、基础接口或低代码配置。
技术人员再做安全检查、部署和必要修改。
这里降低的是轻量开发成本。
但这部分不能夸大。
复杂核心系统、生产环境代码、安全和架构，仍然需要专业工程师负责。
AI 编程最适合先进入内部工具、活动页、数据脚本、轻量原型这些低风险场景。
08 Multimodal Generation：降低营销测试成本
图片、视频、海报、落地页、短视频脚本，这些能力容易被写成“AI 会做图做视频”。
但从商业角度看，真正的变化是营销素材的测试成本下降。
TikTok 在 2024 年向广告主全球推出 Symphony Creative Studios。，这个平台面向广告主，包含文本转视频、编辑预览、remix、数字人和翻译等能力，目标是帮助企业、创作者和机构定制品牌内容。(路透社报道提到
TikTok Ads 官方页面也把 Symphony Creative Studio 描述为可以在几分钟内创建 TikTok 内容，并提供生成视频、remix 视频、数字人视频、脚本生成、翻译和配音等功能。(TikTok For Business)
这类产品背后的商业逻辑，不是替代创意总监，而是让日常营销更容易做多版本测试。
一个可落地的例子：一门课做 20 个封面版本
一个知识付费团队要推广一门 AI 课程。
过去设计师可能先做 2 到 3 张封面，投放后再慢慢改。
现在多模态生成可以围绕不同卖点批量生成版本：
效率提升版、老板决策版、普通员工入门版、案例实战版、工具清单版。
投放人员不再只凭主观判断说“哪张好看”，
而是把多版封面、小视频开头、落地页标题拿去小预算测试。
这里降低的是营销测试成本。同样的时间里，团队能测试更多素材方向。
但如果企业没有数据回收机制，只是生成一堆素材，也不会产生价值。
多模态生成必须和投放数据、渠道反馈、销售转化结合，才会从内容产能变成营销生产力。
09 Knowledge Agent：降低知识查找难度
很多企业不是没有知识，而是知识用不起来。
制度在文档里，合同在网盘里，
案例在个人电脑里，培训材料在群文件里，
客户资料在销售手里，历史方案在离职员工的文件夹里。
结果是，新人重复问，老人重复答，项目重复踩坑。
Knowledge Agent 解决的是知识查找成本。
腾讯云智能体开发平台的介绍中，应用场景包括“企业知识库问答助手”；
官方说明提到，它可以基于大模型提供专业化智能客服能力，
也可以做企业知识库问答助手，
帮助提升知识生产效率、问题覆盖率和回答准确率。
这类能力的核心，是把“si文档”变成“可问的知识”。
一个可落地的例子：新人入职不用到处问
一个 80 人公司，新员工入职后会反复问：
报销标准是什么，合同模板在哪里，客户案例怎么找，请假流程怎么走，产品介绍最新版是哪一个。
过去这些问题分散在群公告、网盘、飞书文档、WPS 文档和老员工经验里。
Knowledge Agent 可以先把制度、模板、案例、培训材料、FAQ 接入知识库。
新人不用知道文件在哪，只要问：“差旅报销标准是什么？”
“有没有某行业客户案例？”Agent 给出答案，并附上来源文档。
这类场景的价值不是 AI 更聪明，而是减少组织内部重复问答。
前提是知识源要清理。
旧制度、重复文件、错误资料、权限混乱，
都会让 Agent 给出错误答案。
企业做知识库 Agent，不是简单把文档丢进去，而是要先清理知识源。
好在今年再去建构这些东西的企业不知道要省事多少，去年前年这些事情很琐碎，
现在已经有很多大厂解决方案了，
市场上这样的人才也越来越多了。
10 No-code AI App Builder：降低业务数字化搭建成本
最后一个维度，是 No-code AI App Builder。
它和 AI 编程不完全一样。AI 编程更多面向开发者，No-code AI App Builder 面向业务人员。
飞书多维表格应用其实就是一个最简单的企业应用搭建，比如电商直播管理平台，从表格到应用就是快速转换，不需要太多学习成本。这类能力解决的是业务数字化搭建成本。
很多公司都有轻量业务系统需求：
客户跟进系统、招聘进度系统、库存登记系统、
项目管理系统、活动报名系统、售后工单系统、
线索分配系统、合同台账系统
……
这些东西不一定值得专门开发，
但如果没有，又会让业务靠微信群、Excel 和人工提醒硬撑。
没事可以研究下现在已经成型的多维表格应用模式、还有一些0代码应用搭建平台比如搭叩、妙搭……
一个可落地的例子：用多维表格搭一个招聘进度系统
一家快速扩张的小公司，一个月要看几十份简历。
过去 HR 用 Excel 记录候选人状态，再在群里提醒面试官。
流程稍微一多，就会出现漏约、重复沟通、反馈不及时。
用 AI + 多维表格 + 工作流，可以先搭一个轻量招聘系统：
候选人进入表格后，AI 提取简历要点，按岗位要求做初步匹配；
状态变成“待面试”后，系统提醒面试官；面试结束后，AI 汇总反馈并生成下一步建议。
这不一定能替代专业 HR 系统，但足够让一个小团队先跑起来。
No-code AI App Builder 的价值，
就是让业务人员不用等太久排期，先把一个能跑的轻量应用搭出来。
真正值得老板关注的，不是“10 个工具”，而是“10 类成本”
写到这里，标题里的“交付物”其实可以重新理解。
表面上看，AI 能做 PPT、文档、表格、图片、网页、视频。
但更深一层，它真正改变的是企业里的 10 类交付成本：
Computer Use 降低跨系统操作成本。
Office Agent / WPS 灵犀降低第一版文件成本。
Deep Research 降低调研启动成本。
AI 表格 / ChatBI 降低数据解释成本。
Agentic Workflow 降低流程跟进成本。
Enterprise Agent 降低组织协同成本。
Coding Agent 降低轻量开发成本。
Multimodal Generation 降低营销测试成本。
Knowledge Agent 降低知识查找成本。
No-code AI App Builder 降低业务数字化搭建成本。
这些变化叠加起来，AI 就不再只是一个“写作工具”。
它开始变成企业交付链条里的执行组件。
这也是为什么老板应该重新理解 AI，不要以为买几个 AI 账号，公司就完成了 AI 转型。
更该问的是：
公司里哪些工作是高频、重复、低判断、跨系统、最后还要形成文件或页面？
这些地方，才是 AI 最先值得落地的地方。
AI 落地不能只看模型能力
企业 AI 项目最常见的误判，是把“模型能力”当成“业务价值”。
Demo 里，AI 看起来什么都会。因为 Demo 不需要接权限，不需要接系统，不需要考虑责任，也不需要面对真实业务里的脏数据。
最终的长期价值，来自流程重构、明确 KPI、治理与培训，而不是单纯多买几个账号。
不是全面智能化，而是找一个低风险、高频、重复、可衡量的交付环节，把它先跑通。
比如每周经营周报、销售线索补全、客服标准问答、会议纪要和待办、竞品信息搜集、投放素材变体、内部知识问答、合同台账整理、项目延期提醒、小工具原型开发。
先用一个场景证明 AI 能降低成本，再逐步扩展到部门流程和企业系统。
这比一上来喊“AI 重构一切”更可靠。
最后
AI 正在从内容生成工具，变成企业交付链条里的执行组件。
对老板来说，判断 AI 价值的标准也应该变了。
不是问它写得像不像人，而是问它能不能降低某一类交付成本。
谁能先把这些成本找出来，
谁就更可能把 AI 从热闹的演示，
变成真正的经营能力。
ok，我是阿星，
更多AI应用，
我们下期再见！
