AI办公大战，最可能的赢家会是谁？

AI办公争夺的是职场上下文，不是更大的对话框

职场第一现场不在软件里，四大厂AI办公开战。软件掌握组织权限，硬件补齐现实上下文，赢家要把两者接成一条链。

会议散场后，桌面上只剩录音、白板照片和几句口头承诺；真正决定下一步的，往往是客户停顿两秒后的语气，和销售走出门后的判断。

接下来，有人要把录音整理成纪要，有人要把结论写进项目文档，有人要追踪客户承诺，有人要把待办发给同事，还有人要判断：刚才那句“回头再看”，到底是礼貌性的结束，还是一个可能丢掉的订单。

这些事情分别散落在会议、聊天、文档、表格、邮件、审批和客户系统里。更麻烦的是，很多决定根本没有进入任何系统：客户在会议室里停顿了两秒，销售走出门后的判断，白板上被擦掉的方案，电话里没有留下记录的承诺。

所以，AI办公真正争夺的，不是一个更大的对话框，而是职场上下文。

软件能让智能体（Agent）读取、调用和修改组织系统；但只靠软件，Agent 看到的只是已经被员工输入、上传或同步过的工作。要拿到更完整的上下文，办公系统必须向现实世界伸出触角——录音卡、耳机、眼镜、会议室设备，以及更多第三方终端，都会成为这条链路的一部分。

目前腾讯、字节、阿里和百度都加入了AI办公战，这也是现在变得有意思的地方：它们表面上在比谁的Agent更会干活，底层却在比谁能同时拿到“组织里的数据”和“组织外发生的事情”。

软件的边界：它只看得见被录入的工作

过去的办公软件，解决的是记录、协作和流程问题。它们把工作拆成文档、表格、消息、会议、任务和审批，再把这些东西放进不同的系统里。

这套体系依然有价值，因为它保留了组织身份、权限、历史文档、项目状态和审批关系。AI原生办公不会把它们全部推倒重来，而是把办公软件从“人直接操作的界面”，降成Agent可以读取、调用、执行和回写的组织操作系统。

但这里有一个容易被忽略的缺口：软件擅长记录已经被组织承认的工作，却不擅长捕捉尚未进入系统的工作。

员工不会把每次客户沟通、每个临时判断、每句口头承诺都录入客户关系管理系统（CRM）；也没有人愿意在会议结束后，再花半小时把所有上下文补齐。最后进入系统的，往往已经是被筛选、压缩、改写过的信息。

最危险的，不是会议没有录下来，而是纪要看起来很完整，关键上下文却被删掉了。系统知道客户说了什么，却不知道他为什么迟疑；知道销售答应了什么，却不知道这句承诺是不是越过了公司边界。

对人来说，这叫工作习惯；对Agent来说，这叫数据缺失。

这也是为什么“办公软件全家桶”很重要，却还不够。全家桶提供了组织记忆、身份和权限，但它不能自动获得发生在系统外的声音、画面、位置、语气和人与人的互动。

真正完整的办公AI，至少要穿过五层：

• 采集：文件、即时通信（IM）、邮件、会议，以及耳机、录音卡、眼镜和会议室设备收集到的现实信号。
• 记忆：文档、历史决策、会议纪要、项目状态和人员关系能够被检索、引用与更新。
• 业务语义：系统知道客户、合同、预算、岗位职责和审批规则，而不只是做全文搜索。
• 执行权限：Agent可以在授权范围内发消息、改表格、建任务、提审批、调用业务系统，并留下记录。
• 结果回流：行动产生结果，结果再次沉淀为组织记忆，成为下一次判断的依据。

硬件补的，正是第一层，也是我认为最重要的一层。

硬件不是配件，而是组织记忆的前置采集层

把硬件放进办公生态，不是因为录音设备突然变得性感了，而是因为软件入口天然有摩擦。

你要掏出手机，打开App，点击录音，再保证手机没有来电、没有被系统清理，也没有因为距离声源太远而录成一团噪音。问题是，每多一步动作，信息在这个过程中就衰减一步。

专用硬件降低了这层摩擦：耳机戴在耳边，录音卡夹在衣领上，会议设备放在桌面中央，眼镜直接处在人的第一视角。它们让采集从“员工主动输入”变成“工作过程中顺手发生”。

这会带来四种先发优势：

• 感知先发：先拿到系统外的声音、画面、位置和互动数据。
• 习惯先发：设备进入耳机、会议室或工作台之后，采集不再依赖员工主动打开软件。
• 反馈先发：续航、降噪、唤醒、误触、佩戴和隐私设置，会持续告诉产品团队真实场景到底哪里不对。
• 部署先发：企业硬件有采购、管理员、资产、权限和运维链路，能从个人工具走向团队基础设施。

但“有硬件”不等于有壁垒。

硬件采到的内容，如果不能归属到正确的人和组织，不能在合规边界内被调用，不能自动进入文档、任务、客户系统或审批流程，它就只是一台更贵的录音设备。

本地素材里有一句判断很准确：记忆硬件最大的难点，不是把所有东西记录下来，而是判断哪些内容值得进入记忆。全天候记录如果没有噪声过滤、身份识别和重要性判断，最后只会产生更多需要整理的数据。

这也是AI硬件和传统智能硬件的分水岭。硬件负责听见、看见和记住；软件负责理解、授权和行动。两边缺一不可。

四家公司，正在走四条不同的硬件路线

腾讯：WorkBuddy增长很快，但硬件和工作台连续性仍是短板

腾讯最强的地方，是把软件动作做成工作台：WorkBuddy让用户用自然语言描述目标，Agent自己拆任务、调用工具、处理文件并交付结果。腾讯官方还把WorkBuddy Enterprise、腾讯文档、腾讯乐享、腾讯会议等放进同一套生产力Agent工具包里。

这条增长曲线不能被忽略。QuestMobile 2026年AI应用市场半年报显示，腾讯WorkBuddy近三个月活跃用户规模增长115.3%。这说明腾讯并不是只在发布会里讲Agent，它已经在执行层拿到了一批真实用户。

但增长率不是企业控制力。WorkBuddy能不能把新增用户变成企业席位、跨部门扩散和持续付费，仍然取决于它与企业微信、腾讯会议、腾讯文档和企业知识权限之间的连续性。

WorkBuddy的增长说明腾讯可能先抢到Agent执行层，但这还不等于它已经拥有完整的职场上下文。

但腾讯的硬件传统，与阿里、字节和百度并不一样。腾讯核心基因是不碰硬件的，其更习惯通过腾讯会议认证、腾讯天籁和合作伙伴，把音视频算法、参考设计和软件能力接入第三方硬件。会议室、耳麦、摄像头和个人通信设备由生态伙伴制造，腾讯负责标准、算法和平台连接。

腾讯也不能被简单写成“没有办公全家桶”。企业微信、腾讯会议和腾讯文档已经做过融合，腾讯会议还支持企业通讯录、CRM和会议室系统对接。问题在于，这种融合更像多个成熟产品之间的连接；与飞书从聊天、邮箱、日历、会议、文档到审批的连续工作台相比，腾讯仍需要证明Agent能否跨产品保持同一套身份、记忆和执行上下文。

这个模式的优点是轻：腾讯不需要承担所有库存、供应链和售后，也能快速覆盖更多设备；它的缺点也很明显：设备怎么卖、固件怎么迭代、原始感知数据怎样产生，未必完全掌握在腾讯手里。

WorkBuddy与李未可X-AI记忆眼镜的合作，是腾讯开始补这块短板的信号。它说明腾讯已经意识到，纯软件工作台可能拿不到足够多的现实上下文。

腾讯的问题不是“要不要自己造一副眼镜”，而是更具体的问题：合作硬件采集到的数据，能不能稳定进入WorkBuddy的身份、权限、记忆和执行链？

如果硬件只是替别人采集数据，腾讯依然是一个优秀的软件平台；如果合作硬件能把用户关系、采集入口和任务结果都带回WorkBuddy，腾讯才有机会把“合作式硬件”变成自己的上下文网络。

阿里：千问把模型、终端与钉钉重新接上

阿里的硬件传统，早就不只是一份产品清单。

天猫精灵从2017年的X1开始，沿着智能音箱、语音交互、物联网（IoT）连接、芯片合作和设备生态走了多年。这个传统未必直接等于办公硬件能力，却给了阿里设备连接、消费电子供应链和渠道运营的经验。

钉钉A1则把硬件从家庭场景拉进了职场。它把录音、说话人识别、会议纪要、待办和AI表格连在一起，硬件采集到的内容有机会直接进入组织流程。

但今天再看阿里，不能只看钉钉A1。阿里已经把千问App、千问AI眼镜和AI耳机放进同一条产品叙事里：千问App连接阿里生态和第三方服务，千问AI眼镜由阿里自研软硬件，WAIC 2026又发布了首款千问耳机Qwen Clip，并升级支持第三方Skill和Agent的“智能体眼镜”。这些是阿里官方披露的产品方向，不能直接等同于企业部署，但它们确实让阿里同时拥有了模型入口、消费级用户入口和现实世界感知入口。

更关键的是，钉钉没有把“硬件能力”理解成所有产品都必须自己做。2026年3月，钉钉发布DingTalk A1 Pro，同时公布与Cleer联名的AI耳机H1。钉钉官方称，H1支持通话录音、同声听译、AI翻译总结，还可以调用钉钉AI助理处理工作任务。

这说明钉钉的硬件路线有两条：A1是自己掌握产品定义和办公流程，Cleer H1则借用第三方的音频工程与硬件能力。只要钉钉控制接入标准、企业身份和工作流，耳机是不是钉钉自己生产的，就不是最关键的问题。

阿里的先发优势正在这里：它同时拥有企业组织入口、设备连接传统、自有办公硬件、千问模型和第三方硬件合作。钉钉可以把硬件部署进会议室和员工耳边，千问眼镜、耳机则把入口扩展到通勤、客户现场和第一视角，再把采集内容交给Agent、表格、文档和审批系统处理。

如果只看“硬件—企业控制”的完整度，阿里暂时是四家公司里最完整的；如果看AI用户入口和办公Agent的增长弹性，字节与阿里已经进入同一梯队。

当然，设备能卖出去不等于组织会持续使用。A1、H1、千问眼镜和Qwen Clip的企业部署量、30天留存、订阅转化、跨部门扩散和任务完成率，目前都没有形成公开可比数据。阿里拥有的是更完整的起跑位置，不是已经被验证的终点。

字节：飞书、豆包与第三方硬件正在形成增长飞轮

字节真正值得观察的，不是自己做了多少硬件，而是这些硬件能否成为飞书的现实入口。它的硬件积累主要分布在Pico、大力智能、Ola Friend和各种新型终端上：Pico带来虚拟现实（VR）、空间视觉和环境理解，大力智能积累教育硬件和家庭场景，Ola Friend则把语音助手、耳机和手机任务连接起来。

当然目前看字节自己做的硬件还谈不上多成功，所以字节真正有意思的地方，不是“自己做了多少硬件”，而是飞书正在把第三方硬件和第三方业务能力一起接进来。

QuestMobile 2026年6月数据显示，豆包活跃用户规模达到3.82亿，高于千问的1.67亿和DeepSeek的1.29亿。这个数字不能直接替代企业付费，但意味着字节拥有更大的AI用户入口、模型反馈池和产品教育面。

飞书与安克创新联合推出AI录音豆，也是一个很清楚的例子：安克负责硬件设计和制造，飞书提供AI录音、转写、纪要和知识沉淀。录音豆可以脱离手机工作，之后把内容同步回飞书，形成从现实采集到企业知识的链路。

这不是简单的联名产品。安克提供的是硬件工程、供应链、渠道和佩戴体验；飞书提供的是组织身份、软件能力、知识库和工作流。双方把各自最强的部分拼到了一起。

飞书还在扩大第三方软件和服务的进入。官方开放平台提供商店应用、独立软件服务商和应用中心机制；飞书AI生态里已经出现合同审查、费控、人事招聘等专业服务。开放平台则提供大量接口，让第三方应用接入消息、通讯录、文档、表格、审批、日历和企业既有系统。

所以，字节的硬件先发优势不能只看Pico或Ola Friend的销量，也不能只看它有没有下一款自研耳机。更值得观察的是：飞书能不能成为第三方硬件和第三方业务系统的汇聚层。

安克录音豆负责把现实世界带进来，第三方应用负责把语音和事件翻译成行业语义，飞书再用身份、权限和Agent接口把它们组织起来。这样形成的，不是一件硬件，而是一张持续扩大的上下文网络。

相信后面飞书整合进来后，字节的动作会加快，所以说字节的上行弹性很大，但它也有一个问题：感知能力和用户规模不难展示，企业执行才难。飞书需要证明，录音豆采集到的内容不只是生成纪要，还能推动销售跟进、项目推进、客户服务和组织决策；豆包的C端活跃，也要转化成飞书企业席位、跨部门扩散和持续付费。

百度：最懂“看见现场”，但还缺一个高频职场入口

百度的职场入口，往往不在办公桌上，而在工厂、园区和服务现场。它长期有小度音箱、智能屏、机器人、AI眼镜，以及度目摄像头、门禁、视频分析盒和语音工牌等软硬一体方案。

这让百度的硬件优势更偏向物理现场：工厂、园区、门禁、零售、服务机器人和行业设备。它可以通过视觉、语音、边缘计算和端云协同，获得办公软件天然看不到的信息。

百度的机会是把这些信息交给云、模型和Agent处理，再变成巡检、质检、客服、现场协作或设备维护任务。它不一定要从白领的会议纪要切入，也可以从“现场发生了什么”切入。

问题在于，百度的组织入口没有钉钉、飞书和企业微信那么强。它可以看见现场，却不一定知道这件事属于哪个项目、谁有权限处理、何时完成、谁来验收。

百度更像上下文基础设施和行业Agent的后端。硬件是它的优势，但办公系统和组织结果回流，仍然是它必须补上的一段。从这个视角看，百度赢面是最小的一个。

这场竞争的关键，不是自研还是合作

到这里，四家公司其实都在回答同一个问题：AI办公的硬件，到底应该自己做，还是交给第三方？

答案不是二选一。

自研硬件的好处是控制产品定义、数据入口、设备体验和迭代节奏；合作硬件的好处是借用成熟的声学、工业设计、供应链和渠道能力。真正重要的是，设备接入之后，谁能控制四件事：

• 设备采集到的数据属于谁、如何保存、如何删除。
• 这条数据对应哪个人、哪个组织、哪个客户和哪个项目。
• Agent能在什么权限范围内读取、判断和执行。
• 执行结果能不能回写到原来的业务系统，产生下一次价值。

这也是为什么“硬件先发优势”不能简单理解为“谁家设备更多”。

腾讯的路线是WorkBuddy执行层加合作硬件；阿里的路线是千问模型、AI终端加钉钉企业控制平面；字节的路线是豆包用户入口、飞书全家桶、自研感知能力加第三方硬件和第三方软件；百度的路线是端边云和行业现场。

四家公司都能拿到某一部分上下文，真正稀缺的是把上下文变成组织结果的能力。

谁更有机会：把软件和硬件放在一起看

现在不是四家公司简单排队，而是三条路线同时领先：

如果把硬件入口、设备部署、AI用户规模和Agent增长纳入判断，结论需要改写：

• 字节的综合赢面稍大。飞书覆盖聊天、邮箱、日历、会议、文档、审批和第三方应用，豆包提供更大的AI用户入口，安克录音豆等合作硬件补现实采集。它最像一张正在扩张的上下文网络，但还要把C端规模转成企业执行和持续付费。
• 阿里是硬件—企业控制最完整的选手。千问把模型、App、眼镜、耳机和第三方服务接起来，钉钉提供组织身份、审批和企业流程。它的短板不再是有没有终端，而是这些终端能否真正进入职场工作流，而不是停留在消费级体验。
• 腾讯是最危险的追赶者。WorkBuddy近三个月活跃用户增长115.3%，说明它可能先抢到Agent执行层；但企业微信、腾讯会议、腾讯文档之间的连续性，以及合作硬件的数据和用户关系控制权，仍然决定它能不能从工具增长走向组织壁垒。
• 百度的行业现场能力最清晰。它适合从物理空间和端边云切入，但需要补高频职场入口和结果回流。

这不是对四家公司最终胜负的预测。企业付费、续费、跨部门扩散、真实任务完成率、硬件30天留存和隐私接受度，目前都没有统一口径。

所以，阶段性判断应该分成三层：看职场上下文网络，字节略占先；看软硬件全栈完整度，阿里略占先；看近期Agent执行增长，腾讯不能被排除。未来投资者不能只数功能，创业者也不能只做一个更漂亮的对话框。

给投资者和创业者的六个问题

投资者可以盯六个指标：

• 上下文密度：每天有多少真实工作事件进入系统，而不是多少人打开过产品。
• 有效采集率：硬件采集的内容中，有多少是有效工作上下文，而不是误触、冗余录音和隐私噪音。
• 设备—软件联动率：一条硬件采集的上下文，有多少能自动进入正确的人、群、文档、任务、审批或业务系统。
• 可执行权限：Agent能不能在合规边界内改变系统状态，而不只是生成答案。
• 结果回流率：任务、审批、客户跟进和文档更新，有多少最终完成并写回系统。
• 第二次付费：企业是否因为时间节省、错误减少或收入提升而续费、扩席或扩部门。

创业者则不必一开始就复制大厂全家桶。

更有机会的切口，可能是一个具体行业的上下文缺口：客户承诺没有回流客户关系管理系统（CRM），一线员工的语音信息无法变成可追责任务，现场变化不能进入项目系统，或者组织里的隐性判断无法被新员工复用。

硬件公司可以找办公平台合作，软件公司可以找耳机、眼镜和录音设备合作。不要把“自研”当作唯一的壁垒，也不要把“接入”当作已经完成商业化。真正要验证的是：设备是否被长期佩戴，信息是否被准确理解，任务是否被执行，客户是否愿意继续付费。

最大的反证：跨平台Agent会不会绕开所有套件

这套判断也有一个最强反证。

如果未来的跨平台Agent能在用户授权和企业审计下，稳定操作任意桌面、浏览器和业务系统，那么用户不必把全部工作迁移到钉钉、飞书或WorkBuddy。硬件也可能只是一个短期入口，办公套件也可能只是可替换的工具集合。

这个反证不能靠“我们有更多数据”来回答。

大厂需要证明的是：自有或合作硬件能更早获得现实上下文，组织系统能更细地管理权限，Agent能更稳定地完成动作，结果还能自动回流。只有这条链带来更少的返工、更少的核验和更可预测的业务结果，套件与硬件的结合才是壁垒。

否则，所谓上下文所有权，只是把更多录音和截图堆进云端。

写在最后：最终拼的不是谁更会聊天

AI原生办公不会先从一张全新的办公桌开始。

它更可能从一副耳机、一个录音豆、一个会议音箱、一副眼镜和一条第三方工作流开始，把那些原本消失在系统外的声音、画面和判断，慢慢送回组织记忆。

软件决定Agent能不能理解组织，硬件决定它能不能接触真实世界；自研决定控制深度，合作决定扩张速度。

四大厂真正要争的，不是谁的产品清单更长，而是谁能让员工少解释一次、少录入一次、少返工一次。

下次再看一家公司的Agent发布，不妨先问一句：它是在替你整理已经发生的工作，还是能把你没来得及输入系统的那部分也接住？

能做到这一点的公司，才有机会从办公软件供应商，变成职场上下文的基础设施。AI办公大战刚开始，好戏在后头。