不知有多少人看过一部叫做《演播时刻》的英剧，据说，这部剧是融入了很多BBC公司当年的真实工作环境，从各角度展示了上世纪文字工作者的执着与坚持。

即使到了今天，与文字策划、与创作创意相关的工种，依然是大众心中一种令人神往的职业，尤其是电视剧中的办公室白领们干练地敲击着键盘输入文字，从大段大段文章中梳理提炼出核心观点，并总结形成Message House的时候，简直不要太帅。

只不过，在信息大爆炸的今天，人们从海量数据中筛选出有效内容的成本变得越来越高，而在任务不断加重的同时，预算往往不增反降。在这般情况下，通过科技之力提升工作销量，成为新职场人的指望。

当人工智能开始逐渐贡献生产力，越来越多厂商开始将用户需求拆解得更加精细，并给出相应的解决方案：诸如是否可以基于场景，人机对话；是否可以基于内容，一键生成“脑图”，是否可以基于智能工具，一个组织可抵“千军万马”。等等。

当然，这不仅仅是对智能时代的个人而言，对于AI重构的未来组织同样如此。GPT4也好、飞书也罢，AI服务覆盖全用户群体已是行业公认的一种“显学”。

而在刚刚举办的飞书“2023未来无限大会”上，人们还深刻地感受到这样一点，AI不仅仅是具体的技术能力和产品形态，更是一种对底层运转规则的重新思考，最后，把人类送到更加美妙的世界当中。

是的，“智能涌现”似乎也到了“价值涌现”的时刻。

一件不得不承认的事情是，从年初到现在，几乎所有的互联网厂商，左手提 AI 赋能，右手提降本增效，几乎成了标配。

无论是互联网厂商还是各行各业，用大模型“做点什么”，似乎也成了共识，于是一时间，各种形态的“AI应用”层出不穷，仿佛对于一个公司，一个组织，只要多了一个小助手这样一个功能模块，就算是拥抱了AI。

很多企业所处行业不同，组织结构不同，对于大模型的需求和使用场景自然也不同。仅仅引入通用大模型，而并没有沉淀企业自身的知识与信息，或许能发挥的价值也非常有限。

所以当很多企业开始拥抱AI，拥抱大模型的时候，往往没有考虑过，能否适合自己现在应用、组织的逻辑和生产方式，而让AI直接上马使用。

这样导致的结果，就是效率没有上去，但成本反而增加。这里说的成本也不止部署大模型和配套开发的硬性成本，还有对应员工的学习成本和使用成本。

当然，这也不是说很多企业、组织与大模型天生“八字不合”，而是他们想要拥抱AI，在让大模型实现组织智能化、未来化之前，中间还隔着一道数字化的鸿沟。

中间的因果关系，同样显而易见：用AI进行智能化改造的前提，是打通企业的协同平台，有大量数字化的企业知识和通用知识进行训练。有了数字化的组织做基础，才谈得上智能化。

飞书7作为一个拥有 AI 能力的、面向未来的 AI 框架，它能够帮助我们更有效地整合企业内那些孤立的、分散的系统，为企业搭建起一个更加完善和高效的框架，让企业实现AI Ready。”

从另一个角度看，互联网逐渐渗透实体经济的三十年，也是实体经济与数字化相向而行的三十年。而中间的桥梁，就是各类数字化软件。

但受限于技术水平和时代背景，彼时的产品往往只能在各自的领域里实现一部分功能。放到企业这一端，要实现数字化运转，就必须上马企业的各种系统软件。

这会导致什么问题？对企业而言，就是系统的维护成本变高，往往维持企业的系统运转需要为多个产品付出成本。放到打工人视角，就是完成一项工作需要学习使用各种的协同软件，如果软件的数量上去了，对应的就是学习成本的不断上升。

当组织越来越庞大，越来越需要智能化管理的时候，这些协同软件的学习与使用成本就会水涨船高，最后的结果就是用的人越来越少。

那对于产品公司而言，一项重要的工作，就是在系统复杂度和使用难度上，不断做减法，而在功能和易用性上不断做加法，以此达到最终的使用效果。

在大模型时代到来之后，AI的加入，无疑给了这类公司一个重构产品的机会。

如何重构自然也分为很多种，第一种是把AI作为提效工具，在产品中加入对应模块，基本的产品逻辑不去改变。这样的好处是成本不高，用户习惯不会发生根本改变，不用专门适应。坏处就是容易把产品变成四不像。

在飞书的眼中，AI重构产品，进而重构企业的业务流程，不应该浮于表面的各类工作场景，而是应该从更底层的业务逻辑和经营管理去实现系统的智能化变革，迎接即将到来的AI时代，从AI ready走向AI native。

那么如何做到？除了简单的工作总结、文档生成等个人提效功能，还应该对企业自己的知识库做到灵活管理。更进一步，业务系统的搭建、流程进展管理等一些更复杂的功能，现在也能通过AI去实现。

此外，一个伙伴对话框，同时贯穿于业务流程中的各个场景，并在使用者授权后同步记忆。这不仅要求智能伙伴跨越场景，去准确理解，甚至预判用户的使用意图，更要对当下的工作场景所需企业知识的深度沉淀。

这中间，必然会经历企业知识数字化的过程。到目前为止，即便是数字化最彻底的一些公司，业务系统也会有一定程度的割裂；再比如很多企业知识的存储，介质也没有完全的统一，有的是纸质文档、有的则是各类office文件等等。

但在这些知识逐步上传到飞书7实现数字化沉淀之后，原先零散而割裂的业务流程也会逐渐开始融合，各项业务的协同效率也会提升。这也是通过飞书智能伙伴共创未来组织之前的最后一步。

在这个过程中，飞书智能伙伴已经不再是一个简单的流程管理或者提效工具，它现在更像一位企业聘请的员工，作为个人专属的智能伙伴，但可以改成各种专属昵称，头像也能自由更换。

如果每个真人员工都有一位对应的智能伙伴，最直观的变化是，组织的效率将会比之前多出来接近一倍，甚至是几倍，这当然取决于员工对AI的应用效率。

飞书的智能伙伴更像人的一面在于，它不再根据具体的指令而出现，而是在不同的工作场景，譬如文档、IM、会议等处，随叫随到。而且会根据自己掌握的企业知识库，和此前“共同工作”形成的工作记忆，进行对应的功能实现。

更重要的是，这些流程并非真人员工主动唤起，而是伴随着工作流程而主动提供。也因此它已经脱离了生产力工具的范畴，而是直接作为生产力的一部分，帮助组织提高运转效率。

飞书智能伙伴的一大特点，是所有的需求都通过一个交互界面的对话来实现，并且智能伙伴贯穿在IM、文档、业务系统等不同的场景中。

这其中有一个重要的挑战是：不明确的场景和纯对话的交互过程，人的意图是模糊的，需要AI去理解和判断意图，并给出结果。这与过去在具体场景中通过具体操作表达意图，从而让AI被动实现完全不同。而这也正是飞书选择了Hard模式的重要原因。

可以想见，要完成如此复杂工作的飞书智能伙伴，光靠一个通用知识驱动的大模型，显然是不够的，因此它与独立的AI大模型和“AI+APP”，有两个显著的不同。

1.它以最新升级的飞书7作为底层架构。企业在日常工作中所积累的企业知识，譬如规章制度、运作流程、业务经验积累等“企业知识”，可以在飞书上完成积累，用作对飞书智能伙伴的训练。

这样做的好处在于，飞书智能伙伴不仅可以作为个人专属的智能伙伴提供生产力，而且依靠的是公司群策群力的智慧结晶，企业通过长期业务实践得来的积累，知识流转的效率将会更快；

2.作为每一个员工的专属智能伙伴，它会在日常工作中记住使用者主体的工作记忆并随时调取。这样就不需要主动去搜索企业知识库，只需要主动对小助手使用自然语言提出相关需求，就可以自然帮你完成。

需要指出的是，除了这些“开箱即用”的功能以外，企业大可通过【飞书智能伙伴创建平台】轻松创建专属于业务需求的智能伙伴。它们可能服务于诸如零售、制造、创新科技和广告营销等千行百业，但在帮助企业提升业务效率和决策效率方面，都提供了相同分量的价值。

相关负责人称，此外，“飞书智能伙伴”作为一个开放的 AI 服务框架，企业可根据业务场景自主选择适合的底层大模型。

举一个细分场景的例子。对于很多业务人员来说，如何报销一直是老大难问题，但在智能伙伴内置了企业报销插件之后，相关问题可以直接请教，就能获取智能伙伴基于企业知识库的专业答案。

抛开这些表层场景，飞书在平台层面的思考在于，如何避免在数字化的基础上重复造轮子。AI时代的企业工作平台，不仅需要AI辅助各类日常场景，在业务系统搭建、业务进展管理等业务管理场景，飞书在与合作企业的共创过程中，经历无数次打磨，已经无限接近AI ready。

关于这一点，元气森林近期也与飞书智能伙伴在巡店场景进行了共创实践与测试。众所周知，快消品的线下补货是一件极为繁琐的流程。中间包括但不限于微信输入商品名称和数量、确认网点和位置，再录入订单等一系列流程。

未来，通过飞书智能伙伴，巡店的补货员只需要通过一句话，就让飞书自己去理解并匹配对应的网点，并自动生成一个下单口令。原先可能一个小时的流程，被缩短到只要几分钟。

再比如，对于从事整合营销广告服务的追极传媒而言，客户调研是一线商务的必备功课，以往通过搜索引擎or 行业数据库，最快也需要半天的时间准备。

但同样的问题提问智能伙伴之后，最快只要5秒钟，就可以获取包括行业、人群、竞品等信息的分析结果，品牌认知与调性也能快速建立，由此离成交再近一步。

从智能伙伴提供答案的过程也能发现，要想它提供准确而专业的回答，自己的通用知识库显然是不够的，还需要企业自己把相关的知识，例如文档、流程、规章上传到飞书。只有这样，智能伙伴才能不断学习进步，更好地提供相关生产力。

在这个过程中，原先割裂的业务流程也会在飞书式的协同中不断改造梳理，实现数字化，并最终在AI的帮助下进行“智能飞升”。

正如飞书那句深入人心的“先进团队，先用飞书。”，其实飞书和先进团队也没有特别必然的联系，但当一个团队已经实现高度协同，并高度数字化、智能化的时候，其实已经与飞书想要帮助企业达到的形态，没有什么区别了。