AI 正在把表格，從一個記錄數據的工具，變成智能辦公的入口。

但一個更現實的問題隨之出現——當企業數字化進入深水區，面對數量龐大、變化頻繁的長尾業務場景，表格太輕、系統太重，協同效率始終難以提升。

在這一“能力斷層”上，金山辦公給出了自己的解法：用多維表格，補齊傳統表格與重型系統之間的空白。

4 月 22 日，在 WPS AI NEXT 武漢站，金山辦公發布新一代 WPS 多維表格，并首次披露其在高并發場景下的性能表現：在百萬行數據、千級并發連接的條件下，平均編輯響應低至 32 毫秒。

與此同時，其自研的表格AI 引擎 Qingqiu Agent 在 SpreadsheetBench 榜單中排名全球第二，僅次于 Gemini in Google Sheets，創下中國 AI 產品的最高成績。

從產品路徑到技術指標，這一系列動作指向同一個方向：讓多維表格成為AI 時代承接復雜業務的基礎設施。

讓AI真正理解業務

在一所高校里，老師需要在三天內完成2.4 萬名學生的信息自查。

過去，這類任務往往依賴Excel、微信群和人工統計：學生填寫、老師收集、再統一匯總。過程不僅耗時，而且容易出錯，一旦出現卡頓或數據沖突，整個流程就會被拖慢。

但這一次，他們直接用了一張WPS 多維表格。

學生同時在線填寫，數據實時寫入，老師可以隨時查看整體進度，系統自動完成統計與匯總。在數百人同時操作的情況下，響應依然穩定在幾十毫秒以內，填報完成后即刻生效。

從結果看，這只是一次順利的數據收集。

但如果把它拆開，會發現背后其實發生了一件更重要的變化：

原本依賴“表格 + 人工協同”的流程，開始被一套系統直接承接。

而這，正是過去二十年里表格始終沒有做到的事情。

表格幾乎無處不在，承載數據，卻始終停留在“工具”的位置，無法真正承載業務。當企業規模擴大、協同復雜度提升，這種工具屬性的上限也越來越明顯：要么變得混亂失控，要么被更重的系統替代。

AI 的出現，正在改變這件事。

如果說過去的軟件是圍繞功能模塊構建的，那么AI 帶來的變化，是讓軟件開始圍繞“任務本身”重新組織。而表格，恰好是最接近業務一線、最具可塑性的載體。

但問題在于，當AI 真正進入企業場景，原有表格體系并不能直接承接。門檻高、能力分散、結果不確定、協同效率不足，這些問題在 AI 時代被進一步放大。

在這樣的約束下，WPS 多維表格做了一件更底層的事情：

他們沒有在表格里“加入 AI”，而是試圖以AI原生的方式嵌入業務流程。

最先發生變化的，是入口。

過去使用表格，本質是一種“結構學習”。用戶需要理解字段、視圖、自動化這些概念，才能開始搭建系統。

舉一個制造業場景的例子，一個生產管理員的核心工作是，管理設備、巡檢狀態、出現問題后觸發采購。但如果用傳統方式，他需要先設計表結構、配置字段、再逐步搭建流程，才能把這套業務跑起來。

雖然這些概念本身并不復雜，但組合在一起，對用戶來說，就構成了一道隱性的使用門檻。

現在，WPS多維表格把這條路徑反過來了。

用戶只需要描述需求，比如“我要一個設備巡檢和采購系統”，系統就可以自動生成對應的表結構、字段配置，甚至連儀表盤一起搭建好。對用戶來說，他不需要理解“視圖”或“自動化”這些概念，就能直接看到一個已經可以運行的系統。

類似的變化也體現在流程層面。

過去，如果希望“設備狀態變化時自動通知”，用戶需要手動配置觸發條件、動作節點等一整套自動化邏輯。而現在，這些邏輯可以直接通過自然語言生成，系統自動完成節點編排和執行路徑的搭建。

本質上，是把原本隱藏在產品內部的“復雜能力”，轉化為用戶可以直接調用的“語言表達”。如果說以前是過人適應軟件，現在就是軟件理解人。

當入口問題被解決后，新的問題又出現了——如何把經驗沉淀下來。

在企業中，大量工作其實是重復的。同一崗位、同一流程，背后往往是一套穩定邏輯。過去，這些經驗依賴個人，難以復用。但現在，它們被抽象為插件和模板。

WPS多維表格的做法，是把這些共性能力沉淀為“字段插件”：平臺提供通用能力，把常見場景標準化，企業也可以封裝自己的規則，并在內部復用。

結果是，原本需要反復編寫的提示詞，被替換為一次配置、持續調用的能力模塊。AI 的輸出，也從“每次生成”，變成“按規則執行”。

當然，除了效率外，WPS多維表格還花了很大精力做了另一件事：保證輸出的確定性。

表格不同于內容生成，它直接對應業務結果，一旦出錯，代價是明確的。因此，僅靠模型能力，很難建立信任。

WPS多維表格的思路，是通過產品機制和技術路徑，把“不可控”變成“可驗證”。

一方面，通過機制約束AI，關鍵操作必須確認，高風險行為被限制，所有變更清晰可見，過程可追溯、可回滾。另一方面，在技術路徑上引入一層“確定性執行”，讓AI 生成腳本，再由腳本完成計算。

這相當于把問題拆成兩層：AI 負責理解和生成邏輯，系統負責執行結果。

相比直接輸出答案，這種方式讓計算過程變得透明可檢查。用戶不只是“相信 AI”，而是可以“驗證 AI”。在表格這種強結果場景中，這一點往往比準確率本身更重要。

無論是交互方式的變化，還是輸出準確性的優化，WPS 多維表格的目的都只有一個：讓多維表格從“記錄結果的工具”，真正變成能夠驅動業務運行的系統。

32毫秒，定義AI時代協同辦公新范式

當多維表格開始承載越來越多業務系統時，它的角色也在發生變化，從一個單一的表格產品，變成AI時代的“數據中樞”。

比如，WPS 多維表格通過 API、插件體系和連接能力，將內部數據與外部系統打通，讓不同系統、不同 Agent 可以圍繞同一套數據協同運轉。

不過，隨著越來越多數據在多維表格上流轉，隨之也帶來一個問題：多維表格的計算引擎，能否扛住AI 時代的數據洪峰。

這背后其實一個很容易被忽視的變化是，辦公協同的模式正在被AI 重寫。

過去，大多數協同是“人對人”的線性關系，數據以逐行錄入的方式緩慢增長；而在 Agent 參與之后，數據生產開始呈指數級放大。一次操作，可能觸發成千上萬條數據更新，這對底層計算能力提出了完全不同的要求。

傳統單機表格架構，在這種場景下很容易成為瓶頸。也正因此，作為Agent 時代的數據基座，多維表格的處理能力，成為決定性因素。

在這個問題上，WPS 的解法，是重構底層引擎。

一方面，從單機計算轉向分布式架構，讓不同用戶、不同任務在獨立節點并行處理，避免相互阻塞；另一方面，引入“按需計算”和“動態計算鏈”，只計算真正受影響的數據，減少無效重算。

最終實現的結果是，在百萬行數據、千級并發的條件下，仍然可以將響應控制在32 毫秒。

這種能力，在具體場景中會被放大。

WPS 多維表格研發負責人毛銳提到一個典型案例：一所高校需要在三天內完成 2.4 萬名學生的信息自查。

這本質上是一個高并發寫入場景。過去在傳統表格或單機架構下，這類任務往往伴隨著卡頓、沖突甚至數據丟失，是典型的“高風險操作”。

而在新的引擎架構下，即使在數百人同時在線編輯的情況下，系統依然可以將響應穩定控制在約30 毫秒。

但性能的意義，并不只是更快。

在類似的高并發寫入場景中，系統可以保持穩定響應，讓數據錄入變成一個確定過程；在高并發讀取場景中，比如實時路況、動態分發，信息可以即時更新、同步反饋。

換句話說，這32 毫秒帶來的，不只是速度，而是實時性與確定性。

也正是在這樣的基礎上，AI 才有可能真正進入業務數據流轉之中，而不只是停留在外圍輔助。

進一步看，這種能力已經開始在不同行業中得到驗證。

從客戶結構來看，WPS 多維表格已經覆蓋金融、能源、制造、政務、醫療等多個行業，包括銀行、航空公司、央企、大型民企以及醫療機構等復雜組織。

這類客戶的共性在于，業務鏈條長、數據分散、協同成本高，對系統穩定性與靈活性的要求遠高于普通辦公場景。

在具體使用中，多維表格切入的，往往是那些高頻但長期未被系統化的核心流程。

比如在政務監管場景中，牡丹江國資委借助其數據鏈接能力，將原本需要三天完成的數據匯總壓縮至2小時，把分散、滯后的人工統計，轉變為可實時更新的動態監管模式，在人事審查、合規審計、考勤監測等環節實現更高效的穿透式管理。

類似的變化也出現在醫療和制造業中。無論是醫院排班，還是生產進度管理，本質上都是高頻、結構復雜、依賴多人協同的業務流程。

以呼和浩特第一人民醫院為例，其將多維表格與智能表單結合，用于值班排班與信息協同，替代傳統紙質臺賬與人工統計方式，在排班效率提升60%的同時，也顯著降低了溝通與重復操作成本。

在這些場景中，多維表格通過視圖、權限與自動化能力的組合，把原本依賴人工協調的流程，轉化為可視化、可追蹤、可持續運行的系統過程。

從這些案例可以看到，多維表格切入的，并不是“替代某一個系統”，而是覆蓋那些過去難以系統化、卻又高度關鍵的業務環節。

也正是在這些高頻、復雜且長期存在的場景中，多維表格逐漸驗證了一件事：

多維表格不只是一個工具，而是一種更輕量、更靈活的業務協同方式。

總結

在企業數字化進程中，真正難以被覆蓋的，從來不是核心系統，而是數量龐大、分散且不斷變化的長尾業務場景。

這些場景既復雜，又難以標準化：用表格太弱，用系統太重，長期處在效率與成本之間的夾縫地帶。

WPS 多維表格給出的解法，是在兩者之間找到一個平衡點。

可以理解為，它找到了傳統表格與重型系統之間的最大公約數。

既保留表格的靈活與低門檻，又通過AI、計算引擎與連接能力，補齊結構化與協同效率的短板，從而承接那些原本難以被系統化的業務。

從這個角度看，多維表格并不是在替代某一類產品，而是在填補一個長期存在的空白——用更輕量的方式，承載最復雜的業務。

而這，也正在成為金山辦公在AI 時代持續加碼的核心戰略方向。

文/阿奇

PS：如果你也在尋找投資AI資產的機會，歡迎掃碼加入我們的交流群。