下班了，老板心血來潮在群里問了一句「剛剛我看了下數據，怎么最近一個月成交率掉了？」

負責這個項目的你，立馬拿起手機，找到項目相關的文件，各種客戶關系表、銷售數據表等等發給 AI，「老板在問我，我該怎么回答，幫我整理一下。」

AI 哼哧哼哧地跑完，生成了一大段文字，你再復制過去發到工作群，心里想著，「老板就不能自己去問問 AI 嗎？」

為什么有了 AI ，個人可以提效，但你的公司和團隊似乎沒有怎么提效，甚至還更累了，關鍵在于，大家用的根本不是一個 AI ，只停留在個人的工作流里。

現在還真有了一個能讓打工人逃離這種被 @ 支配之恐懼的方法。飛書最近發布了多維表格智能體，老板可以直接在群里詢問智能體，AI 會自己去查銷售表、客戶跟進記錄、項目數據，分析原因，再把結果直接回復到群里。

整個過程中，沒有人需要再當 AI 和業務之間的「搬運工」。多維表格智能體給了老板們想要的答案，老板們也獲得了通過 @ 別人為他們服務的情緒價值。

AI 從一個人的臨時幫手，變成了團隊業務現場里的 AI 同事。

和我們自己在電腦上使用的個人 Agent 不同，多維表格智能體是給整個團隊使用的 Agent。

前者服務的是某一個人，回答的是一次問題；后者面對的是整個團隊，每天都能接觸真實業務數據，理解組織里的權限關系，還能隨著業務變化主動推進工作。

▲ 在部門的群聊內，我們可以直接讓多維表格智能體操作表格

它做的事情，比給表格加一個聊天框更進一步。

我們不用再專門打開不同的業務表格，直接在飛書群里問它，它自己就去查；在評論區或者表格側邊欄追一句，它會把前因后果捋清楚；把客戶紀要丟給它，它也能自動整理成表里的記錄，追加上去；智能體還會自我進化，把團隊里的好經驗，沉淀成可復用技能。

不用打開數據表，一句話就能把工作交給 AI

對于大多數辦公人來說，每天都離不開各種各樣的表：銷售維護客戶表，運營維護活動表，產品維護需求表，項目經理維護排期表，財務維護預算表……

真正麻煩的，除了要記住各種 Excel 的使用技巧、公式和篩選規則、透視表等內容，還有每次遇到一個問題，都要自己打開這個表格去翻。

老板問一句數據，要在幾張表里篩選；客戶發來新的需求，要補一條記錄；開完會，還得把會議紀要拆成任務，一個個錄進去。

這些工作在某種程度上并沒有太高的技術含量，卻占據了大量時間。過去的 AI 辦公工具在這方面也下了很多功夫，大多數是在表格旁邊加個 AI 側邊欄，我們可以和它對話，但這個 AI 只屬于我們自己。

要不然就是脫離了原有的辦公生態，協作平臺在 A，但是溝通平臺在 B，效率工具又在 C。

過去那些傳統的流程，基本上都可以被概括為是「一個被表格控制的人」：

先打開表格 -> 找到對應的視圖 -> 設定篩選條件 -> 定位到某行某列的字段 -> 手動修改或錄入 -> 如果發現異常， 咨詢 AI 意見，然后復制鏈接丟進工作群里 @ 相關負責人。

而飛書多維表格智能體首先要改變的，就是這套人與表格之間的交互方式。

在某個大型活動的飛書群里，或者在與智能體的單聊會話中，我們只需要輸入這樣一句大白話，Agent 就會立刻行動。

@銷售助理，我負責的客戶里，哪些已經超過 7 天沒有有效跟進了？ @銷售助理，把剛剛開會的這段紀要，整理進跟進表，順便拆出下一步的協同任務。

不用打開表格，也不用再自己尋找對應字段。AI 會自動理解你的需求，到后臺查詢相關業務表，把涉及的客戶信息、跟進記錄、商機數據關聯起來，再返回最終結果。

如果需要，它還會直接把新的跟進記錄寫回表格，同時創建后續協同任務。

不僅如此，它還能讀取表格中的合同 PDF、工單圖片等附件內容，把這些非結構化資料一起納入分析。

一個智能體的知識庫最多能接上 100 個多維表格和云文檔，本地的 PDF、Word、圖片也能加入知識庫，讓它同時看得懂結構化數據和制度、SOP、產品資料。

而除了能實現多來源的知識庫融合外，得益于飛書多維表格本身強大的底層大數據架構，多維表格智能體還能夠支撐真實超大數據規模下的穩定執行。

即便是百萬行級別的超大規模業務表，它的增刪查改和可信問答依然能保持高水平在線。

飛書多維表格 AI 最近還在三個全球的真實業務數據分析榜單中拿下第一，分別覆蓋復雜表格問答、跨源業務數據分析和真實電子表格操作三個領域。

這也正好對應表格 Agent 最基礎也最重要的能力：讀懂復雜業務數據，做出可靠分析，再把結果執行回表格里。

一個 AI，整個團隊都能放心用

同一個群聊，同一句提問，同一個智能體，現在能給出截然不同的答復。

對于個人 AI 助手，我們讓它整理一段會議內容、潤色一封郵件，這些操作都很順手，它解決的是「我」怎么快一點。

團隊工作麻煩得多，同一個客戶，普通銷售只能看自己的跟進，主管要看整體風險。一個項目任務，負責人能改狀態，其他人可能只能看進度。一個工單要不要升級，也要看客戶影響和處理規則。

因此，到了這個層面，AI 光會回答問題還不夠。

AI 必須要知道誰在問，能看什么，能改什么，最后要把結果放回哪里。

多維表格智能體最本質的不同在于，同一個 Agent 可以被全團隊共享，但每個人看到的結果嚴格繼承其在飛書多維表格里的高級權限邊界。

例如銷售經理在群里 @智能體，「上周整體的客戶跟進情況怎么樣？」智能體完成多表聯動查詢，按權限過濾后，給出全盤深度摘要。

▲ 圖中左邊為銷售經理詢問智能體得到的的回復，右邊是普通銷售提問得到的回復

但普通銷售在群里問一模一樣的話，智能體會識別提問人的身份，確定他所擁有的文件權限范圍，并提示其「如需查看更多數據詳情，需要先獲取對應的權限。」

對我們來說，整個過程幾乎是無感的，不需要額外的提示詞控制，也不用復雜的權限配置，在飛書多維表格內部，本來就有字段權限、記錄權限、視圖、協作者、變更歷史和運行日志等，這些都會自然延續到 AI 身上。

除了權限，對于應用在職場上的 AI，還有另一個企業更關心的問題：AI 到底做了什么？

過去，同事修改了一條記錄、刪除了一項數據，企業還能通過操作記錄找到是誰改的；如果這些動作開始由 AI 完成，同樣需要一套能夠追蹤整個執行過程的機制。

因此，多維表格智能體也保留了完整的運行日志。一次任務是誰發起的、AI 調用了哪些能力、執行了哪些操作、最終是否成功完成，都能夠在日志中查看。

當 AI 開始真正參與業務以后，企業需要的不只是一個回答問題的模型，更是一位能夠遵守組織規則、所有操作都有跡可循的 AI 同事。

不用@它，數據一變它自己就上班

當智能體可以像 AI 同事一樣融入團隊后，另一個常見的問題是：「很多工作，根本沒人意識到可以去問 AI。」

項目延期了、工單超時了、客戶遲遲沒有跟進……這些變化每天都在發生。如果等到有人發現問題，再打開表格排查原因、整理信息、通知相關負責人，往往已經過去了一段時間。

相比回答問題，一個 AI 同事更重要的能力，是能夠主動關注業務變化。

多維表格智能體帶來的變化就是從「被動響應」到「主動推進」，業務狀態一改變，AI 就會自動處理這些變動。

▲ 多維表格智能體能配置不同的觸發方式

例如，在傳統的項目管理中，交付延期的真正原因往往散落在密密麻麻的表格歷史評論區，或者臨時的溝通群里，極其零碎。

現在，智能體開始住在多維表格的數據內部，變成了 7*24 小時緊盯業務變化的賽博秘書。

一旦多維表格內部某個核心交付任務的狀態被相關人員修改為「已阻塞」，或者任務截止時間逾期，智能體瞬間啟動。

它會立刻閱讀該記錄下評論區的所有歷史協作討論和修改軌跡，找到相關信息，然后自動在項目協同群里播報風險并 @ 負責人及時推進。

工單場景也一樣，某個高優先級客戶的工單長時間沒有更新，智能體可以主動在群里提示風險，附上當前處理進度和缺失信息。負責人不用等到早會才發現問題，團隊也不用靠人工反復巡表。

對于團隊而言，數據自身的變化變成了 AI 啟動并推進業務的標準信號，人與 AI 的協作，也從「有問題再找它」，變成了「它和團隊一起盯著業務」。

而多維表格也從一個「存業務數據的地方」，變成了「推動業務動作的地方」。

會自我進化的 AI 同事

在體驗過程中，我們發現了另一個非常值得一提的功能是自我進化。作為一個會學習的智能體，它能讓我們輕松地把個人經驗標準化，變成可更新的數字資產。

▲ 多維表格智能體內有記憶和添加 Skill 的功能

舉個很普通的例子，過去，員工在提交報銷材料時，可能因為超標、發票異常、口徑不符被財務反復退回，溝通成本很高，而審核標準大多數時候又只存在于特定負責人的經驗里。

現在，財務主管或業務負責人不需要懂任何復雜的編程，直接用日常說話的方式，就能在單聊對話中命令智能體自我進化。

幫我創建一個「合規預審專家」技能。高風險標準是：預算未確認但已進入方案階段、客戶連續兩次未回復。缺失材料時一次性列出清單向用戶追問。

智能體會立刻重構自身的任務指令，把這套判斷邏輯打包成一個支持上傳、下載和備份的自定義 Skill（技能包）。

新人入職第一天，調用這個智能體，在正式提交審批前把材料丟給 AI，AI 就會調用這個沉淀下來的 Skill 進行合規預審，給出精準的修改建議。

同樣的方式，也可以應用在銷售、客服、運營等更多業務里。

例如，把優秀銷售的客戶跟進方法整理成標準流程；把客服處理復雜工單的經驗沉淀成統一規范；把項目復盤中總結出來的風險判斷，變成每個項目都會自動執行的檢查項。

▲ 多維表格智能體的長期記憶

對企業來說，這也是多維表格智能體最長期的價值所在。它不會因為員工入職、離職或者崗位調整而消失，而是不斷把組織里的優秀經驗保留下來，成為團隊可以持續復用的數字資產。

AI 也會隨著團隊一起成長，越來越像這個團隊里的「老員工」。

Agent 最好的工位，可能是飛書

雖然 AI 行業還在不斷比拼模型的能力，誰參數大，誰跑分高，誰的 demo 更唬人，但 MIT 前段時間一份報告指出，企業 AI 提效的瓶頸不在模型，在組織。

95% 的企業試點沒跑出任何回報，能成的那 5%，做法出奇一致，不只是買一個好用的 AI ，還得重新設計工作流，不能直接把 AI 當貼紙糊到固有的流程里。

這相當于說，決定 Agent 能不能干活的，比起模型的智能，給它提供一個合適的工位更為重要：數據在哪里產生，任務在哪里流轉，協作在哪里發生，權限如何管理，Agent 就應該在哪里工作。

當 Agent 開始擁有自己的工位后，它服務的對象，也從一個人變成了一整個組織。

未來企業里的 AI，或許不會存在于某一個聊天窗口，而是像今天的同事一樣，自然地工作在團隊每天協作的地方。

現在來看，這個工位，可能就在飛書。