作者/贺颖

编辑/张晓

一份供应商发来的涨价通知，落到企业里，不只是一道价格题。

采购需要判断涨价是否合理，有没有替代供应商；生产需要核对库存还能支撑多久，更换物料会不会影响排期；质量部门要确认替代方案能否满足标准；财务则要测算，这次涨价最终会给利润带来多大影响。

过去，一份应对方案背后，往往是采购、生产、质量、财务等多个部门反复碰、逐层拍板。现在，AI开始挤进这条靠人跑动的决策链。

让AI提取涨幅、对比历史采购价格，再生成一份应对方案，已经不是什么新鲜能力。但方案生成之后，真正棘手的工作才刚刚开始：谁来核对信息，谁来协调资源，谁有权拍板，又由谁负责执行？

任务像一根接力棒，在一个个部门之间传下去。即使几个部门都用上了AI，各自很快完成了分析，最终的决定依然可能停在某一次核对、一次交接，或一次等待之中。

单点看，AI很能干；放到组织里，它常常还只是一个聪明的“外挂”工具。

这也是企业引入AI时容易忽略的问题：组织效率并不是个人效率的简单相加，因为员工的效率和组织的效率，往往不是同一个指标。

员工关心的是，一份报告过去写三小时，现在是否半小时就能完成。企业关心的则是，这份报告是否让决策提前、让订单更快交付、让采购成本下降，或者让一次供应风险得到及时处置。

企业能买到更强的模型，但部门之间的信息壁垒、流程中的等待和反复确认不会自动消失。

如果个体提效无法转化为业务链条上的实际改善，就会形成一种“幽灵效率”——提效真实发生了，却没有进入组织绩效。

从个人提效到组织提效，这中间到底断在了哪里？又该如何跨过去？

近日，科大讯飞发布的讯飞星帆WinWork数字员工平台，试图进入的正是这一层。

按照科大讯飞的设想，WinWork要为企业每个岗位提供一支数字员工团队。刘庆峰将其中的关键概括为“懂业务”和“能协同”：既要理解企业规则、掌握专家经验，也要融入业务流程，与真实员工协同。

这意味着，企业AI的竞争，不再只是围绕单个任务的完成速度展开，而是开始触及组织如何运转。

一、效率“悬空”

“幽灵效率” 之所以普遍存在，未必是因为员工没有用好AI，而是个体产出与组织结果之间，存在着一条漫长且多环节损耗的传导链。

首先，员工未必愿意让提效被看见。IT企业Ivanti在2025年针对全球6000多名办公室职员开展的调查显示，32%使用AI的员工会向公司隐瞒其带来的生产力提升，原因中占比最高的是希望保留个人竞争优势（36%），其次是担心引发岗位削减（30%）。

这种沉默不难理解。当企业习惯“鞭打快牛”，员工就会担心，用AI一小时干完一天的活，换来的只是更多工作，而非更合理的回报。如果主动分享方法、帮助团队提效，反而可能损害自身利益，那么“隐身”就成了一种现实选择。企业买了工具，却未必能获得可以在组织内复用的经验。

到了组织层面，关键问题在于组织处理新增产出的能力，没有跟上个人的产出速度。

员工可以用AI把写方案从1天压缩到1小时，但方案仍要3天走汇报审批、1周做跨部门协同，AI加速了“做”，却没有同步改变“审”“批”“传”“决”。

在这种情况下，更多报告、更多代码、更多方案，不一定意味着更多业务成果，也可能意味着更多待审阅的材料、待确认的问题和待协调的任务。

开发者效率研究机构DX跟踪400家公司16个月发现，AI工具使用量暴涨65%，而最终业务交付量只增长不到10%。个体产出激增遇上下游审批、质检、协作能力不变，新增产出只会堆积成新瓶颈甚至制造协调混乱。

与此同时，传统绩效度量体系在面对AI时几乎失效。

当生成内容的成本大幅降低，文档数量、代码行数、报告篇数等指标就更难直接代表价值。一个员工生成了十份方案，不一定比过去只写一份时，更接近正确决策。

企业还需要分清两种情况：有些提效真实发生了，只是没有转化为业务结果；有些则停留在使用者的主观感受中，本身就需要验证。

如果只统计速度，却忽略核对、修改和后续协作的投入，就很容易高估AI的收益。如果只看最终业绩，又可能无法识别效率究竟卡在哪个环节。

这些断点指向同一个问题：企业正在把AI装进一个并未为它重新设计的组织里。

如果岗位分工、审批层级和协作方式维持原样，AI就可能只让局部环节跑得更快，却无法让整条业务链更快完成。

二、补上组织断点

技术并非只能等待组织改变。恰恰相反，技术也可以为新的协作方式提供强大支撑，而补上组织断点，并不止一种路径。

有的从钉钉、飞书、企业微信等协作入口切入，让Agent进入员工日常工作的界面；有的先从流程咨询入手，重新梳理任务、权限与责任，再引入AI；还有的在RPA等自动化工具的基础上，引入AI的理解和判断能力，将更多环节连接起来。这些路径并不互斥，着力点却各有不同。

在这些探索中，讯飞星帆WinWork选择从“岗位”和“流程”切入，让数字员工成为组织可以调用的“自己人”，进入组织可以授权、协作和追溯的工作流程，使一个岗位上的产出，能够被下一个岗位有效承接。

从产品设计来看，WinWork并非只是围绕“问答－生成”提供能力，而是按照企业实际工作的需要，对任务进行分层——

通用的任务可以交给个人助理，但涉及更具体、更专业的工作任务时，则交给相应岗位的“数字员工”，不同专业角色的“数字员工”可以协同工作，“数字员工”与企业作业环境下的真实员工也可以协同。此外，企业也可以根据自身的需求通过对话创建数字人。

理想设想下，对部署了WinWork的客户而言，只用这一个平台，就能承接工作全流程。

而当“数字员工”以一个个具体岗位的角色存在，并真正嵌入具体的业务场景，其实在与现实世界里的组织环境无限靠拢。

当然，这一切的前提是，这些持续融入组织肌理的“数字员工”，要懂业务、要能协同。

科大讯飞的思路是，通过讯飞星帆WinWork，构建“企业本体”。

按刘庆峰所言，构建企业本体，首先就是让数字员工真正理解企业的业务规程，理解企业全量工作规范，对齐企业业务目标。

但这只是其中一环。

除此之外，WinWork一边帮助企业搭建企业数据库——既能帮客户完成数据清洗，去除错误和冗余数据，确保留在企业数据库中的是能够真正支撑各类业务决策所需的数据，也能通过AI Connect接入数据，把语义映射对齐，让这些数据能真正发挥作用。

另一边，则是能帮企业把员工的经验知识沉淀下来，形成企业知识，让数字员工也可以掌握。

“将这三个部分组合起来，就能构建企业本体，让数字员工能够读懂业务。”刘庆峰如此说道。

回到文章开头的供应商涨价场景，这种“读懂业务”的价值就更容易理解了。

在产品发布的演示中，面对供应商涨价，WinWork的数字员工能够关联生产计划、库存等数据，综合价格、质量和交期推荐替代物料，选出的不是单价最低，而是更符合企业需求的方案，判断依据也可回查。

另一个演示，则展示了供应商被列入失信名单后的处置过程。

监测到风险后，数字员工会自主协同供应链、合同等系统，并分析关联业务，生成包括风险等级、影响范围、处置时限、协同处置建议等在内的风险报告。

后续，数字员工根据业务流程给出了具体的解决流程建议，比如给出了牵头人的建议，提出应该联动财务部门、法务部门、采购部门来协同工作。

接下来，数字员工也会主动邀请经各部门审核认证的数字员工加入联合团队，团队助理则会自动规划任务，责任到每个数字员工。最终在多个数字员工以及真实员工的协同下，完成工作。

不难发现，这整个流程中，其实覆盖了人力、招投标、采购、研发等业务场景，但在每一个场景下，都有具体的专业数字员工在协同发力。

对应前面提到的“幽灵效率”，WinWork试图减少的，正是个人完成工作之后，成果在部门之间流转时的损耗。

数字员工既要做好自己岗位上的事，也要让产出能够被下一个岗位理解和承接。

刘庆峰介绍，通过WinWork研发数字员工，统一需求规范和标准，自主推进研发任务，再把多岗位流转协作连接起来，相关实践中的组织提效可以从20%多提升到50%以上。

这一能力的落地，建立在科大讯飞长期深耕行业的实践之上。根据智能超参数、大单网基于公开招标信息的统计，科大讯飞连续两年位居央国企大模型项目中标金额和数量双第一，为进一步推动企业组织提效积累了实践基础。

三、算清落地账

将视线拉回到今年2月，Meta公司超级智能实验室AI对齐与安全总监Summer Yue，在社媒上分享了一次真实经历。她让自己部署的OpenClaw帮自己整理邮件，结果后者突然失控，自主、快速地删掉了超200封邮件。

Summer Yue的这次经历，有着些许讽刺意味——一家科技巨头安全部门的高管，都可能在使用Agent时遭遇失控。

但更多的是警醒：从to C到to B，从个人到组织，AI价值越接近核心场景、核心业务，治理的要求就应该越高。

德勤也提到，若企业缺乏清晰的数据边界、权限控制、责任归属、输出审核和风险分级机制，即使业务部门具备较强的使用意愿，AI也难以在关键流程中大规模落地。

从这一视角看，WinWork需要回答的关键命题，就不只是推动企业AI从个人提效转向组织提效，即如何让客户用得好AI，还有如何让大家用得放心、用得起。

科大讯飞给出的差异化答案是：端云一体。

“我们认为，未来大模型的安全性和性价比问题，一定要通过端云一体化来解决。未来，可能60%的应用在手机、电脑端侧独立完成，数据不出域，Token花费少；30%的应用采用端云协同，复杂场景任务由云端模型来分解指导；只有10%的应用在云端独立处理。”刘庆峰如此说道。

刘庆峰此番表态背后，科大讯飞同期发布的基于全国产算力的、全栈自主可控的端云一体大模型星火X2.6，同步增强了云端和端侧能力，支持纯端侧执行、端云协同和纯云侧执行，让不同任务根据难度、数据安全要求和模型能力进行精准分工。

对于端侧难以独立完成的复杂任务，科大讯飞还首次发布了星火大模型端云一体协同架构，由端侧模型根据任务难度、自身能力和数据安全需求，判断任务在本地完成、交由云端处理，还是通过“云指导端”“端云分工”协同完成。

而在需要调用云端能力时，系统也会先在端侧对敏感信息进行脱敏，经由用户确认后再上传处理。

依托星火X2.6，讯飞星帆WinWork的成本优势也较为显著，Token消耗节约44%。

此外，从权限管控、数据安全到私有化部署，WinWork也在层层把关。

权限管控上，企业可按组织、协作群与数字员工角色分级授权，职责、可用工具与任务流转，仍由业务方掌控；涉及生产、费用、删除或外部系统写入的操作，执行前也仍需人工确认，且全程留痕可追溯。

再到数据安全层面，WinWork遵循最小权限原则，文件、记忆与外部系统的访问范围均按授权划定，确保数据访问范围清晰可见。

WinWork也支持客户按需进行私有化部署，同时支持客户部署在企业自有机房、专有云或内网环境，也支持接入企业自有模型或本地模型。

由此，WinWork交出的这份答卷更加清晰了：

企业本体让数字员工能够理解真实业务、流程协同让它能够推动任务继续向前、端云一体则试图让这些能力在真实企业环境中有条件运行下去。

这让AI在企业真实场景的价值释放不仅停留在员工个人层面，而是再深一层的组织提效。

截至目前，WinWork已上线80余类数字员工，覆盖风控、合同审查、采购寻源、物料替代选型等工作。

诚然，科大讯飞在发布会上公布的技术方案和效率数据，仍需经过更多客户场景的检验。不同企业的数据安全要求、业务流程和使用规模并不相同，端云一体能够带来多大的成本优势，也不能只凭单一指标下结论。

但随着企业AI竞争的考题持续变得具体，讯飞星帆WinWork迈出的这一步，已然足够扎实。