下班了，老板心血来潮在群里问了一句「刚刚我看了下数据，怎么最近一个月成交率掉了？」
负责这个项目的你，立马拿起手机，找到项目相关的文件，各种客户关系表、销售数据表等等发给 AI，「老板在问我，我该怎么回答，帮我整理一下。」
AI 哼哧哼哧地跑完，生成了一大段文字，你再复制过去发到工作群，心里想着，「老板就不能自己去问问 AI 吗？」
为什么有了 AI ，个人可以提效，但你的公司和团队似乎没有怎么提效，甚至还更累了，关键在于，大家用的根本不是一个 AI ，只停留在个人的工作流里。
现在还真有了一个能让打工人逃离这种被 @ 支配之恐惧的方法。飞书最近发布了多维表格智能体，老板可以直接在群里询问智能体，AI 会自己去查销售表、客户跟进记录、项目数据，分析原因，再把结果直接回复到群里。
整个过程中，没有人需要再当 AI 和业务之间的「搬运工」。多维表格智能体给了老板们想要的答案，老板们也获得了通过 @ 别人为他们服务的情绪价值。
AI 从一个人的临时帮手，变成了团队业务现场里的 AI 同事。
和我们自己在电脑上使用的个人 Agent 不同，多维表格智能体是给整个团队使用的 Agent。
前者服务的是某一个人，回答的是一次问题；后者面对的是整个团队，每天都能接触真实业务数据，理解组织里的权限关系，还能随着业务变化主动推进工作。
▲ 在部门的群聊内，我们可以直接让多维表格智能体操作表格
它做的事情，比给表格加一个聊天框更进一步。
我们不用再专门打开不同的业务表格，直接在飞书群里问它，它自己就去查；在评论区或者表格侧边栏追一句，它会把前因后果捋清楚；把客户纪要丢给它，它也能自动整理成表里的记录，追加上去；智能体还会自我进化，把团队里的好经验，沉淀成可复用技能。
不用打开数据表，一句话就能把工作交给 AI
对于大多数办公人来说，每天都离不开各种各样的表：销售维护客户表，运营维护活动表，产品维护需求表，项目经理维护排期表，财务维护预算表……
真正麻烦的，除了要记住各种 Excel 的使用技巧、公式和筛选规则、透视表等内容，还有每次遇到一个问题，都要自己打开这个表格去翻。
老板问一句数据，要在几张表里筛选；客户发来新的需求，要补一条记录；开完会，还得把会议纪要拆成任务，一个个录进去。
这些工作在某种程度上并没有太高的技术含量，却占据了大量时间。过去的 AI 办公工具在这方面也下了很多功夫，大多数是在表格旁边加个 AI 侧边栏，我们可以和它对话，但这个 AI 只属于我们自己。
要不然就是脱离了原有的办公生态，协作平台在 A，但是沟通平台在 B，效率工具又在 C。
过去那些传统的流程，基本上都可以被概括为是「一个被表格控制的人」：
先打开表格 -> 找到对应的视图 -> 设定筛选条件 -> 定位到某行某列的字段 -> 手动修改或录入 -> 如果发现异常， 咨询 AI 意见，然后复制链接丢进工作群里 @ 相关负责人。
而飞书多维表格智能体首先要改变的，就是这套人与表格之间的交互方式。
在某个大型活动的飞书群里，或者在与智能体的单聊会话中，我们只需要输入这样一句大白话，Agent 就会立刻行动。
@销售助理，我负责的客户里，哪些已经超过 7 天没有有效跟进了？
@销售助理，把刚刚开会的这段纪要，整理进跟进表，顺便拆出下一步的协同任务。
不用打开表格，也不用再自己寻找对应字段。AI 会自动理解你的需求，到后台查询相关业务表，把涉及的客户信息、跟进记录、商机数据关联起来，再返回最终结果。
如果需要，它还会直接把新的跟进记录写回表格，同时创建后续协同任务。
不仅如此，它还能读取表格中的合同 PDF、工单图片等附件内容，把这些非结构化资料一起纳入分析。
一个智能体的知识库最多能接上 100 个多维表格和云文档，本地的 PDF、Word、图片也能加入知识库，让它同时看得懂结构化数据和制度、SOP、产品资料。
而除了能实现多来源的知识库融合外，得益于飞书多维表格本身强大的底层大数据架构，多维表格智能体还能够支撑真实超大数据规模下的稳定执行。
即便是百万行级别的超大规模业务表，它的增删查改和可信问答依然能保持高水平在线。
飞书多维表格 AI 最近还在三个全球的真实业务数据分析榜单中拿下第一，分别覆盖复杂表格问答、跨源业务数据分析和真实电子表格操作三个领域。
这也正好对应表格 Agent 最基础也最重要的能力：读懂复杂业务数据，做出可靠分析，再把结果执行回表格里。
一个 AI，整个团队都能放心用
同一个群聊，同一句提问，同一个智能体，现在能给出截然不同的答复。
对于个人 AI 助手，我们让它整理一段会议内容、润色一封邮件，这些操作都很顺手，它解决的是「我」怎么快一点。
团队工作麻烦得多，同一个客户，普通销售只能看自己的跟进，主管要看整体风险。一个项目任务，负责人能改状态，其他人可能只能看进度。一个工单要不要升级，也要看客户影响和处理规则。
因此，到了这个层面，AI 光会回答问题还不够。
AI 必须要知道谁在问，能看什么，能改什么，最后要把结果放回哪里。
多维表格智能体最本质的不同在于，同一个 Agent 可以被全团队共享，但每个人看到的结果严格继承其在飞书多维表格里的高级权限边界。
例如销售经理在群里 @智能体，「上周整体的客户跟进情况怎么样？」智能体完成多表联动查询，按权限过滤后，给出全盘深度摘要。
▲ 图中左边为销售经理询问智能体得到的的回复，右边是普通销售提问得到的回复
但普通销售在群里问一模一样的话，智能体会识别提问人的身份，确定他所拥有的文件权限范围，并提示其「如需查看更多数据详情，需要先获取对应的权限。」
对我们来说，整个过程几乎是无感的，不需要额外的提示词控制，也不用复杂的权限配置，在飞书多维表格内部，本来就有字段权限、记录权限、视图、协作者、变更历史和运行日志等，这些都会自然延续到 AI 身上。
除了权限，对于应用在职场上的 AI，还有另一个企业更关心的问题：AI 到底做了什么？
过去，同事修改了一条记录、删除了一项数据，企业还能通过操作记录找到是谁改的；如果这些动作开始由 AI 完成，同样需要一套能够追踪整个执行过程的机制。
因此，多维表格智能体也保留了完整的运行日志。一次任务是谁发起的、AI 调用了哪些能力、执行了哪些操作、最终是否成功完成，都能够在日志中查看。
当 AI 开始真正参与业务以后，企业需要的不只是一个回答问题的模型，更是一位能够遵守组织规则、所有操作都有迹可循的 AI 同事。
不用@它，数据一变它自己就上班
当智能体可以像 AI 同事一样融入团队后，另一个常见的问题是：「很多工作，根本没人意识到可以去问 AI。」
项目延期了、工单超时了、客户迟迟没有跟进……这些变化每天都在发生。如果等到有人发现问题，再打开表格排查原因、整理信息、通知相关负责人，往往已经过去了一段时间。
相比回答问题，一个 AI 同事更重要的能力，是能够主动关注业务变化。
多维表格智能体带来的变化就是从「被动响应」到「主动推进」，业务状态一改变，AI 就会自动处理这些变动。
▲ 多维表格智能体能配置不同的触发方式
例如，在传统的项目管理中，交付延期的真正原因往往散落在密密麻麻的表格历史评论区，或者临时的沟通群里，极其零碎。
现在，智能体开始住在多维表格的数据内部，变成了 7*24 小时紧盯业务变化的赛博秘书。
一旦多维表格内部某个核心交付任务的状态被相关人员修改为「已阻塞」，或者任务截止时间逾期，智能体瞬间启动。
它会立刻阅读该记录下评论区的所有历史协作讨论和修改轨迹，找到相关信息，然后自动在项目协同群里播报风险并 @ 负责人及时推进。
工单场景也一样，某个高优先级客户的工单长时间没有更新，智能体可以主动在群里提示风险，附上当前处理进度和缺失信息。负责人不用等到早会才发现问题，团队也不用靠人工反复巡表。
对于团队而言，数据自身的变化变成了 AI 启动并推进业务的标准信号，人与 AI 的协作，也从「有问题再找它」，变成了「它和团队一起盯着业务」。
而多维表格也从一个「存业务数据的地方」，变成了「推动业务动作的地方」。
会自我进化的 AI 同事
在体验过程中，我们发现了另一个非常值得一提的功能是自我进化。作为一个会学习的智能体，它能让我们轻松地把个人经验标准化，变成可更新的数字资产。
▲ 多维表格智能体内有记忆和添加 Skill 的功能
举个很普通的例子，过去，员工在提交报销材料时，可能因为超标、发票异常、口径不符被财务反复退回，沟通成本很高，而审核标准大多数时候又只存在于特定负责人的经验里。
现在，财务主管或业务负责人不需要懂任何复杂的编程，直接用日常说话的方式，就能在单聊对话中命令智能体自我进化。
帮我创建一个「合规预审专家」技能。高风险标准是：预算未确认但已进入方案阶段、客户连续两次未回复。缺失材料时一次性列出清单向用户追问。
智能体会立刻重构自身的任务指令，把这套判断逻辑打包成一个支持上传、下载和备份的自定义 Skill（技能包）。
新人入职第一天，调用这个智能体，在正式提交审批前把材料丢给 AI，AI 就会调用这个沉淀下来的 Skill 进行合规预审，给出精准的修改建议。
同样的方式，也可以应用在销售、客服、运营等更多业务里。
例如，把优秀销售的客户跟进方法整理成标准流程；把客服处理复杂工单的经验沉淀成统一规范；把项目复盘中总结出来的风险判断，变成每个项目都会自动执行的检查项。
▲ 多维表格智能体的长期记忆
对企业来说，这也是多维表格智能体最长期的价值所在。它不会因为员工入职、离职或者岗位调整而消失，而是不断把组织里的优秀经验保留下来，成为团队可以持续复用的数字资产。
AI 也会随着团队一起成长，越来越像这个团队里的「老员工」。
Agent 最好的工位，可能是飞书
虽然 AI 行业还在不断比拼模型的能力，谁参数大，谁跑分高，谁的 demo 更唬人，但 MIT 前段时间一份报告指出，企业 AI 提效的瓶颈不在模型，在组织。
95% 的企业试点没跑出任何回报，能成的那 5%，做法出奇一致，不只是买一个好用的 AI ，还得重新设计工作流，不能直接把 AI 当贴纸糊到固有的流程里。
这相当于说，决定 Agent 能不能干活的，比起模型的智能，给它提供一个合适的工位更为重要：数据在哪里产生，任务在哪里流转，协作在哪里发生，权限如何管理，Agent 就应该在哪里工作。
当 Agent 开始拥有自己的工位后，它服务的对象，也从一个人变成了一整个组织。
未来企业里的 AI，或许不会存在于某一个聊天窗口，而是像今天的同事一样，自然地工作在团队每天协作的地方。
现在来看，这个工位，可能就在飞书。
瑞和网提示：文章来自网络，不代表本站观点。
