独家对话｜百度沈抖：拿什么去拼未来三年窗口期

出品｜虎嗅商业消费组

作者｜苗正卿

题图｜视觉中国

这是虎嗅WAIC“追踪Token商业新范式”系列文章第10期。

临近上海世界人工智能大会召开，虎嗅和百度集团执行副总裁、百度智能云事业群总裁沈抖进行了独家对话。

2026年初，百度内部开始以DAA（虎嗅注：DAA 即 Daily Active Agent，日活跃智能体数量）为衡量AI的核心维度，这和目前市面上其他以Token、月活等维度为核心维度的厂商并不相同。

虎嗅获悉，百度内部Agent可以分为三类：

第一类，以百度搭子、GenFlow为代表的通用Agent

第二类，以秒哒、百度伐谋、百度一镜、百度一见、百度Hogee等Agent为代表的，切入某具体场景的垂类Agent

第三类，基于百度智能云新全栈AI云能力，开发的产业Agent

这三类Agent构成了百度Agent矩阵的基石。

Agent矩阵，是百度“AI体系”水面上的一部分，在水下，由昆仑芯（芯片算力内核）、百度智能云（云基础设施）、文心大模型（模型基座）构成了一个完整的“芯 — 云 — 模 ”体系，和Agent最终构成了百度的“芯 — 云 — 模 — 体”四层结构。

在这次与虎嗅的交流中，沈抖详细描述了百度内部DAA的诞生过程、这个框架的内核逻辑，以及在Agent大爆发时代，各个厂商正到底在比拼什么。

对于未来一年半行业的趋势，沈抖也向虎嗅做出了五项预判——

1、智能体驱动大模型迭代的闭环效应会变得更突出、更明显。智能体落地会产生大量真实产业数据回流，这些数据会持续迭代大模型，模型变强又能支撑更多场景智能体落地，这套飞轮转得越来越快，这是最核心的底层变化。

过去行业只比模型参数、跑分，现在以及未来一年半，比拼的不再是单纯模型基础能力，而是真实任务完成率、单位Token 价值、产业落地规模，客户不再为概念买单，开始实实在在为效果、提效效率付费，用好每一份算力、每一个 Token 会成为行业共识。

2、通用智能体、行业垂类智能体规模化落地速度会大幅提升，2026年下半年就能明显看到批量落地案例涌现。未来 90% 的工作都会有智能深度参与、协助完成，不是完全替代人，人聚焦决策、创意、监督，智能体承接长链路推理、多工具编排、大批量文件处理、数据治理这类重复性工作。智能体会成为企业标配，不管是大企业还是中小机构，都会批量搭建适配自身业务的 Agent，DAA会成为全行业通用衡量标尺。

3、大众、产业对智能体的认知深度会大幅提升。现在很多人还把 AI 等同于对话聊天机器人，下半年到明年，大家会真正理解智能体可以深度嵌入生产、办公全流程，会有更多企业、个人主动拥抱智能体，人机协同成为日常工作模式，超级个体时代正式到来，组织形态从传统金字塔转向人和智能体混合编队，组织知识可以通过 Skill 持续沉淀。

4、具身智能会迎来成本快速下行周期。中国拥有完整供应链、工程师红利、成熟成本控制体系，还有海量落地场景，未来不久，机器人、各类具身设备价格会下探到家庭、中小企业可接受区间，未来机器人服务甚至会像现在云服务一样。

5、全栈“芯 - 云 - 模 - 体”闭环会成为厂商胜负手。未来一年半是三年黄金窗口期中段，只做单一环节的厂商迭代速度会明显落后。

2026年第一季度，百度AI收入同比增幅达到49%，收入占比达到52%——这是百度历史上首次AI收入占比过半。

但不可否认，竞争是激烈的：字节、阿里、腾讯在Agent、云等领域都在勇猛精进，而诸如阿里、华为等厂商也已经实现了拥有芯片、云、模型的完整“全栈”。

值得注意的是，百度是国内最早布局深度学习的厂商之一，也被视为最具硅谷技术基因的科技公司。早在2023年，百度便率先发布文心一言，在AI赛道上建立了明显的先发优势，一度领先字节、阿里、腾讯等同行。

然而过去三年，中国AI行业竞争格局加速演变，各路选手纷纷发力。据QuestMobile 2026年3月数据，在AI原生App月活榜单上，字节豆包、阿里千问、DeepSeek占据了前三。这一变化并非意味着百度技术实力的退步，而是折射出整个行业已进入群雄逐鹿的新阶段——先发优势需要持续的产品迭代和用户运营才能转化为长期的市场领先。

在人才生态层面，百度长期被誉为中国AI界的"黄埔军校"，为整个行业输送了大量核心人才。MiniMax、Anthropic等全球头部AI企业的核心创始人均出自百度实验室，字节、阿里等公司的诸多AI骨干也源自百度"青训"体系的培养。百度的技术环境确实更适合AI人才的成长，但人才的流失亦让人不无可惜。

百度还有没有好牌？如何把牌在巧妙的时间点、最高效地打出？可能需要这家本来富有AI基因的公司对未来有更到位的布局。

沈抖认为，未来三年是一个关键窗口期：三年内，AI赛道的厂商、独角兽们，会不断意识到全栈的优势；而百度智能云的友商们，也在有意识地补全“全栈”能力——这对百度智能云来说，既是拥有优势的机会点，也是面对更大竞争的挑战点。

百度能赢吗？

下附虎嗅和沈抖交流内容，有删改：

百度的AI 叙事内核到底是什么？

虎嗅：百度现在对AI 的叙事并没有和其他厂商一样选择 Token 为锚点，而是以 DAA 为锚点，我听说在 2026 年初你们内部已经有 DAA 这个概念了？

沈抖：首先百度内部有一个基本判断，也是我们的顶层战略—— 智能体（Agent）是大模型落地的核心载体。这个判断并非 2026 年提出，而是Robin（百度创始人李彦宏）多年前就确立的。

围绕这一判断，我们开始思考如何衡量智能体的实际价值，早期也曾参考过DAU 这类传统指标，2026 年初内部正式对 DAA 形成统一共识。

DAA 是一套能够衡量大模型产业价值的统一评估维度，也是企业内外战略对齐的沟通基准。在百度的定义里，只有能够落地履职、产出实际效果的智能体才算有效统计对象；仅处于在线状态，无法完成业务任务、得不到客户认可的智能体，不具备实际价值，不计入有效 DAA。

如果将大模型比作电力基础设施，其核心价值不在于基础产能本身，而在于赋能千行百业落地场景后创造的实际效益。因此百度始终没有把Token 调用量当作核心考核标准，我们更聚焦智能体实际活跃频次与日活跃智能体规模，也就是 DAA。

虎嗅：你们内部没有考虑过把Token 当做一个指标？

沈抖：我们从未将Token 设立为内部考核指标，Token 本质只是单纯的算力资源消耗。

我可以举个例子，普通用户首先关注的是家电设备带来的实际使用体验，比如空调是不是制冷、体感是不是舒服，而不是首先看用了多少度电，更不可能觉得电用的越多越好。这和智能体落地逻辑高度契合，智能体正是大模型打通业务场景、落地商业价值的最后一环。

早期我们借鉴过DAU 评估逻辑，但很快发现，DAU 侧重统计产品使用人数，更适配 C 端标准化通用产品，完全不适用于大量产业端落地场景。

以深圳供电局设备运维场景举例，传统模式下，工作人员需要人工逐条梳理设备告警信息，区分故障类型、告警优先级。依托智能体搭建自动化工作流后，整套运维智能体日常仅需一名运维人员操作使用，却能大幅缩减人工工作量、降低故障误判与漏判风险，创造实打实的产业价值，这类场景下用户规模完全无法体现智能体真实价值。

这和移动互联网的生态也是类似的，行业生态健康与否，不能只看头部产品用户体量大小，而在于大量适配细分需求的产品能否持续活跃。

同理，大模型产业走向成熟的标志，从来不是单一款通用智能体坐拥海量用户，而是各行各业细分赛道中，涌现出大批稳定运行、解决实际痛点的智能体。即便部分场景智能体使用人群极少，只要能够稳定落地、实现降本增效，就拥有不可替代的产业意义。

这也是DAA 与 DAU 最核心的区别：DAU 容易引导行业扎堆大众通用市场，而 DAA 能够引导行业深耕此前被忽视的垂直小众场景与碎片化场景，真实反映大模型普惠落地的整体进程。

2026 年初内部会议中，Robin明确提出，行业发展不能只深耕大模型基础能力，更要全力推动全场景智能体规模化落地，DAA 评估体系也顺势成型。目前百度内部所有研发规划、行业项目布局，均以可落地、可运行的活跃智能体数量作为统一对齐标准。

虎嗅：我再追问一下，你们所渴望的“DAA 大爆发”，它出现的前提是否是 Token 的极致低价？

沈抖：并非如此。DAA 实现规模化普及爆发，核心依托是高性价比，而非单纯压低使用价格。一款智能体解决方案即便使用成本偏高，只要创造的产业价值远超投入成本，企业客户依旧愿意长期使用；反之，仅做到低价却无法落地解决业务问题，本质就是资源无效消耗。“性价比 = 落地实际价值 ÷ 综合使用成本”——这也是百度所有智能体产品的核心设计逻辑。

虎嗅：基于百度DAA 的逻辑，智能体的数量很重要，但毕竟资源有限，不可能所有场景的 Agent 都做一遍，你们怎么规划资源布局、优先做什么 Agent？

沈抖：百度划定智能体研发布局优先级，主要依据两大核心维度，一是当下大模型与驾驭工程可落地的技术能力边界，二是行业真实市场需求与项目落地后的实际产业价值，二者缺一不可。

当前行业主流存在两种截然不同的发展理念：

第一种理念认为，随着大模型能力持续迭代升级，通用智能体性能会持续完善，最终仅凭一款通用智能体，就能覆盖全行业各类需求，解决所有场景业务问题，无需额外研发垂直行业专属智能体。

第二种理念认为，不同行业、不同细分业务都拥有专属业务流程、专业知识体系与业务约束条件，场景差异化十分明显，即便通用大模型持续优化，单一通用智能体也很难兼顾垂直领域的执行效率与落地成本，必须针对性研发垂类场景专属智能体。

百度不会单一偏向任意一种发展理念，而是采取双线并行的布局模式，同步推进三类智能体研发落地。

通用智能体对应第一种发展理念，能够承接用户各类日常需求，办公事务、信息查询、简单事务规划等需求都可交由其处理。

垂直行业智能体对应第二种发展理念，各个行业赛道拥有专属业务经验、运行流程与行业数据，仅依靠通用智能体独立运行，很难输出稳定优质的落地效果。

用通俗案例举例，资深全科医生专业知识面覆盖面极广，理论上可处理多数基础诊疗工作，但实际诊疗场景中，不会让全科医生承担抽血这类标准化基础工作，核心是兼顾运行成本与执行效率。即便未来通用智能体能力持续升级，多数细分场景依旧更适配专用垂类智能体，落地效果也更理想。

长期来看，两类智能体并非互相替代，而是形成协同配合模式，垂类智能体将自身专业能力封装为专属技能，由通用智能体根据实际需求灵活调用。用户仅需对接统一的通用交互入口，后台便可自动调度各类垂类智能体完成细分工作。

在此基础上，我们还布局了第三类产业智能体，同样依托第二种发展理念搭建。这类智能体不由百度自主研发，我们对外开放全套算力、大模型与智能体开发底座，由行业合作伙伴与企业结合自身行业积淀，打造适配自身细分业务流程的定制化智能体，深圳供电局故障排查智能体、厨具企业钢板切割优化智能体都属于此类。

其中通用智能体、垂类行业智能体为百度自研产品，产业智能体由合作伙伴和企业依托百度技术体系自主搭建。

从长远技术发展来看，理想形态下通用智能体可自主生成子智能体，适配全新业务场景，但目前行业技术尚且无法实现，因此现阶段我们以分层布局三类智能体为核心发展路径。

虎嗅：你们怎么评估智能体的成败或者优劣呢？

沈抖：我们评判智能体优劣与落地成效，首要评判标准就是落地实效，也就是智能体解决实际业务问题的能力。产品完成交付只是落地的基础环节，倘若无法切实解决客户核心需求，即便完成交付也无法实现规模化复制推广，因此落地效果始终是第一考核准则。

虎嗅：这个效果具体怎么评估？

沈抖：具体评估方式包含面向企业客户开展POC 概念验证测试，同时结合客户业务问题解决率、实际使用满意度进行综合调研评判。

以养老场景落地案例来说，搭载在小度音响上的养老服务智能体，我们不会以硬件交付数量作为考核依据，核心考核指标为用户问题解决率与实际使用满意度。

虎嗅：效果之外，还有什么指标是你们用于评估智能体的？

沈抖：一个是考量项目落地综合性价比，行业用户在选择智能体服务时，不会一味追求最低廉的Token 使用成本，更青睐兼顾落地效果与使用成本的高性价比解决方案。

还有一个核心指标为智能体自主完成率，即用户仅下达单次指令，无需人工反复修正、多轮沟通确认，智能体即可独立完成全流程业务工作的比例。目前行业整体自主完成率仅维持在30%-40%，依靠多轮交互兜底的任务完成率虽能达到 90% 以上，但大量人工介入会大幅降低落地效率，因此提升自主完成率是产品迭代的核心方向。

虎嗅：这个体系引起我一个好奇，就是使用者本身操作、AI 理解能力的区别，可能会影响他使用 Agent 的效果、感受，这会产生一些噪音，而你们的评估维度里其实效果、满意度权重很高。

沈抖：使用者个人能力差异带来的使用体验偏差无法彻底规避，这一现象和搜索引擎使用逻辑一致。同样使用搜索产品，不同用户梳理需求、设置关键词的方式不同，最终获取信息的效率也截然不同，这一问题在智能体时代依旧普遍存在。

评判产品实力需要区分两个层面，其一，同款智能体出现使用效果差异，根源在于用户对工具的熟悉程度不同，这类由使用门槛带来的体验差距无法彻底消除。

其二，横向对比不同品牌同类产品，即便是零基础新手用户，也能直观感受到产品之间的使用差距，这也能直接印证产品在交互设计、底层技术层面的实力差距。

我们在产品设计阶段，就刻意规避复杂操作门槛，坚持极简自然的交互逻辑，用户仅需用日常语言表达需求，智能体即可自主识别完整诉求、走完整套处理流程，无需用户学习专业指令与分步操作。

而自主完成率，正是我们用来弱化人为使用差距的核心内部考核指标。

用户仅凭一句简单需求，智能体就能全程自主办结工作，无需用户补充信息、修正指令，能够最大程度抹平个人使用能力带来的体验差距。

受行业整体技术限制，目前多轮对话可实现较高任务办结率，但单次指令直达办结的自主完成率普遍偏低，这也导致智能体使用效果极易受用户表达能力、使用经验影响，即便产品底层技术没有短板，也容易让用户产生体验不佳、性价比偏低的主观认知。

基于此，我们将提升自主完成率列为所有产品迭代的最高优先级，把优化使用体验的重心放在技术研发层面，而非要求用户主动适配产品使用逻辑。

即便面对使用能力偏弱的用户，持续提升产品自主执行能力，也能有效弱化人为因素带来的体验干扰，让智能体真实的业务价值与高性价比优势直观体现，持续提升各类场景下的有效DAA 数量。

Agent 大爆发时代，大厂和独角兽们在拼什么？

虎嗅：Agent 大爆发会改变市场的游戏规则吗？

沈抖：会彻底重塑行业竞争规则。在智能体大规模普及之前，大模型训练主要依赖存量静态标注数据，需要人工整理投喂训练素材，数据反馈链路长，贴合实体产业的实战样本稀缺，模型整体迭代速度较为缓慢。

智能体落地普及后，行业形成全新的高速迭代闭环：智能体可自主拆解任务、调用工具执行工作、自查执行漏洞，主动发现工具调用失误、参数匹配错误、流程逻辑漏洞等各类问题。结合人工对输出内容的修正与使用反馈，能够源源不断产出贴合真实业务场景的高质量训练素材。

这类实战场景沉淀而来的数据，质量远高于传统人工标注数据，能够反向驱动大模型持续优化升级。大模型性能提升后，可承接的业务场景与复杂任务持续增多，企业落地部署智能体的数量随之上涨，进一步沉淀更多产业实战数据，反哺模型迭代优化。

由此形成高速运转的产业飞轮：智能体场景落地-实战业务数据回流-大模型迭代升级-高性能智能体落地普及-覆盖更多全新业务场景。

行业竞争逻辑也随之发生转变，早期行业竞争聚焦大模型基础训练能力，比拼模型参数规模与原生基础性能；进入智能体落地时代，产业落地沉淀而来的迭代飞轮价值，已经比肩底层基础技术实力，甚至能够弥补短期单点技术层面的差距。

同等基础模型条件下，拥有完整全栈技术体系、具备海量产业落地场景持续获取实战数据的企业，和仅依靠实验室静态数据优化模型的企业，长期发展差距会持续拉大。

缺少产业落地闭环的企业，只能依靠少量人工标注数据缓慢优化模型，迭代效率偏低，很难贴合市场真实业务需求；而搭建起全栈闭环的企业，能够实时获取一线业务反馈，同步完成模型、智能体、底层硬件的全方位优化升级。

这也意味着全栈闭环能力，已经成为当下乃至未来行业竞争的核心核心壁垒，长远来看行业比拼的不再是单一技术优势，而是能否搭建软硬件协同的完整迭代闭环，实现技术自主持续优化。

技术链路中任意环节出现数据断层、技术壁垒，都会直接放缓整体迭代节奏，阻碍产业飞轮正常运转。

归根结底，智能体不只是面向终端用户的应用产品，更是整个AI 技术体系链接实体产业、获取实战反馈、驱动行业迭代升级的核心载体。

虎嗅：所以拼的是全栈能力？你怎么定义这种能力？

沈抖：当下行业竞争的核心就是全栈综合能力，放眼全球行业格局，OpenAI 也已经入局自研芯片赛道，足以证明搭建全栈体系是行业发展的必然趋势。

目前多数行业玩家都只深耕产业链单一环节，要么单纯售卖算力资源，要么对外输出大模型API 接口，或是仅研发表层对话类 AI 应用，产业链条中存在大量技术断层，不仅拉高整体落地成本，也会限制智能体实际业务处理能力。百度是国内为数不多，实现从底层 AIDC 算力基建到上层行业智能体应用全链路自主研发布局的企业，内部各类业务数据、技术需求可双向互通协同优化，最大化降低软硬件适配带来的资源损耗与性能折损。

虎嗅：所以在全栈能力上，你认为百度有先发优势？那你觉得这个优势红利窗口期大约多久？

沈抖：百度在全栈布局领域确实具备先发积淀优势。结合行业硬件研发周期来看，一款AI 芯片从立项设计、流片量产到场景适配落地，完整周期大致为两三年。对于现阶段才开始布局自研芯片、补齐底层算力基建的企业而言，补齐整套全栈体系需要耗费三年时间，这三年也是行业划分梯队、拉开发展差距的黄金窗口期。

三年窗口期结束后，行业整体市场格局将基本定型，拥有成熟全栈技术闭环、积累海量产业落地数据的企业，将构筑起难以短期超越的行业壁垒。

虎嗅：你怎么解构百度的全栈能力？似乎各厂商的定义方法还是有细微差别的。

沈抖：百度将整套全栈底层技术体系划分为两大核心底座，分别是AI Infra 算力基础设施层、Agent Infra 智能体运行底座，两大底座之上搭配三类智能体产品，构筑成芯、云、模、体一体化的完整全栈闭环。

首先是AI Infra 算力基础设施层，其一为自建 AIDC 人工智能算力中心体系，当前高端 AI 服务器功耗可达 600 千瓦，传统 220V 供电模式无法承载高负荷运行产生的能耗损耗，我们自研 800 伏直流供电体系，搭配定制液冷散热设备、专用变压器与应急供电设备，完成机房基建、电力、散热、网络全流程国产化改造。

其二为昆仑芯国产AI 芯片，我们深耕芯片研发领域已有十年之久。市面通用芯片普遍搭载大量智能体训练、推理场景用不到的冗余硬件模块，而我们依托大模型训练、推理的实战经验，可以合理配置芯片的算力、显存、带宽并深度优化核心要素之间的协同，从源头杜绝算力资源浪费。

其三为集群调度体系，我们重构传统算力集群架构，将以供配电为中心的架构升级为以网络节点为中心的架构，提升服务器集群高速协同效率，并以百度百舸为核心，统一统筹调配昆仑芯算力资源，合理划分训练与推理业务资源配比，减少算力闲置浪费。同时依托训推一体化平台完成异构芯片调度、缓存策略优化，有效降低单次推理算力消耗。

中间衔接层为百度千帆平台，早期千帆平台对外开放语音识别、OCR 识别等基础 AI 能力接口，大模型时代完成全面升级，打造可视化拖拽式工作流搭建工具，适配企业各类标准化业务流程。平台全面封装底层算力、模型、存储、安全防护等基础能力，降低企业使用门槛，无需深厚算法技术储备即可搭建专属智能体，同时配套完善的协议对接、技能库管理、文件存储、长期记忆、权限管控等全流程配套工具。

向上延伸为大模型基础能力层，大模型原生具备通用场景泛化、复杂长周期任务规划、多工具自主调用三大核心能力。但原生大模型仅支持简单一对一问答交互，无法独立完成多步骤、长周期的复杂产业业务，必须搭配驾驭工程协同运行。同时千帆平台兼容市面主流开源大模型，方便企业结合自身业务需求灵活选型，平衡落地效果与使用成本。

对于搭建和部署智能体来说，整个全栈体系中最为核心的环节是Agent Infra 智能体运行底座，也就是驾驭工程，这也是区分智能体综合实力、决定落地性价比的关键所在。驾驭工程覆盖用户意图识别、复杂任务拆解、多模型与多工具协同调度、执行结果自查复盘、长期业务记忆沉淀、技能封装复用、沙箱安全运维等全流程业务逻辑。同款大模型接口，搭配不同成熟度的驾驭工程，最终落地效果差距悬殊，不完善的驾驭工程容易产生大量无效交互与算力空转，拉高使用成本；成熟完善的驾驭工程能够精简无效消耗，同步提升智能体自主执行能力与交付成果质量。

依托这套完整底层体系，我们落地此前提及的三类智能体产品，构筑起同行难以复刻的双层产业迭代飞轮。

虎嗅：我们回到你刚才说窗口期是三年的话题，那怎么在这三年窗口期里把你所描述的这套全栈优势发挥到最大？

沈抖：想要充分释放三年窗口期内的全栈先发优势，核心举措就是打通内部各业务团队协作壁垒，加速硬件、模型、智能体三大板块之间的数据互通与需求流转，实现多维度协同迭代。

我们知道，为了提供大模型的能力上限，我们需要不断的探索合适的网络结构，比如从稠密模型到MOE，以及注意力层的各种注意力机制，这都对芯片的算力、显存和带宽提出了不同的组合要求， 一旦模型找到了最好的网络结构，那就需要相应的芯片来支持，而不像现在，先有了芯片， 模型的研发中需要考虑如何最大化算力的利用率，甚至需要做一些妥协。总之，在模型和算力上，做好充分沟通，就能让模型的优化不受算力的束缚，最后做到量体裁衣，完美匹配，效率最大化； 同时也因为有对模型发展趋势的判断，可以设计出更适合未来行业需要的芯片。

在模型和智能体上，前面也说了，智能体的广泛普及会带来大量高质量的数据，提升模型的能力，反过来模型的能力提升，也会解锁更多的智能体场景。这块儿的紧密协同，会加速模型和智能体的螺旋上升。

这种跨层级实时协同互通，是单一环节布局企业无法实现的核心优势。多数第三方企业只能选用现成通用芯片，被动调整模型适配现有硬件配置，极易造成算力浪费与性能折损。

当前头部科技企业纷纷入局自研芯片，也印证端到端全栈布局已是行业必然趋势。三年窗口期内，能否打通软硬件协同闭环、激活产业迭代飞轮，直接决定企业未来行业地位。

即便部分企业可在三年内补齐单一产业链环节能力，也很难复刻芯片、算力、机房、大模型、驾驭工程、行业智能体融为一体的完整全链路闭环。这三年我们的核心工作，就是持续加快跨层级数据互通效率，完善内部组织知识沉淀体系，将长期积累的全栈先发优势，转化为稳步拉大行业差距的迭代速度优势。

虎嗅：这似乎涉及到协同和信息流淌问题。

沈抖：信息流通的效率决定了认知对齐的速度和质量，决定了最后执行的成败。过去连续多个季度，我都在强调要提高内部整体信息流通的效率，自上而下推进落地执行。

目前我们通过两种手段，全面提升组织信息流转效率：

第一套为传统业务流程优化，各业务团队形成成熟项目方案、落地经验与整改结论后，快速完成横向跨部门同步、纵向上下级同步，杜绝内部信息孤岛，做到问题及时同步、经验快速共享。

第二套依托智能体搭建自动化信息流转体系，解决人工信息传递的各类弊端。我们针对内部商机管理、项目管理、企业知识库等办公系统，研发搭建大量专属实用技能，鼓励员工将重复性固定工作流程封装为可共享技能，其他员工遇到同类工作场景，可直接复用成熟经验，减少重复试错与沟通成本。

结合我自身办公场景举例，日常使用通用智能体处理办公事务时，一旦发现执行流程存在漏洞，会及时修正优化，完成工作后将标准化处理流程封装为专属共享技能，具备团队复用价值便全员同步，省去一对一经验传递的繁琐流程，大幅缩减内部沟通成本。

这套技能沉淀共享机制，同样同步应用在千帆企业版产品中，外部企业用户可将内部专属办公流程封装为私有共享技能，实现企业内部业务经验全员流转，有效规避员工离职造成核心业务经验流失的问题，保障组织能力稳步提升，不会出现能力断层。

虎嗅：你提到了自己能力的Skill 化，能不能再举一个您自己日常真实使用智能体落地的亲身案例？

沈抖：今天上午召开内部会议时，我刚好用到这类办公场景。企业内部日常会议材料中，经常会插入各类内部知识库链接，受企业数据安全权限管控限制，并非所有员工都能直接打开访问，需要单独申请访问权限。

多数员工整理会议材料时，不会提前逐一测试访问权限，经常出现会议现场投屏后，投屏的电脑因为没有访问权限而无法打开页面、中途暂停会议申请权限的情况，严重浪费会议时间。

今天会前我拿到附带大量知识库外链的会议文档后，没有手动逐条核查，直接将文档推送至百度搭子，请它看看这个知识库里有没有我没有访问权限的链接。

百度搭子自动完成全文档链接筛查，找出我没有访问权限的链接，这样我就可以在会前完成申请权限申请，就能保障整场会议不再因为权限问题而浪费时间。

类似这类即兴的、细碎的工作，很难说有个专门的工具来处理，那只能靠人提前把文档扫一遍，把每个链接挨个检查一下有没有权限，但现在，有了百度搭子这种通用智能体，就可以直接丢给它，它就真给解决了。

现在提到智能体，大家首先想起的是PPT制作、文案撰写这类事，其实智能体更大的价值在于能够处理刚才说的这种即兴的工作，而不是某一类固定的事， 不是因为这一个小事带来了多大价值，而是因为它的通用性，打开了智能体的边界。

虎嗅：就像刚才你提到这件事，这件事靠人工也能做完，但您会主动交给智能体处理，可很多普通员工不会想到、没有主动用AI 解决这类琐事的意识，核心根源是什么？产品层面怎么抹平这种人为因素的差异？

沈抖：员工之间AI 使用意愿出现明显分化，核心原因在于大家对智能体实战履职能力的信任度不同。部分员工主观认定 AI 办公容易出现失误，依旧固守传统人工办公模式；充分认可人机协同发展趋势、信赖智能体工作能力的员工，会主动将重复性琐事交由智能体处理。

我日常八成左右的标准化办公工作，都会交由智能体全权处理，日程规划、邮件处理、资料归档、文件核验等工作均实现自动化运转。在我看来，未来人机协同边界十分清晰，旅行、健身等需要亲身体验的事务由人自主完成，其余所有办公、生产类事务，都会逐步由智能体辅助乃至独立完成。随着智能体自主执行能力持续升级，全行业AI 工具使用普及度与依赖度也会持续提升。

虎嗅：我很好奇你在内部怎么推动员工积极拥抱AI？会强制员工使用 AI 工具吗？

沈抖：强制推行AI 办公很难落地见效，我们始终以正向引导、福利牵引为主，不设置硬性使用规定。

从顶层战略层面来说，Robin多次强调要完成企业内部AI 能力内化，依托 AI 技术重构产品。我们对外提供的AI 产品、智能体工具，都会在百度内部对应的场景完成全流程落地试用与效果验证，百度自身就是AI 产品的实战试验场，沉淀成功经验与优化思路后，再对外推向市场。像依托伐谋智能体优化机房算力分配这类重点项目，均为高层牵头落地的 AI 落地标杆项目，起到良好示范作用。

同时我们推出常态化员工福利政策，目前依旧正常执行，为每位在职员工每月发放一千元使用额度，可自由体验市面各类主流大模型产品，不限用途，纯粹降低员工试用门槛，不绑定任何工作考核。员工亲身感受到AI 工具的提效价值后，自然会养成常态化使用习惯。

在组织管理层面，我们搭建完善的技能沉淀与内部共享体系，降低全员AI 使用门槛。依托内部办公系统搭建各类专属办公技能，鼓励员工梳理高频重复工作流程，封装为可内部共享的实用技能。这套模式也同步落地千帆企业版，帮助合作企业留存核心业务经验，规避人员流动带来的经验流失问题。

多数员工缺乏主动使用AI 办公的意识，核心还是对智能体工作稳定性心存顾虑，担心出现工作失误，宁愿耗费时间人工核对，也不愿尝试智能体办公。

但仅凭口头宣讲很难扭转固有办公习惯，最根本的解决方式还是从产品端持续提升智能体自主完成率。当智能体能够仅凭单次指令就圆满完成全流程工作，无需人工反复修正调整，员工在多次稳定使用后，自然会建立使用信任感，自发养成AI 办公习惯。

目前企业销售团队、产业落地团队已经常态化沉淀各类业务专属技能，借助智能体简化客户对接、项目推进等日常工作。提升内部信息流通效率是我长期核心工作目标，而智能体应用与共享技能体系，正是落地这一目标的核心抓手。

全员常态化使用智能体办公，也能形成良性内部循环，员工日常办公产生的海量实战数据，能够反向优化通用智能体与驾驭工程能力；全员沉淀的办公实用技能，能够持续丰富平台功能体系，留存企业组织经验，避免能力断层，同步助力企业孵化更多有效DAA。

本文来自虎嗅，原文链接：https://www.huxiu.com/article/4875856.html?f=wyxwapp