獨家對話｜百度沈抖：拿什么去拼未來三年窗口期

出品｜虎嗅商業消費組

作者｜苗正卿

題圖｜視覺中國

這是虎嗅WAIC“追蹤Token商業新范式”系列文章第10期。

臨近上海世界人工智能大會召開，虎嗅和百度集團執行副總裁、百度智能云事業群總裁沈抖進行了獨家對話。

2026年初，百度內部開始以DAA（虎嗅注：DAA 即 Daily Active Agent，日活躍智能體數量）為衡量AI的核心維度，這和目前市面上其他以Token、月活等維度為核心維度的廠商并不相同。

虎嗅獲悉，百度內部Agent可以分為三類：

第一類，以百度搭子、GenFlow為代表的通用Agent

第二類，以秒噠、百度伐謀、百度一鏡、百度一見、百度Hogee等Agent為代表的，切入某具體場景的垂類Agent

第三類，基于百度智能云新全棧AI云能力，開發的產業Agent

這三類Agent構成了百度Agent矩陣的基石。

Agent矩陣，是百度“AI體系”水面上的一部分，在水下，由昆侖芯（芯片算力內核）、百度智能云（云基礎設施）、文心大模型（模型基座）構成了一個完整的“芯 — 云 — 模 ”體系，和Agent最終構成了百度的“芯 — 云 — 模 — 體”四層結構。

在這次與虎嗅的交流中，沈抖詳細描述了百度內部DAA的誕生過程、這個框架的內核邏輯，以及在Agent大爆發時代，各個廠商正到底在比拼什么。

對于未來一年半行業的趨勢，沈抖也向虎嗅做出了五項預判——

1、智能體驅動大模型迭代的閉環效應會變得更突出、更明顯。智能體落地會產生大量真實產業數據回流，這些數據會持續迭代大模型，模型變強又能支撐更多場景智能體落地，這套飛輪轉得越來越快，這是最核心的底層變化。

過去行業只比模型參數、跑分，現在以及未來一年半，比拼的不再是單純模型基礎能力，而是真實任務完成率、單位Token 價值、產業落地規模，客戶不再為概念買單，開始實實在在為效果、提效效率付費，用好每一份算力、每一個 Token 會成為行業共識。

2、通用智能體、行業垂類智能體規模化落地速度會大幅提升，2026年下半年就能明顯看到批量落地案例涌現。未來 90% 的工作都會有智能深度參與、協助完成，不是完全替代人，人聚焦決策、創意、監督，智能體承接長鏈路推理、多工具編排、大批量文件處理、數據治理這類重復性工作。智能體會成為企業標配，不管是大企業還是中小機構，都會批量搭建適配自身業務的 Agent，DAA會成為全行業通用衡量標尺。

3、大眾、產業對智能體的認知深度會大幅提升。現在很多人還把 AI 等同于對話聊天機器人，下半年到明年，大家會真正理解智能體可以深度嵌入生產、辦公全流程，會有更多企業、個人主動擁抱智能體，人機協同成為日常工作模式，超級個體時代正式到來，組織形態從傳統金字塔轉向人和智能體混合編隊，組織知識可以通過 Skill 持續沉淀。

4、具身智能會迎來成本快速下行周期。中國擁有完整供應鏈、工程師紅利、成熟成本控制體系，還有海量落地場景，未來不久，機器人、各類具身設備價格會下探到家庭、中小企業可接受區間，未來機器人服務甚至會像現在云服務一樣。

5、全棧“芯 - 云 - 模 - 體”閉環會成為廠商勝負手。未來一年半是三年黃金窗口期中段，只做單一環節的廠商迭代速度會明顯落后。

?2026年第一季度，百度AI收入同比增幅達到49%，收入占比達到52%——這是百度歷史上首次AI收入占比過半。

但不可否認，競爭是激烈的：字節、阿里、騰訊在Agent、云等領域都在勇猛精進，而諸如阿里、華為等廠商也已經實現了擁有芯片、云、模型的完整“全棧”。

值得注意的是，百度是國內最早布局深度學習的廠商之一，也被視為最具硅谷技術基因的科技公司。早在2023年，百度便率先發布文心一言，在AI賽道上建立了明顯的先發優勢，一度領先字節、阿里、騰訊等同行。

然而過去三年，中國AI行業競爭格局加速演變，各路選手紛紛發力。據QuestMobile 2026年3月數據，在AI原生App月活榜單上，字節豆包、阿里千問、DeepSeek占據了前三。這一變化并非意味著百度技術實力的退步，而是折射出整個行業已進入群雄逐鹿的新階段——先發優勢需要持續的產品迭代和用戶運營才能轉化為長期的市場領先。?

在人才生態層面，百度長期被譽為中國AI界的"黃埔軍校"，為整個行業輸送了大量核心人才。MiniMax、Anthropic等全球頭部AI企業的核心創始人均出自百度實驗室，字節、阿里等公司的諸多AI骨干也源自百度"青訓"體系的培養。百度的技術環境確實更適合AI人才的成長，但人才的流失亦讓人不無可惜。

百度還有沒有好牌？如何把牌在巧妙的時間點、最高效地打出？可能需要這家本來富有AI基因的公司對未來有更到位的布局。

沈抖認為，未來三年是一個關鍵窗口期：三年內，AI賽道的廠商、獨角獸們，會不斷意識到全棧的優勢；而百度智能云的友商們，也在有意識地補全“全棧”能力——這對百度智能云來說，既是擁有優勢的機會點，也是面對更大競爭的挑戰點。

百度能贏嗎？

下附虎嗅和沈抖交流內容，有刪改：

百度的AI 敘事內核到底是什么？

虎嗅：百度現在對AI 的敘事并沒有和其他廠商一樣選擇 Token 為錨點，而是以 DAA 為錨點，我聽說在 2026 年初你們內部已經有 DAA 這個概念了？

沈抖：首先百度內部有一個基本判斷，也是我們的頂層戰略—— 智能體（Agent）是大模型落地的核心載體。這個判斷并非 2026 年提出，而是Robin（百度創始人李彥宏）多年前就確立的。

圍繞這一判斷，我們開始思考如何衡量智能體的實際價值，早期也曾參考過DAU 這類傳統指標，2026 年初內部正式對 DAA 形成統一共識。

DAA 是一套能夠衡量大模型產業價值的統一評估維度，也是企業內外戰略對齊的溝通基準。在百度的定義里，只有能夠落地履職、產出實際效果的智能體才算有效統計對象；僅處于在線狀態，無法完成業務任務、得不到客戶認可的智能體，不具備實際價值，不計入有效 DAA。

如果將大模型比作電力基礎設施，其核心價值不在于基礎產能本身，而在于賦能千行百業落地場景后創造的實際效益。因此百度始終沒有把Token 調用量當作核心考核標準，我們更聚焦智能體實際活躍頻次與日活躍智能體規模，也就是 DAA。

虎嗅：你們內部沒有考慮過把Token 當做一個指標？

沈抖：我們從未將Token 設立為內部考核指標，Token 本質只是單純的算力資源消耗。

我可以舉個例子，普通用戶首先關注的是家電設備帶來的實際使用體驗，比如空調是不是制冷、體感是不是舒服，而不是首先看用了多少度電，更不可能覺得電用的越多越好。這和智能體落地邏輯高度契合，智能體正是大模型打通業務場景、落地商業價值的最后一環。

早期我們借鑒過DAU 評估邏輯，但很快發現，DAU 側重統計產品使用人數，更適配 C 端標準化通用產品，完全不適用于大量產業端落地場景。

以深圳供電局設備運維場景舉例，傳統模式下，工作人員需要人工逐條梳理設備告警信息，區分故障類型、告警優先級。依托智能體搭建自動化工作流后，整套運維智能體日常僅需一名運維人員操作使用，卻能大幅縮減人工工作量、降低故障誤判與漏判風險，創造實打實的產業價值，這類場景下用戶規模完全無法體現智能體真實價值。

這和移動互聯網的生態也是類似的，行業生態健康與否，不能只看頭部產品用戶體量大小，而在于大量適配細分需求的產品能否持續活躍。

同理，大模型產業走向成熟的標志，從來不是單一款通用智能體坐擁海量用戶，而是各行各業細分賽道中，涌現出大批穩定運行、解決實際痛點的智能體。即便部分場景智能體使用人群極少，只要能夠穩定落地、實現降本增效，就擁有不可替代的產業意義。

這也是DAA 與 DAU 最核心的區別：DAU 容易引導行業扎堆大眾通用市場，而 DAA 能夠引導行業深耕此前被忽視的垂直小眾場景與碎片化場景，真實反映大模型普惠落地的整體進程。

2026 年初內部會議中，Robin明確提出，行業發展不能只深耕大模型基礎能力，更要全力推動全場景智能體規模化落地，DAA 評估體系也順勢成型。目前百度內部所有研發規劃、行業項目布局，均以可落地、可運行的活躍智能體數量作為統一對齊標準。

虎嗅：我再追問一下，你們所渴望的“DAA 大爆發”，它出現的前提是否是 Token 的極致低價？

沈抖：并非如此。DAA 實現規模化普及爆發，核心依托是高性價比，而非單純壓低使用價格。一款智能體解決方案即便使用成本偏高，只要創造的產業價值遠超投入成本，企業客戶依舊愿意長期使用；反之，僅做到低價卻無法落地解決業務問題，本質就是資源無效消耗。“性價比 = 落地實際價值 ÷ 綜合使用成本”——這也是百度所有智能體產品的核心設計邏輯。

虎嗅：基于百度DAA 的邏輯，智能體的數量很重要，但畢竟資源有限，不可能所有場景的 Agent 都做一遍，你們怎么規劃資源布局、優先做什么 Agent？

沈抖：百度劃定智能體研發布局優先級，主要依據兩大核心維度，一是當下大模型與駕馭工程可落地的技術能力邊界，二是行業真實市場需求與項目落地后的實際產業價值，二者缺一不可。

當前行業主流存在兩種截然不同的發展理念：

第一種理念認為，隨著大模型能力持續迭代升級，通用智能體性能會持續完善，最終僅憑一款通用智能體，就能覆蓋全行業各類需求，解決所有場景業務問題，無需額外研發垂直行業專屬智能體。

第二種理念認為，不同行業、不同細分業務都擁有專屬業務流程、專業知識體系與業務約束條件，場景差異化十分明顯，即便通用大模型持續優化，單一通用智能體也很難兼顧垂直領域的執行效率與落地成本，必須針對性研發垂類場景專屬智能體。

百度不會單一偏向任意一種發展理念，而是采取雙線并行的布局模式，同步推進三類智能體研發落地。

通用智能體對應第一種發展理念，能夠承接用戶各類日常需求，辦公事務、信息查詢、簡單事務規劃等需求都可交由其處理。

垂直行業智能體對應第二種發展理念，各個行業賽道擁有專屬業務經驗、運行流程與行業數據，僅依靠通用智能體獨立運行，很難輸出穩定優質的落地效果。

用通俗案例舉例，資深全科醫生專業知識面覆蓋面極廣，理論上可處理多數基礎診療工作，但實際診療場景中，不會讓全科醫生承擔抽血這類標準化基礎工作，核心是兼顧運行成本與執行效率。即便未來通用智能體能力持續升級，多數細分場景依舊更適配專用垂類智能體，落地效果也更理想。

長期來看，兩類智能體并非互相替代，而是形成協同配合模式，垂類智能體將自身專業能力封裝為專屬技能，由通用智能體根據實際需求靈活調用。用戶僅需對接統一的通用交互入口，后臺便可自動調度各類垂類智能體完成細分工作。

在此基礎上，我們還布局了第三類產業智能體，同樣依托第二種發展理念搭建。這類智能體不由百度自主研發，我們對外開放全套算力、大模型與智能體開發底座，由行業合作伙伴與企業結合自身行業積淀，打造適配自身細分業務流程的定制化智能體，深圳供電局故障排查智能體、廚具企業鋼板切割優化智能體都屬于此類。

其中通用智能體、垂類行業智能體為百度自研產品，產業智能體由合作伙伴和企業依托百度技術體系自主搭建。

從長遠技術發展來看，理想形態下通用智能體可自主生成子智能體，適配全新業務場景，但目前行業技術尚且無法實現，因此現階段我們以分層布局三類智能體為核心發展路徑。

虎嗅：你們怎么評估智能體的成敗或者優劣呢？

沈抖：我們評判智能體優劣與落地成效，首要評判標準就是落地實效，也就是智能體解決實際業務問題的能力。產品完成交付只是落地的基礎環節，倘若無法切實解決客戶核心需求，即便完成交付也無法實現規模化復制推廣，因此落地效果始終是第一考核準則。

虎嗅：這個效果具體怎么評估？

沈抖：具體評估方式包含面向企業客戶開展POC 概念驗證測試，同時結合客戶業務問題解決率、實際使用滿意度進行綜合調研評判。

以養老場景落地案例來說，搭載在小度音響上的養老服務智能體，我們不會以硬件交付數量作為考核依據，核心考核指標為用戶問題解決率與實際使用滿意度。

虎嗅：效果之外，還有什么指標是你們用于評估智能體的？

沈抖：一個是考量項目落地綜合性價比，行業用戶在選擇智能體服務時，不會一味追求最低廉的Token 使用成本，更青睞兼顧落地效果與使用成本的高性價比解決方案。

還有一個核心指標為智能體自主完成率，即用戶僅下達單次指令，無需人工反復修正、多輪溝通確認，智能體即可獨立完成全流程業務工作的比例。目前行業整體自主完成率僅維持在30%-40%，依靠多輪交互兜底的任務完成率雖能達到 90% 以上，但大量人工介入會大幅降低落地效率，因此提升自主完成率是產品迭代的核心方向。

虎嗅：這個體系引起我一個好奇，就是使用者本身操作、AI 理解能力的區別，可能會影響他使用 Agent 的效果、感受，這會產生一些噪音，而你們的評估維度里其實效果、滿意度權重很高。

沈抖：使用者個人能力差異帶來的使用體驗偏差無法徹底規避，這一現象和搜索引擎使用邏輯一致。同樣使用搜索產品，不同用戶梳理需求、設置關鍵詞的方式不同，最終獲取信息的效率也截然不同，這一問題在智能體時代依舊普遍存在。

評判產品實力需要區分兩個層面，其一，同款智能體出現使用效果差異，根源在于用戶對工具的熟悉程度不同，這類由使用門檻帶來的體驗差距無法徹底消除。

其二，橫向對比不同品牌同類產品，即便是零基礎新手用戶，也能直觀感受到產品之間的使用差距，這也能直接印證產品在交互設計、底層技術層面的實力差距。

我們在產品設計階段，就刻意規避復雜操作門檻，堅持極簡自然的交互邏輯，用戶僅需用日常語言表達需求，智能體即可自主識別完整訴求、走完整套處理流程，無需用戶學習專業指令與分步操作。

而自主完成率，正是我們用來弱化人為使用差距的核心內部考核指標。

用戶僅憑一句簡單需求，智能體就能全程自主辦結工作，無需用戶補充信息、修正指令，能夠最大程度抹平個人使用能力帶來的體驗差距。

受行業整體技術限制，目前多輪對話可實現較高任務辦結率，但單次指令直達辦結的自主完成率普遍偏低，這也導致智能體使用效果極易受用戶表達能力、使用經驗影響，即便產品底層技術沒有短板，也容易讓用戶產生體驗不佳、性價比偏低的主觀認知。

基于此，我們將提升自主完成率列為所有產品迭代的最高優先級，把優化使用體驗的重心放在技術研發層面，而非要求用戶主動適配產品使用邏輯。

即便面對使用能力偏弱的用戶，持續提升產品自主執行能力，也能有效弱化人為因素帶來的體驗干擾，讓智能體真實的業務價值與高性價比優勢直觀體現，持續提升各類場景下的有效DAA 數量。

Agent 大爆發時代，大廠和獨角獸們在拼什么？

虎嗅：Agent 大爆發會改變市場的游戲規則嗎？

沈抖：會徹底重塑行業競爭規則。在智能體大規模普及之前，大模型訓練主要依賴存量靜態標注數據，需要人工整理投喂訓練素材，數據反饋鏈路長，貼合實體產業的實戰樣本稀缺，模型整體迭代速度較為緩慢。

智能體落地普及后，行業形成全新的高速迭代閉環：智能體可自主拆解任務、調用工具執行工作、自查執行漏洞，主動發現工具調用失誤、參數匹配錯誤、流程邏輯漏洞等各類問題。結合人工對輸出內容的修正與使用反饋，能夠源源不斷產出貼合真實業務場景的高質量訓練素材。

這類實戰場景沉淀而來的數據，質量遠高于傳統人工標注數據，能夠反向驅動大模型持續優化升級。大模型性能提升后，可承接的業務場景與復雜任務持續增多，企業落地部署智能體的數量隨之上漲，進一步沉淀更多產業實戰數據，反哺模型迭代優化。

由此形成高速運轉的產業飛輪：智能體場景落地-實戰業務數據回流-大模型迭代升級-高性能智能體落地普及-覆蓋更多全新業務場景。

行業競爭邏輯也隨之發生轉變，早期行業競爭聚焦大模型基礎訓練能力，比拼模型參數規模與原生基礎性能；進入智能體落地時代，產業落地沉淀而來的迭代飛輪價值，已經比肩底層基礎技術實力，甚至能夠彌補短期單點技術層面的差距。

同等基礎模型條件下，擁有完整全棧技術體系、具備海量產業落地場景持續獲取實戰數據的企業，和僅依靠實驗室靜態數據優化模型的企業，長期發展差距會持續拉大。

缺少產業落地閉環的企業，只能依靠少量人工標注數據緩慢優化模型，迭代效率偏低，很難貼合市場真實業務需求；而搭建起全棧閉環的企業，能夠實時獲取一線業務反饋，同步完成模型、智能體、底層硬件的全方位優化升級。

這也意味著全棧閉環能力，已經成為當下乃至未來行業競爭的核心核心壁壘，長遠來看行業比拼的不再是單一技術優勢，而是能否搭建軟硬件協同的完整迭代閉環，實現技術自主持續優化。

技術鏈路中任意環節出現數據斷層、技術壁壘，都會直接放緩整體迭代節奏，阻礙產業飛輪正常運轉。

歸根結底，智能體不只是面向終端用戶的應用產品，更是整個AI 技術體系鏈接實體產業、獲取實戰反饋、驅動行業迭代升級的核心載體。

虎嗅：所以拼的是全棧能力？你怎么定義這種能力？

沈抖：當下行業競爭的核心就是全棧綜合能力，放眼全球行業格局，OpenAI 也已經入局自研芯片賽道，足以證明搭建全棧體系是行業發展的必然趨勢。

目前多數行業玩家都只深耕產業鏈單一環節，要么單純售賣算力資源，要么對外輸出大模型API 接口，或是僅研發表層對話類 AI 應用，產業鏈條中存在大量技術斷層，不僅拉高整體落地成本，也會限制智能體實際業務處理能力。百度是國內為數不多，實現從底層 AIDC 算力基建到上層行業智能體應用全鏈路自主研發布局的企業，內部各類業務數據、技術需求可雙向互通協同優化，最大化降低軟硬件適配帶來的資源損耗與性能折損。

虎嗅：所以在全棧能力上，你認為百度有先發優勢？那你覺得這個優勢紅利窗口期大約多久？

沈抖：百度在全棧布局領域確實具備先發積淀優勢。結合行業硬件研發周期來看，一款AI 芯片從立項設計、流片量產到場景適配落地，完整周期大致為兩三年。對于現階段才開始布局自研芯片、補齊底層算力基建的企業而言，補齊整套全棧體系需要耗費三年時間，這三年也是行業劃分梯隊、拉開發展差距的黃金窗口期。

三年窗口期結束后，行業整體市場格局將基本定型，擁有成熟全棧技術閉環、積累海量產業落地數據的企業，將構筑起難以短期超越的行業壁壘。

虎嗅：你怎么解構百度的全棧能力？似乎各廠商的定義方法還是有細微差別的。

沈抖：百度將整套全棧底層技術體系劃分為兩大核心底座，分別是AI Infra 算力基礎設施層、Agent Infra 智能體運行底座，兩大底座之上搭配三類智能體產品，構筑成芯、云、模、體一體化的完整全棧閉環。

首先是AI Infra 算力基礎設施層，其一為自建 AIDC 人工智能算力中心體系，當前高端 AI 服務器功耗可達 600 千瓦，傳統 220V 供電模式無法承載高負荷運行產生的能耗損耗，我們自研 800 伏直流供電體系，搭配定制液冷散熱設備、專用變壓器與應急供電設備，完成機房基建、電力、散熱、網絡全流程國產化改造。

其二為昆侖芯國產AI 芯片，我們深耕芯片研發領域已有十年之久。市面通用芯片普遍搭載大量智能體訓練、推理場景用不到的冗余硬件模塊，而我們依托大模型訓練、推理的實戰經驗，可以合理配置芯片的算力、顯存、帶寬并深度優化核心要素之間的協同，從源頭杜絕算力資源浪費。

其三為集群調度體系，我們重構傳統算力集群架構，將以供配電為中心的架構升級為以網絡節點為中心的架構，提升服務器集群高速協同效率，并以百度百舸為核心，統一統籌調配昆侖芯算力資源，合理劃分訓練與推理業務資源配比，減少算力閑置浪費。同時依托訓推一體化平臺完成異構芯片調度、緩存策略優化，有效降低單次推理算力消耗。

中間銜接層為百度千帆平臺，早期千帆平臺對外開放語音識別、OCR 識別等基礎 AI 能力接口，大模型時代完成全面升級，打造可視化拖拽式工作流搭建工具，適配企業各類標準化業務流程。平臺全面封裝底層算力、模型、存儲、安全防護等基礎能力，降低企業使用門檻，無需深厚算法技術儲備即可搭建專屬智能體，同時配套完善的協議對接、技能庫管理、文件存儲、長期記憶、權限管控等全流程配套工具。

向上延伸為大模型基礎能力層，大模型原生具備通用場景泛化、復雜長周期任務規劃、多工具自主調用三大核心能力。但原生大模型僅支持簡單一對一問答交互，無法獨立完成多步驟、長周期的復雜產業業務，必須搭配駕馭工程協同運行。同時千帆平臺兼容市面主流開源大模型，方便企業結合自身業務需求靈活選型，平衡落地效果與使用成本。

對于搭建和部署智能體來說，整個全棧體系中最為核心的環節是Agent Infra 智能體運行底座，也就是駕馭工程，這也是區分智能體綜合實力、決定落地性價比的關鍵所在。駕馭工程覆蓋用戶意圖識別、復雜任務拆解、多模型與多工具協同調度、執行結果自查復盤、長期業務記憶沉淀、技能封裝復用、沙箱安全運維等全流程業務邏輯。同款大模型接口，搭配不同成熟度的駕馭工程，最終落地效果差距懸殊，不完善的駕馭工程容易產生大量無效交互與算力空轉，拉高使用成本；成熟完善的駕馭工程能夠精簡無效消耗，同步提升智能體自主執行能力與交付成果質量。

依托這套完整底層體系，我們落地此前提及的三類智能體產品，構筑起同行難以復刻的雙層產業迭代飛輪。

虎嗅：我們回到你剛才說窗口期是三年的話題，那怎么在這三年窗口期里把你所描述的這套全棧優勢發揮到最大？

沈抖：想要充分釋放三年窗口期內的全棧先發優勢，核心舉措就是打通內部各業務團隊協作壁壘，加速硬件、模型、智能體三大板塊之間的數據互通與需求流轉，實現多維度協同迭代。

我們知道，為了提供大模型的能力上限，我們需要不斷的探索合適的網絡結構，比如從稠密模型到MOE，以及注意力層的各種注意力機制，這都對芯片的算力、顯存和帶寬提出了不同的組合要求， 一旦模型找到了最好的網絡結構，那就需要相應的芯片來支持，而不像現在，先有了芯片， 模型的研發中需要考慮如何最大化算力的利用率，甚至需要做一些妥協。總之，在模型和算力上，做好充分溝通，就能讓模型的優化不受算力的束縛，最后做到量體裁衣，完美匹配，效率最大化； 同時也因為有對模型發展趨勢的判斷，可以設計出更適合未來行業需要的芯片。

在模型和智能體上，前面也說了，智能體的廣泛普及會帶來大量高質量的數據，提升模型的能力，反過來模型的能力提升，也會解鎖更多的智能體場景。這塊兒的緊密協同，會加速模型和智能體的螺旋上升。

這種跨層級實時協同互通，是單一環節布局企業無法實現的核心優勢。多數第三方企業只能選用現成通用芯片，被動調整模型適配現有硬件配置，極易造成算力浪費與性能折損。

當前頭部科技企業紛紛入局自研芯片，也印證端到端全棧布局已是行業必然趨勢。三年窗口期內，能否打通軟硬件協同閉環、激活產業迭代飛輪，直接決定企業未來行業地位。

即便部分企業可在三年內補齊單一產業鏈環節能力，也很難復刻芯片、算力、機房、大模型、駕馭工程、行業智能體融為一體的完整全鏈路閉環。這三年我們的核心工作，就是持續加快跨層級數據互通效率，完善內部組織知識沉淀體系，將長期積累的全棧先發優勢，轉化為穩步拉大行業差距的迭代速度優勢。

虎嗅：這似乎涉及到協同和信息流淌問題。

沈抖：信息流通的效率決定了認知對齊的速度和質量，決定了最后執行的成敗。過去連續多個季度，我都在強調要提高內部整體信息流通的效率，自上而下推進落地執行。

目前我們通過兩種手段，全面提升組織信息流轉效率：

第一套為傳統業務流程優化，各業務團隊形成成熟項目方案、落地經驗與整改結論后，快速完成橫向跨部門同步、縱向上下級同步，杜絕內部信息孤島，做到問題及時同步、經驗快速共享。

第二套依托智能體搭建自動化信息流轉體系，解決人工信息傳遞的各類弊端。我們針對內部商機管理、項目管理、企業知識庫等辦公系統，研發搭建大量專屬實用技能，鼓勵員工將重復性固定工作流程封裝為可共享技能，其他員工遇到同類工作場景，可直接復用成熟經驗，減少重復試錯與溝通成本。

結合我自身辦公場景舉例，日常使用通用智能體處理辦公事務時，一旦發現執行流程存在漏洞，會及時修正優化，完成工作后將標準化處理流程封裝為專屬共享技能，具備團隊復用價值便全員同步，省去一對一經驗傳遞的繁瑣流程，大幅縮減內部溝通成本。

這套技能沉淀共享機制，同樣同步應用在千帆企業版產品中，外部企業用戶可將內部專屬辦公流程封裝為私有共享技能，實現企業內部業務經驗全員流轉，有效規避員工離職造成核心業務經驗流失的問題，保障組織能力穩步提升，不會出現能力斷層。

虎嗅：你提到了自己能力的Skill 化，能不能再舉一個您自己日常真實使用智能體落地的親身案例？

沈抖：今天上午召開內部會議時，我剛好用到這類辦公場景。企業內部日常會議材料中，經常會插入各類內部知識庫鏈接，受企業數據安全權限管控限制，并非所有員工都能直接打開訪問，需要單獨申請訪問權限。

多數員工整理會議材料時，不會提前逐一測試訪問權限，經常出現會議現場投屏后，投屏的電腦因為沒有訪問權限而無法打開頁面、中途暫停會議申請權限的情況，嚴重浪費會議時間。

今天會前我拿到附帶大量知識庫外鏈的會議文檔后，沒有手動逐條核查，直接將文檔推送至百度搭子，請它看看這個知識庫里有沒有我沒有訪問權限的鏈接。

百度搭子自動完成全文檔鏈接篩查，找出我沒有訪問權限的鏈接，這樣我就可以在會前完成申請權限申請，就能保障整場會議不再因為權限問題而浪費時間。

類似這類即興的、細碎的工作，很難說有個專門的工具來處理，那只能靠人提前把文檔掃一遍，把每個鏈接挨個檢查一下有沒有權限，但現在，有了百度搭子這種通用智能體，就可以直接丟給它，它就真給解決了。

現在提到智能體，大家首先想起的是PPT制作、文案撰寫這類事，其實智能體更大的價值在于能夠處理剛才說的這種即興的工作，而不是某一類固定的事， 不是因為這一個小事帶來了多大價值，而是因為它的通用性，打開了智能體的邊界。

虎嗅：就像剛才你提到這件事，這件事靠人工也能做完，但您會主動交給智能體處理，可很多普通員工不會想到、沒有主動用AI 解決這類瑣事的意識，核心根源是什么？產品層面怎么抹平這種人為因素的差異？

沈抖：員工之間AI 使用意愿出現明顯分化，核心原因在于大家對智能體實戰履職能力的信任度不同。部分員工主觀認定 AI 辦公容易出現失誤，依舊固守傳統人工辦公模式；充分認可人機協同發展趨勢、信賴智能體工作能力的員工，會主動將重復性瑣事交由智能體處理。

我日常八成左右的標準化辦公工作，都會交由智能體全權處理，日程規劃、郵件處理、資料歸檔、文件核驗等工作均實現自動化運轉。在我看來，未來人機協同邊界十分清晰，旅行、健身等需要親身體驗的事務由人自主完成，其余所有辦公、生產類事務，都會逐步由智能體輔助乃至獨立完成。隨著智能體自主執行能力持續升級，全行業AI 工具使用普及度與依賴度也會持續提升。

虎嗅：我很好奇你在內部怎么推動員工積極擁抱AI？會強制員工使用 AI 工具嗎？

沈抖：強制推行AI 辦公很難落地見效，我們始終以正向引導、福利牽引為主，不設置硬性使用規定。

從頂層戰略層面來說，Robin多次強調要完成企業內部AI 能力內化，依托 AI 技術重構產品。我們對外提供的AI 產品、智能體工具，都會在百度內部對應的場景完成全流程落地試用與效果驗證，百度自身就是AI 產品的實戰試驗場，沉淀成功經驗與優化思路后，再對外推向市場。像依托伐謀智能體優化機房算力分配這類重點項目，均為高層牽頭落地的 AI 落地標桿項目，起到良好示范作用。

同時我們推出常態化員工福利政策，目前依舊正常執行，為每位在職員工每月發放一千元使用額度，可自由體驗市面各類主流大模型產品，不限用途，純粹降低員工試用門檻，不綁定任何工作考核。員工親身感受到AI 工具的提效價值后，自然會養成常態化使用習慣。

在組織管理層面，我們搭建完善的技能沉淀與內部共享體系，降低全員AI 使用門檻。依托內部辦公系統搭建各類專屬辦公技能，鼓勵員工梳理高頻重復工作流程，封裝為可內部共享的實用技能。這套模式也同步落地千帆企業版，幫助合作企業留存核心業務經驗，規避人員流動帶來的經驗流失問題。

多數員工缺乏主動使用AI 辦公的意識，核心還是對智能體工作穩定性心存顧慮，擔心出現工作失誤，寧愿耗費時間人工核對，也不愿嘗試智能體辦公。

但僅憑口頭宣講很難扭轉固有辦公習慣，最根本的解決方式還是從產品端持續提升智能體自主完成率。當智能體能夠僅憑單次指令就圓滿完成全流程工作，無需人工反復修正調整，員工在多次穩定使用后，自然會建立使用信任感，自發養成AI 辦公習慣。

目前企業銷售團隊、產業落地團隊已經常態化沉淀各類業務專屬技能，借助智能體簡化客戶對接、項目推進等日常工作。提升內部信息流通效率是我長期核心工作目標，而智能體應用與共享技能體系，正是落地這一目標的核心抓手。

全員常態化使用智能體辦公，也能形成良性內部循環，員工日常辦公產生的海量實戰數據，能夠反向優化通用智能體與駕馭工程能力；全員沉淀的辦公實用技能，能夠持續豐富平臺功能體系，留存企業組織經驗，避免能力斷層，同步助力企業孵化更多有效DAA。

本文來自虎嗅，原文鏈接：https://www.huxiu.com/article/4875856.html?f=wyxwapp