大厂竞逐AI办公助手，蒙牛先跑出一个落地样本

微软 Copilot嵌入Office，Google Gemini覆盖Workspace，国内腾讯WorkBuddy、字节豆包、阿里千问办公等密集迭代，AI办公助手赛道持续升温，各方争夺的是办公场景的桌面入口。 产品能力在提升，功能覆盖面在扩大，但在企业侧究竟能跑出什么样的实际效果，目前能拿出完整案例的并不多。 蒙牛8月中旬办了一场AI应用创新大赛的中期路演。大赛从5月启动，蒙牛从内部28个一级事业部选拔出200名“AI先行官”，选手基于腾讯WorkBuddy开发应用，45件作品角逐TOP10，场景覆盖奶牛诊疗、工厂故障诊断、新品全链路管理、电商出图、竞品追踪等。 大部分参赛选手来自非IT领域，包括：研发、供应链、营销、职能等岗位。大赛负责人王觉锋表示，“我们这次并没有以纯IT的同事为主要参赛群体,大量选手来自各个业态、各个岗位方向的业务人员，因为他们自带场景，只是缺AI的翅膀。” 选工具只是第一步 选择WorkBuddy并非一时兴起。蒙牛数智科创部联合参与了工具在易用性、可用性以及安全性稳定性方面的综合判断，赛训部门则由蒙牛集团人力资源管理部与数智科创部联合举办，腾讯智慧经营学堂和腾讯智慧零售行业团队分三个环节全程陪跑，联合交付。 选工具只是第一步，合作的方式远不止把工具交给企业。腾讯智慧经营学堂负责人张芳把合作拆成三环。 第一环是共创赛训机制。这次没有照搬标准模板，而是设计了“事业部选拔+中心化赛训”。前端由各事业部结合真实业务场景发现和选拔人才，保证选手带来的问题来自一线；进入赛训阶段后统一课程学习、专家辅导、作品打磨和路演机制。这种方式既保留了业务场景的真实性，又能统一培养标准、集中专家资源。 第二环是体系化学习。开营做基础直播和行业案例分享，建立认知；随后上线13节短课，每节课配即学即练的小练习，“避免让大家停留在学懂了但是不会做的环节”。 第三环是实战陪跑。每位学员进入业务场景后遇到的问题各不相同，陪跑不能只靠大课。腾讯安排针对性辅导答疑，围绕学员的具体问题和作品目标帮助明确场景、梳理解法。200进45阶段还做了4天线下工作坊，课程老师、产品专家、售前架构师作为教练进到每个小组。“不是导师替学员做项目，而是帮助学员把自己的业务经验转化为解决问题的能力。”张芳说。 王觉锋补充了一个细节，他们甚至连路演该怎么表达专门开了一门课，“不仅把作品做好，还得要把作品表达好”。 打通组织软件 通过WorkBuddy可以一键安装企业即时通讯工具开放的CLI，安装之后，用户可以在WorkBuddy中直接完成在线文档的增删改查、发送消息、新建和取消日程等操作。 王觉锋举例：“比如说帮我总结一下近一周关于AI大赛的讨论，在哪个知识库，哪个协同文档里，或者搞完之后帮我创建一篇文档，然后通过协同软件发送给谁，每天发送给谁，这个东西现在很容易办得到。” 新零售业务负责人徐飞雄的用法更具体。他负责13个大区经理的催办任务，以前需要逐一发送通知，现在给WorkBuddy布置一遍，它通过协同软件定时提醒，每天追踪进度。“以前我需要发13遍，现在我给WorkBuddy布置一遍就可以。” 蒙牛要求所有嵌入的大模型必须过集团的安全审计网关。企业版WorkBuddy 本身提供 SaaS、VPC（私有云）和本地化部署三种版本，中石油等央企在使用本地化部署版本。企业版支持 Token 消耗的分配管控，不同岗位分配不同额度，后台可查看消耗方向。企业级 Skill Hub 用于内部知识沉淀，团队项目空间支持共享知识库、专家和上下文。 腾讯智慧零售行业解决方案专家闵利铭把下一步称为“深水区”。协同蒙牛团队评估哪些系统和数据可以开放给AI，通过API封装和共建MCP（模型上下文协议）实现对接。“坦白的讲这是特别有挑战的深水区，我们会协同蒙牛团队去评估哪些系统哪些数据是可以去开放的，是允许可以被AI访问的，还有哪些系统的数据是有最大价值的是最优先去应用到AI 的。” Token方面，参赛选手进入45强后获得约2000元等值积分，一等奖全年Token不限量，目前没有对使用设限。闵利铭提到，行业内正在探索将Token消耗与人力成本结合管理的模式，但目前仍在探索阶段。 从个人能力到组织资产 在安全和可控的基础上，蒙牛更长远的目标是把个人能力转化为组织资产。 从评审标准的变化可以看出蒙牛的导向。200进45阶段，业务价值占30%权重，其次是AI使用深度、完成度、创新性、可复用性。进入45进10后，完成度被去掉，作品完整已是最低要求。可复用性权重提到25%，成为第二高维度。评委都是各一级事业部中心总及以上负责人，分布在市场、销售、供应链、研发等领域，AI应用深度则由腾讯专家把关。 蒙牛已在规划“训、赛、证、产”体系。训是培训，赛是比赛，证是L1到L3的AI先行官认证。L1掌握基础提示词工程和工具使用，L2需要结合场景产出一个类似AI应用大赛的作品，L3则接近FDE（全栈开发工程师）角色，不仅会用、会搭，还要深刻理解业务需求并跟进测试和效果达成。产是资产沉淀，包括案例库、人才库和Skill库，Skill需经过内部审核才能上架到企业版。 蒙牛把这概括为“AI种子工厂”，通过大赛既产出项目，也培养出一批同时具备技术和业务理解能力的人，他们未来带着技术和业务深入业务线，帮助业务解决更多问题，形成循环。 参赛选手的用法也不全是提效。数智科创部的吴桐做了个叫“小刺猬”的Skill，方向和其他选手不太一样。它会反问你、追问你，推动使用者完善自身判断。吴桐的出发点是“AI不应该偷走我的决策权”，她认为AI倾向于迎合用户意图，长期使用可能导致判断力弱化。小刺猬还连接了的个人知识库，每次对话参考他过往的会议纪要、项目文件和PPT，基于个人经历辅助判断。 跑出来的案例 以下是这套模式跑起来之后的部分案例。 牧场里的AI兽医 “人可以通过AI咨询健康问题，奶牛为什么不行？” 产生这个念头的人叫王国银，在蒙牛奶源事业部负责数字化工作，常年奔走于各个牧场之间，每月至少驻站6个。他注意到市面上的AI健康助手能通过层层追问把人的症状锁定到八九成准确，养猪行业的牧原集团也做了个“猪小牧助手”。既然人和牲畜都有AI辅助诊断的先例，奶牛领域同样存在应用空间。 王国银的痛点来自一线。偏远牧场的基层运维人员专业能力参差不齐，一旦牛群出现群体性健康异常，很难第一时间精准研判，只能等外部专家到场或线上远程对接，响应慢，服务成本也高。 没有编程基础的他，借助WorkBuddy将国内外两本奶牛疾病学权威著作作为知识库交给AI，结合自己多年一线经验，封装出一套奶牛精准诊疗智能Skill。 诊疗分两轮：第一轮把肉眼可见的症状告诉AI，包括体温高低、采食量降幅、产奶量和精神状态，AI锁定三到五种可能疾病；第二轮AI主动追问更精确的信息，比如流涎是从鼻孔还是下颚、下颚是否肿胀、牛群近期有无异常事件，范围缩小到一至三种。 锁定后给出三套方案：快速治疗（药剂足、治愈快、兽药成本高）、温和治疗（考虑休药期，但牛奶要弃奶更久），以及折中方案。 王国银没有让AI替代兽医。他把能力边界也写进了Skill里：“尽管通过AI症状匹配预判可大幅提升诊断速度，但面对危重复合病症仍会漏诊误诊，必须由执业兽医到场结合实验室