WPS多维表：填补AI落地执行的最后一道缝隙

中集集团，业务横跨集装箱到海洋工程，借助AI，将核心维修经验从人脑迁移到系统。

北师大的教务老师不懂编程，却搭出了覆盖学生、教师、管理三端的实习管理系统。

8月28日WPS AI NEXT媒体沟通会上，这两个故事被放在了一起，连接它们的是同一个问题：企业积攒了几十年的业务流程，怎么变成AI能读懂的数据？

这个问题很紧迫。大中型企业AI采纳率已达90.9%，但真正实现体系化落地的只有9.1%。

WPS AI正用实际表现作答：当下AI落地，不是比谁的AI更聪明，而是比谁能先让AI读懂业务。

01 先找场景

"大家都知道Agent很强，但企业并没有快起来。"

8月28日的WPS AI NEXT媒体沟通会上，WPS多维表格运营负责人李红玲说出这个判断。

她的判断源自一线体验。过去一年，她的团队和大量企业一起摸索AI落地的路径，得出的结论是：AI要在企业里真正提效，必须进入业务的上下文和流程，否则能力始终是单点的。

模型能力的天花板早就不是瓶颈了，瓶颈在模型的落地执行。

公开数据显示，大中型企业AI采纳率已达90.9%，几乎人人都在用。可67.3%的企业仍处于L1探索试验级，仅完成基础功能测试，真正实现体系化落地的只有9.1%。

更扎眼的是，83.7%的企业AI Agent项目集中在文案生成、数据整理、消息回复这类通用辅助场景。试点遍地走，价值零沉淀。

那瓶颈到底卡在哪？华为云CEO周跃峰给出过一个很直白的判断：智能体时代，企业约80%的精力耗费在数据准备上，数据质量直接决定AI能力的上限。

企业几十年攒下的业务流程、经验判断、隐性规则，散落在Excel、邮件和老师傅的脑袋里，机器读不懂。

德勤的数据印证了这一点：仅15%的企业实现多智能体规模化落地，85%卡在数据治理和工程化闭环。技术从来不是最难的部分，把隐性知识翻译成机器能用的语言才是。

李红玲给出的方法论也因此格外务实：AI用起来绝不是加个问答入口就完事了，要先找到合适的场景，进入业务流程，让不同角色用起来解决实际问题，再持续复制、持续迭代。

02 从人脑迁移到系统

一个样本能更好诠释WPS AI的方法论。

中集集团1980年成立于深圳蛇口，业务横跨集装箱、道路运输车辆、化工装备、海洋工程等多个板块，设备门类繁多，作业场景复杂。

但这样一家巨型制造企业，核心维修经验却存储在最脆弱的介质里：人的记忆。

其工作人员坦言，中集很多设备的维修经验只存在老师傅的脑袋里，人员变动后新技术人员面临极大挑战，要从头去摸索。老师傅退休或离职，知识没有任何系统记录，后来者遇到同样的故障，只能重新试错。

WPS的多维表格在集团上线后，这套经验开始从人脑迁移到系统。

所有维修工单在系统中生成和跟踪，维修现象、分析思路、处理结果自动录入，形成可被跨企业、跨部门员工调用的维修知识库。

过去锁在某个老师傅脑子里的经验判断，现在变成了结构化的、可检索的企业资产。

在此基础上，中集还搭建了统一入口，设备巡检、故障报修、工单处理、管理者报表各有独立页面，从报修到知识沉淀形成闭环。

类似的逻辑在教育行业同样成立。昌平区教育局每年承载1000多名老师的资质评审，涉及级别、发证单位、发证日期各不相同的证书，信息分散在各个Excel表格里，录入繁杂且容易出错。

上线AI字段后，老师把证书上传即可自动对应到多维表格，台账自动生成，审批流程同步转为在线化。

行业不同，痛点相同：业务信息没有被结构化，AI就无从下手。

中国信通院的判断印证了这一点，行业数据可用性已成为AI深度落地的关键瓶颈。数据不是太少，恰恰相反，是太多、太乱、太难被机器理解。有价值的信息藏在那些未被结构化的文档里。

沪东中华造船厂借助AI建表，一句话即可生成覆盖台时故障率、综合效能的精益设备管理分析系统。但比单个应用更关键的是底层的数据连通能力。

WPS多维表格技术负责人金才指出，企业有各种各样的业务系统，接入形式五花八门，想搞定异构系统对接需要专人专业地做，很难规模化。

AI连接器将这类原本需要专业工程师三天以上才能完成的工作，压缩到了小时级。

企业核心应用系统并非对所有场景通用，新业务需求排开发进度到上线流程很长，一线等不起，只能靠Excel手工处理。多维表格填的正是这个缝隙。

但填缝隙的前提是有人愿意填。李红玲在媒体问答环节点出了一个更深层的卡点："做这个知识库的人跟用知识库的人不是一拨人。IT的人建了知识库，但不知道需求场景和业务痛点。"

而业务人员解决完问题后也不愿手动上传反馈，知识沉淀就断在了最后一步。

多维表格试图用自动化任务解决这个矛盾，但矛盾本身指向一个更根本的问题：如果搭系统的权力始终握在IT手里，懂业务的人永远只是被服务的一方，AI落地的最后一公里就永远走不完。

03 搭系统的人换了

"不是说具体解决了一个什么样的问题，关键在于谁能够去解决。"

说这话的罗滨锴，是北师大珠海校区教务部的老师，他没学过编程，却自己搭出了一套覆盖学生、教师、管理三端的实习管理系统。

他描述的旧模式在场的人都不陌生：先立项，再找程序员，然后花大量时间沟通业务需求。"他懂代码但不懂业务，我懂业务又不懂代码。中间的隔阂需要花很长时间去磨合。"这段话本身就是对企业数字化困境最精准的白描。

师范生教育实习遍布全国上百所基地学校，校内OA的围墙到了校外就失效了。学生在实习学校请假，需要校外老师参与审批，但这些老师根本进不了校内系统。过去这个环节是断裂的。

罗滨锴的解法简单到令人意外：用表单生成二维码，发给实习学校的老师，扫码即可审批并留痕。岗位信息收集也从邮箱、微信、手写拍照变成了统一表单填写，数据自动汇入后台。

"可能以往我们80%都是放在执行工作上，20%是放在总结工作上。但现在我们可以20%的时间在数据处理，剩余的80%的时间充分去思考业务。"这个翻转，发起人是一个不会写代码的教务老师。

罗滨锴还给多维表格找到了一个精准的定位：它填补的是"Excel表能解决"与"非要立项搭系统"之间的空缺地带。

大多数企业的真实需求恰好落在这个中间区间，不值得专门立项开发，但Excel已经扛不住。这片无人区过去没有趁手的工具，现在有了。

这不是WPS一家的判断。7月9日飞书大会上，飞书多维表格月活即将突破1000万。钉钉抢在飞书大会前一天发布AI表格产品，次日飞书宣布多维表格将登陆企业微信和钉钉。

当头部玩家都在抢同一条赛道，"用多维表格搭业务系统"已经不是产品创新，是行业共识。

WPS 多维表格产品负责人杨鼎给出了一组定位坐标：大型企业SaaS覆盖约7%，中小企业约50%，50人以下小型企业约30%。剩余的空间就是多维表格的机会，概括起来就是，连接不同系统的数据，替换中小型系统，补充大型系统覆盖不到的边界。

他还做了一个关键修正："我们不是AI时代数据基建，是AI时代业务应用的基建。不服务于数据，服务于应用。"

数据基建是管道，业务应用基建是出水口。AI或许能替代部分工具，但企业多年沉淀下来的业务场景抽象替换不了。这两句话合在一起，划定了多维表格的护城河。

喊基建容易，扛住压力才是真基建。百万行数据、数百人并发编辑的场景下，WPS多维表格的计算响应延迟保持在137毫秒。

不过，多数企业连最基础的数据结构化都尚未启动。从"知道AI好用"到"把自家数据喂给AI"，中间隔着的组织惯性和工程投入，远比想象中沉重。

回到开篇的那个问题：企业AI为什么没快起来？答案正在数据中浮现。

一季度到二季度，企业AI投入的结构已经发生翻转，硬件占比从57.5%回落至52.4%，内部系统定制占比升至44.3%。企业正在把预算从买硬件挪向改系统，因为单纯购买算力无法触及生产的核心逻辑。

李红玲在沟通会上的判断很清楚：企业的人懂业务但不懂工具，AI建表解决的正是快速搭建的卡点。

今年6月和7月，WPS AI先后拿下SpreadsheetBench、TableBench两项国际权威评测榜首，前者考执行力，后者考思考力和推理，其中SpreadsheetBench成绩超越人类专家基准。

AI时代的竞争壁垒已经从模型能力转向数据治理能力，谁能先把企业最脏最乱的业务数据理顺成AI能读懂的格式，谁就握住了下一张牌。