WPS多维表格首发「灵感应用」：Vibe Coding卷进企业腹地

作者｜林易

编辑｜重点君

即便做出100种、1000种图表，企业里总会冒出第1001种需求。

这便是当下各大企业里非常真实的一幕。原因无他，即便企业自身拥有看似好用的软件、系统，但业务，它不会按照软件预设好的菜单生长。

例如多一道审批、换一种统计口径、给另一类员工开放新的操作入口……这些都属于那种不是很大的需求，没有必要让IT同事专门为此搞开发；但若是长期靠Excel、群聊和人工去接，流程越跑越长，最后还是得有人来收拾。

而这类问题，往往就是企业软件绕不开的“最后一公里”。

那么有没有什么办法，能让不懂开发的业务人员，可以根据自身业务，量身定制一个业务系统呢？

有的。

就在最近，WPS多维表格首次亮相了全新功能「灵感应用」，业务人员可以直接用自然语言跟它描述自己想做什么，AI在理解需求后，便可以生成对应的个性化业务应用，甚至后续还能继续通过对话进行修改。目前该功能正在逐步开放体验。

例如只需一句话，原本躺在多维表格里的订单、生产计划、库存等数据，最后直接长成了一套颇为震撼的3D经营管理驾驶舱！

换句话说，那一堆原来只适合查数据的表格，已经开始长得像一套专门找人定制过的企业软件了。

而这，便是灵感应用想要做的事儿——

它会在多维表格原有的数据、权限和自动化能力之上，再生成一层个性化应用，底下的数据和规则依然可以追溯和继续修改。

早在今年4月，WPS多维表格推出的「应用模式」，已经能让表格的数据可以直接以更接近业务系统的形式呈现。到了「灵感应用」，连那些标准组件覆盖不到的界面，也开始可以让AI现做。

除此之外，这次WPS还推出了「AI连接器」。

企业里的客户、订单、库存不可能都待在多维表格里，更多数据早已经躺进ERP、CRM等各种系统。现在把接口文档交给AI，以前需要专业工程师3天以上的工作，可以被压缩到小时级。

那么「灵感应用」的真实效果到底如何？

话不多说，一手实测，走起。

最懂业务的人，开始自己搭系统

第一组，我们先从一张最普通的数据表来开刀。

这个表里面只有16个截至8月底有代表性的AI模型，以及厂商、国家地区、发布时间、开放方式、智能指数、输出速度等信息。

我给「灵感应用」的要求是基于这些数据，搭一个「2026全球AI模型战况驾驶舱」

不到一会儿的功夫，「灵感应用」便根据我们的要求给出了一个结果：

它先抓出了16个模型、平均智能指数55、6个开放权重模型、10个专有模型，再往下放了开放方式分布、模型智能榜、国家地区分布以及发布时间线。

虽然结果已经是一块完整的数据大屏，但仍然有传统的BI味道。几个数字卡片，下面接饼图、柱状图，离我们想象中的全球AI战况还差了一截。

于是，我们继续跟它提要求，把全球竞争的感觉再做重一些，中国、美国和各家厂商之间的关系要成为第一视觉重点。

最明显的变化，是中间多出了一张从“国家→厂商”流动的桑基图，中国一边连向Alibaba、DeepSeek、MiniMax、Moonshot AI/Kimi、Z AI，美国则连向Anthropic、OpenAI、Google、Meta等厂商。最上方的指标也换成了智能峰值63、美国阵营9、中国阵营6、开放权重模型6。

由此可见，在「灵感应用」已经做完一轮工作的情况下，我们依然可以像给设计师提修改意见一样，用一句很模糊的话术，让它重新理解需求，再改一遍。

如果说第一组测试，是“手里已经有数据，让AI把它变成应用”，第二组测试我们干脆连数据都不给了

直接让它从零搭一套科技媒体选题排期与内容生产系统

从过程中可以看到，AI会先设计表结构、创建数据表和示例数据，再继续建立关联，给编辑和主编分别做视图，最后又做出一套选题总览和工作量监控仪表盘。

整个过程中，右边的任务清单会一项项往下跑，左边的数据表也跟着被不断补齐。

第一轮跑完之后，系统里已经有10条示例选题，稿件类型、选题状态、领域、提出日期、计划截稿时间等字段也跟着建了出来。

我们随后又临时加了一条需求：

最近突发新闻比较多，希望把“紧急稿件”单独拎出来，同时看看每名编辑手上压了多少活。

结果AI没有重新搭一套系统，而是在现有稿件表上继续增加了“是否紧急”、“紧急原因”等字段，重新做出紧急稿件视图和本周编辑负荷看板。

最终的页面里，可以直接看到8名在岗编辑、8篇推进中稿件、1篇已经排期待发的稿件，以及4篇紧急稿件；下面还能看到每名编辑当前的工作量，以及正在推进的稿件类型分布。

在整个过程中，业务人员所提出的都是业务相关的自然语言，AI则是负责把这些话，翻译成字段、视图和系统。

由此可见，最熟悉业务的人，已经可以从提需求的人变成直接改系统的人。

第三组实测，我们再故意往企业软件更麻烦的地方走——

我们准备了一家工业自动化零部件公司的完整模拟经营数据，里面足足有13张业务表、7348条记录

包括120个SKU、28家供应商、90家客户、4个仓库，再加上260张采购订单、420张销售订单，以及采购明细、销售明细、库存流水、应收应付、供应商绩效……

我们这次让「灵感应用」做的是一口气把这些数据吃进去，给一家工业自动化零部件公司搭一套采购-库存-销售一体化经营系统

这一次，AI已经开始主动理解多个表格之间的关系。最后生成的应用左侧直接拆出了采购管理、销售管理、库存管理、客户管理、供应商管理、财务风险等一整套业务导航。管理层首页则把销售金额、毛利、采购金额、库存金额、应收应付、待发货、采购逾期和缺货风险全部拉到一起。

更有意思的是下面那块“经营风险提醒”。它从几千条数据里识别出了114个低于安全库存的SKU、92张逾期采购单，其中56张仍处于待到货状态；应收方面，则找出了49笔高风险和46笔中风险记录；另外还有95张待发货订单，以及3家需要关注的供应商。

这已经和第一组“给16个AI模型做个Dashboard”完全是两码事了。因为此时的「灵感应用」需要处理的，已经是SKU怎么对应库存、采购单怎么关联采购明细、客户怎么关联销售和应收等一整串业务关系。

随后，我们继续给它出了一道更像老板临时拍脑袋的题：

最近现金流比较紧张，我最关心三件事：库存里压了多少钱、哪些应收款最该催、哪些采购可以暂缓。

它基于我们的第二轮需求，又在现有系统里新增了现金流风险页面。AI给出的分析里，库存积压金额约3.09亿元，找出了242条高库存或库存偏高记录；未收应收约7777万元，并进一步标出了高、中风险应收；采购端则筛出了可以继续检查和追溯的待到货业务。

而且这些结果并没有只停留在一句建议你关注库存。页面下面直接挂着原始业务数据，库存积压可以继续点回SKU和仓库，逾期应收也能往回查到客户与订单。

除此之外，这次WPS还推出了一个AI专家的玩法。

在开启「灵感应用」后，输入框左侧便有一系列官方给出的AI专家可以进行调用：

当然，我们也可以自定义自己想要的AI专家：

例如桌面上原本散落的文件，可以直接通过第三方专家导入多维表格，AI负责识别和整理，表格则成为统一的数据中枢。后续Agent继续在这些数据上完成业务处理。

几轮实测下来，不难发现，一个完全不懂如何搭建系统的业务人员，在「灵感应用」的加持之下，现在真的可以开始自己搭系统了。

一句话之后，企业级难题才刚开始

这么看下来，一个很自然的问题也就来了。

既然AI已经能一句话搭应用，那以后做企业软件是不是越来越简单？

搭的动作确实变简单了。但真正想让一个应用每天跑在公司里，背后的要求反而一点没少。

首先就是，AI到底懂不懂这家公司在干什么。普通人看到一张表格，可能就是十几列、几百行。可放在企业里，一列“状态”可能决定后面的审批要不要继续；一个库存数字变了，可能意味着采购需要介入；某张表里新增一行数据，后面又可能自动触发消息、生成任务。企业里的表格，本身就是业务的一种表达。

所以WPS这次很强调读懂表格。AI先得知道字段、公式和表之间是什么关系；然后还要看懂数据里发生了什么；再往后，才是知道出现某种情况之后，下一步该让谁做什么。

这也是为什么WPS今年专门拿了两张Benchmark成绩出来。

SpreadsheetBench更接近“会不会干”，考的是AI在真实电子表格里操作、建公式、完成任务的能力；WPS AI最终拿到73.46%，第一次超过71.33%的人类专家基准。

TableBench则进一步问“会不会想”，覆盖复杂表格问答、数据分析和推理，WPS AI成绩为72.54，同样排在第一。

左：SpreadsheetBench；右：TableBench

有了这层理解能力，AI才可能把一句“帮我搭个设备巡检系统”，真正翻译成字段、表格、权限、流程之间的一整套关系。

但业务看懂以后，很快又会碰到下一个现实问题：数据不一定在这里。

企业过去十几年数字化建设下来，今天的数据早就散在无数系统里。客户资料也许在CRM，订单和库存又在ERP。如果新应用每跑一次，都要先让员工去老系统导出一份数据，再人工贴过来，那么AI把前面的搭建速度提得再高，后面的效率还是被堵住了。

这也是AI连接器出现的原因。把接口文档交给AI，它负责继续生成和验证连接器，让已有系统的数据可以接进来。专业工程师过去3天以上的工作，被进一步压到了小时级。

再往后，还有一个Vibe Coding讨论里经常被忽略的问题：真有几百个人一起用，它扛不扛得住？

一张个人用的表，算慢一点无非多等几秒。可一旦真的成了业务系统，数据在不停进来，员工同时编辑，仪表盘不断重算，还要给不同身份的人设置不同权限，技术压力完全不是一个量级。

它给出的思路很简单，六个字叫“能不算不算”，后面再加一句“分而治之”。核心就是尽量少做没必要的重复计算，再把大规模任务拆开处理。

最终的结果是，在百万行数据、百人编辑计算的情况下，响应延迟做到137ms，同时在线协作规模达到4000+；自动计算速度提升10倍以上，大数据筛选也提升了2到6倍。

看到这里，企业Vibe Coding和个人Vibe Coding的区别也基本出来了。AI把开发门槛降下来了，但这些企业软件过去几十年慢慢积累下来的问题，并不会跟着消失。

这也解释了为什么WPS做灵感应用，看起来是在做Vibe Coding，背后却还得继续折腾表格理解、连接器、内核和权限。

Vibe Coding开始卷进企业腹地

如果我们把视野从WPS再往外拉一点，会发现类似的变化，2026年已经越来越明显了——

Vibe Coding正在从个人开发者的桌面，往企业软件里面钻。

Airtable就是最直接的一个例子。它现在已经直接把Omni称为AI app builder。用户告诉Omni自己需要什么，它可以搭数据表、做界面、配置自动化，再继续用对话修改。

而且Airtable在介绍Omni时，还特意拿普通Vibe Coding工具做了比较：前者最后做出来的是依托数据、自动化和system of record的企业应用。截至8月12日，Airtable还在继续更新Omni的能力和权限体系。

微软也在往相同方向走。今年4月，Power Apps开放了用AI Coding Agent搭建Canvas App的公共预览。用户可以直接描述一个界面，甚至整套应用，再由Coding Agent生成经过Power Apps规则验证的结构。它还可以直接访问已有的数据源和连接器。

另一边，微软又继续把Copilot和Agent塞进已经存在的业务应用里。微软Power Platform负责人Ryan Cunningham说得很直白：企业应用本身就保存着业务规则、权限和流程知识。AI真正进入这些应用后，才能顺着这些已有关系继续工作。

甚至到8月25日，微软又宣布，Dynamics 365、Power Platform和Dataverse从9月开始会一起并入统一的“AI at Work”路线图。原因是现在已经越来越少有企业只孤立地用某一款软件，业务应用、生产力工具和Agent正在逐渐跑到一起。

再看第三方研究，趋势就更明显了。

Gartner今年4月已经单独定义出了Enterprise Vibe Coding Platforms这个市场。到了8月11日，Gartner又专门发了一份研究，提醒企业：Vibe Coding做个人项目或单点案例可以很快，但要真正铺到整个企业，还得补上治理、复用、集成和全生命周期控制这些能力。

换句话说，Vibe Coding进企业之后，游戏规则已经开始变了。

早期大家最关心的是生成快不快。你一句Prompt过去，20秒还是2分钟给你一个App，差别看起来很大。但真到了公司里，这个差距很可能只体现在第一次打开时。一套应用能不能在三个月之后还继续有人用，更取决于它能不能接住原有的数据、业务和管理规则。

当越来越多业务人员自己就能做应用时，IT过去花在“帮这个部门多加一个页面”、“帮那个部门改个流程”上的精力，可能会慢慢减少；但谁能访问什么数据、应用能不能正式上线、AI能做多深、出问题以后怎么治理，这些事情反而更需要有人管。

业务人员得到的是更多自己动手的空间。IT守住的，则是企业软件真正不能乱的底线。

而对于WPS来说，它进入这场企业Vibe Coding竞争，还有一个很特别的起点——表格。因为企业里很多真正的业务，最开始就是从一张表长出来的。

新业务刚开始，系统还没来得及立项，先拉一张Excel；订单多起来了，再补几列；开始多人协作后，再加权限；业务越来越复杂，又接上审批、提醒和自动化。时间久了，一张看似普通的表格背后，其实已经塞进了这家公司的很多业务逻辑。

所以当AI再往前走一步，开始从这些表里直接生成应用时，它拿到的并非一张白纸。这里本来就有数据，本来就有人在协作，本来就有一套已经跑了很久的业务关系。

代码会越来越容易生成，界面也会越来越容易生成，甚至未来一个企业应用的第一版，几分钟就能搭出来。但一家公司为什么要这么审批、这个数字为什么要算成这样、这类数据到底谁能看、出了问题应该交给谁——这些东西，是企业十几年甚至几十年一点点跑出来的。

AI接下来要啃的，恰恰是这里。

当它真的能读懂这些东西，再顺着既有业务继续干活，Agent才算真正从聊天框里，走进了企业。