55岁的车厂老师傅，拎着千问办公干活

过去两年，AI开始从文本、图片和代码走向真实世界，汽车是重要的落地行业之一。千问办公正是在这个阶段进入长安：上线刚满一个月，用户数已突破3000万，其中企业用户占比超过一半。它不只回答问题，还能读取文件、运行程序和执行任务，让不懂代码的业务人员，也能把自己的经验变成工具。

文 |步步

编辑 |Yang

运营 |芋头

一款车的灯到底该怎么闪，这个问题在会议室里被讨论了几轮，始终没有结论。

受硬件条件限制，这盏灯不能做呼吸或流水，只能闪烁。有人担心，用户会不会把它理解成故障；也有人觉得，这正是一个可以被重新设计的表达。争论卡住的真正原因是没有实物：所有判断都停留在语言里，产品工程师脑中的“好看”，到了设计师那里可能是另一副样子。

毛海是长安汽车电气系统集成测试工程师。他的工作，是试着站到用户的位置上，判断一个设计好不好，再把意见送回产品开发链路。过去，要把一个灯效从脑海搬到屏幕上，通常需要提交需求、找设计师出图，再由开发工程师制作Demo。流程紧急也要一两周；不紧急，等待会更久。

▲ 长安汽车电气系统集成测试工程师毛海。图 / 讲述者提供

这一次，他把一个很粗略的想法交给了千问办公。最初，AI只做出了两个模拟灯效的色块。他继续追问：能不能放进车模里？车身轮廓出现后，他又要求调整灯的位置、颜色和闪烁速度。最后，AI不仅完成了他提出的功能，还补出了流水、变色和调速等原本没有写进需求的选项。

当这段动态灯效被投到会议室的大屏上，房间安静了下来。争论第一次有了共同的对象：大家不再各自想象，而是指着同一辆车、同一束光讨论，方案很快达成一致。

毛海后来把这件事总结为：“AI不是代替思考，而是扩充思维的边界。”他给AI一个方案A，AI给出B和C，他再从中走到D。真正有价值的，常常不是AI直接交付的答案，而是它帮助人多走出去的那一步。

这恰好对应了全球AI产品正在发生的一次转向：从给出答案的聊天机器人，走向能够理解目标、调用工具并完成任务的Agent。微软在2026年工作趋势报告中，把人与Agent如何协作视为组织能力的新变量。变化的重点不再是“员工有没有一个AI助手”，而是AI能否进入真实工作流，产出一个可供人继续判断、修改和负责的结果。灯效模拟器的意义也在这里：它没有替毛海写一段更漂亮的描述，而是把一个模糊创意变成了整个团队都能看见、讨论和修正的工作对象。

对一家汽车公司来说，这一步的意义不只是快。造车是高度协作的工业：一个创意要经过产品、设计、研发、采购、制造等多道环节才能成为实物。任何模糊，都可能在链路中被放大。过去，AI最容易被理解为一台效率机器；在毛海这里，它首先改变的是共识形成的方式——把抽象语言变成可见的原型，把一连串会议压缩到一次讨论里。

毛海还做了一个线束选型工具。汽车里的线束像人体的脉络，负责供能和传递信号。一个车型可能涉及成百上千条线束，每一条都要综合电流、电压、线径、长度等参数，在满足最严苛工况的前提下寻找成本更优的方案。过去，一名资深工程师要在Excel里逐条套公式，做完一个车型大约需要两天。毛海把工程师脑中的计算逻辑整理成类似产品需求文档的说明，交给AI搭成工具。现在，参数表导入后，五分钟左右就能得到结果。

他也用AI处理用户的声音。传统调研很难覆盖成千上万名车主，如今，团队可以采集公共平台的用户评价，再由AI完成分类、情绪识别和观点聚类：好评集中在哪里，差评指向什么功能，哪些问题正在反复出现。一个单独的应用被做成技能，在团队内部分享；别人用过后发现遗漏，再继续校正。工具不再是某个人电脑里的孤岛，而像一份不断生长的操作手册。

▲ 毛海正在使用AI办公。图 / 讲述者提供

毛海说，除涉密内容外，他现在几乎每项工作都会先问一次AI。节省下来的时间，留给了“更有创造性的事”。

毛海所在的位置，是这条链条的上游。而在他之外，长安的生产制造、供应链、销售和服务环节，正在被同一套工具改写。目前，长安已经在这些业务场景全面接入千问办公。

“只要敢上手，都能做出来”

如果说毛海的故事发生在产品开发的上游，那么1000多公里外的河北长安，变化更像一场从车间和办公室内部长出来的草根运动。

郭子雅2013年进厂，学的是材料，在质量体系管理岗位工作了13年。直到今年，她没写过一行代码，甚至不知道HTML文件该怎么打开。

她第一次看到AI生成程序时，屏幕上先滚过一串英文和代码，随后出现了一个完整界面。她对哪里不满意，就用“大白话”告诉AI：这里换一种布局，那边增加一个按钮。AI改完，她再打开浏览器查看。左边是导航栏，右边是功能区，界面简洁得超出她预期。“原来觉得做程序离自己很远，”她说，“后来发现，就是一点点跟它说。”

2025年，前特斯拉AI负责人安德烈·卡帕斯用“vibe coding”描述一种新的编程方式：人用自然语言说清想要什么，AI负责生成和修改代码。到2026年，这个词已经进入国际商业讨论，被视为可能改变软件生产方式的力量。在技术圈，它有时意味着更随性的快速开发；到了郭子雅所在的工厂，事情反而更严肃——质量规则、合规要求和现场经验，必须由最懂业务的人讲准确。AI降低的是实现门槛，没有降低结果责任。

质量体系管理里有大量这样的工作：耗时较长，不能不做，还绝不能错。一次审核可能产生140到200多个问题，需要按区域、环节和责任单位重新整理。过去，一份报告接近一天才能完成。郭子雅把业务规则告诉AI，让它迅速自动分类、汇总、生成报表。

随车文件核查是另一项更具体的工作。车辆交付前，合格证、环保清单等文件上的数十项参数，需要与网站公告逐项核对。人工检查一台车要十几分钟，也容易因疲劳漏掉差异。现在，工作人员拍照上传，程序提取参数、查询公告并标出不同之处，时间缩短到一两分钟。

郭子雅和同事还做了扫码转中文工具，解决产线扫码枪不能识别汉字的问题；做了VIN码校验应用，通过手机拍照检查字符规格和清晰度。过去，这些工作需要业务部门先解释需求、等待立项，再交给专业开发人员。现在，最懂业务流程的人可以先做出原型，在现场试起来。

▲ 郭子雅。图 / 讲述者提供

有人问她，现在算不算程序员。郭子雅想了想，说：“半个程序员。我还是业务人员，但有了一个能帮我实现业务需要的工具。”她给出的学习秘诀也不像秘诀：“只要敢上手，都能做出来。把自己平时怎么做的，一步一步告诉它。”

据郭子雅介绍，仅河北长安工厂里员工自主开发的小工具已经过百个，并已在多个部门落地。这里有每周一次的内部分享会：谁解决了问题，就把方法讲给其他人。用AI的人里，既有刚入职的年轻员工，也有快退休的老师傅。

55岁的张永泽就是在分享会上被打动的。

1990年入职以来，张永泽一直在汽车制造一线。如今负责物流包装管理：所有新项目和技改设变产生的零件，在批量投产前，都要完成包装方案和包装样件评审。据他介绍，这项工作一头连着全国大量的供应商，另一头连着物流、质量、工艺、使用车间和第三方物流；单个项目有成堆的零件记录。新品集中时，他每天要处理大量信息，常常加班到晚上七八点，周末也不能休息。

听完几场案例分享，他给楼下的郭子雅打电话，问能不能把系统里的包装评审进度自动抓出来。郭子雅上楼看了看他的提示词，建议他不要一次说完，而是把自己每天的动作拆开：先登录什么页面，再查哪些字段，怎样判断任务卡在哪里，最后输出什么报表。

后来，张永泽做出了第一个自动化任务。后来，他把整条流程拆成七八个脚本：批量发放评审任务，按件号分配到不同部门责任人，处理无需人工判断的零件，确认包装数量，生成进度报表和滞留预警。按照他的估算，整体工作量减少九成以上。

他也给AI划了一条线。需要凭经验判断合格或驳回的零件，仍然由自己处理。“规则不固定时，它可能都给你点通过。”AI替他做重复劳动，但最终责任没有被外包。

▲ 让AI做重复劳动工作。

张永泽工作时，常让两块屏幕同时亮着。一块让AI跑流程，另一块用来处理供应商沟通。“它在旁边干活，我就做别的事情。”他说得像在介绍一名熟悉业务的同事。

1990年，张永泽和供应商联系靠电报，按字收费，一次正式回复要等三到七天；后来是寻呼机、功能机和微信，沟通从几天变成几秒；现在，AI开始替他跑完一套跨部门系统操作。问他当年学电脑和今天学AI哪个更难，他说，AI的不同在于“它能懂你，能跟你交流”，像一个高能量的专家坐在对面。

“业务才是壁垒”

在长安汽车采购中心，龚玄把这个“同事”做成了自己的数字分身。

龚玄学车辆工程，在长安工作18年，2025年转向采购数字化建设。她给千问办公里的智能体配上自己的工作头像和名字，让它学习自己的资料、表达方式和判断规则。同事叫她“重度AI用户”，她并不介意。

在全球企业的软件清单里，AI也正在从一个人人使用、能力相同的Copilot，变成理解具体角色、拥有长期上下文的个人Agent。微软2026年工作趋势报告讨论的重点，已经进一步转向Agent与人的主动性：组织不只是给员工配置工具，还要重新划分哪些任务由人发起、哪些由Agent持续执行、哪些判断必须留给人。龚玄的数字分身，是这场变化在每一个采购岗位上的缩影——它的价值不取决于像不像人，而取决于是否逐渐理解“这个人为什么这样工作”。

她设想中的工作方式是：周一到周五，AI替她处理结构化工作；周末，AI再复盘这一周做得不好的地方。为此，她把自己的工作拆成三层：第一层收集会议、沟通、文件和文档；第二层抽取、归类知识；第三层把知识放进项目管理、数据分析、材料撰写等具体场景。一个人多年积累的经验，被慢慢整理成AI可读取、可调用的上下文。

采购中心每周有一份四五十页的例会PPT。过去，龚玄负责的部分中，一页新稿常常要磨一个小时，做到深夜并不稀奇。现在，她下班前把素材和要求交给AI，把电脑设置成“关屏不关电源”——这个方法也是AI教她的。人开车回家，电脑留在办公室继续工作；第二天早上，她负责的那部分材料已经带着图表和配图生成。

但龚玄要的不是一份“看起来像AI写的”材料。她用了两周训练自己的数字分身：AI先出一版，她手动改；改完，再让AI总结新旧版本的差异，提炼出值得学习的表达习惯和业务判断，沉淀到下一轮。如此反复，直到同事看不出明显的“AI味”。

▲ 龚玄修改AI写的材料。图 / 讲述者提供

更重要的变化发生在项目管理中。按照她对一次连续两周工作的盘点，AI协助追踪了240多项任务，估算节省约45小时。它会从大量材料里识别责任关系、截止时间和下一步动作，再从龚玄的角色出发，判断哪些需要她决策，哪些只需知晓。复杂协作中，一个人最稀缺的往往不是信息，而是从信息中辨认自己应该做什么。

龚玄的边界同样清晰。采购数据敏感，她不让AI直接接触生产系统、密码或私域成本数据，只提供不涉密的表结构，再让AI编写程序在本地完成分析。“既保证数据不出域，又能快速得到结果。”

她曾经以为，专业意味着在一个岗位上干一辈子。现在，她开始用AI学习数据库和SQL，尝试搭建采购数据质量指标。原本陌生的领域不再需要从教材第一页开始，AI会围绕一个真实问题给出路径，再陪她边做边学。“跨行已经不是问题，”她说，“业务才是壁垒，编程反而不是。”

她把人与AI的关系称为“共生进化”：人提供业务经验、责任和判断，AI提供速度、知识和新的可能；每一次合作，也在重新塑造下一次合作的方式。

“真正的AI边界，要每个人用起来才知道”

这些个体变化背后，肖世强看到的是一家企业正在改变自己的工作系统。

肖世强是长安AI应用开发处经理。他在长安汽车工作十年，从数据走向算法，如今负责将AI工具引入公司、完成适配并推动落地。他记得一个“确认时刻”：把一份Excel和明确的交付要求交给AI后，对方很快给出了质量足够高的结果。那一刻，他意识到，AI不再只适合聊天和演示，它已经能够进入企业的真实生产流程。

选择企业级AI工具时，肖世强看重三个条件：第一是开放性。汽车企业场景复杂，工具必须能连接不同系统，接纳自定义需求，不能把业务锁在一个封闭环境里；第二是模型能力，它决定复杂任务的上限；第三是生态：只有能调用足够多的工具和技能，Agent才可能从回答问题走向完成任务。

当全球大模型的基础能力越来越接近，企业AI竞争的重心也开始后移。行业里出现了一个新的高频词——“上下文工程”：决定Agent表现的，不再只有模型参数，还包括它在正确时刻能否读到正确的知识、工具、权限和历史记录。对个人助手来说，这影响回答是否贴身；对企业来说，它直接关系到安全、责任和流程能否被真正托管。模型采购只是第一步，后面更重的工程，是把一家公司的隐性经验整理成机器能够使用、又不能越界使用的上下文。

但工具只是开始。肖世强说，一个组织级AI是否真正好用，取决于它能获得怎样的“组织上下文”：企业积累了哪些文档和知识，谁有权访问哪些内容，历史资料里哪些仍然有效，隐性的专家经验怎样被记录下来。模型再强，如果输入的是杂乱、过时的信息，结果也不会可靠。

▲ 长安AI应用开发处经理肖世强。图 / 讲述者提供

因此，长安一边推广千问办公，一边整理知识和权限。公开数据可以借助云上模型快速处理；敏感数据则留在受控环境中，通过私有化能力和内部技能调用。公司希望最终把内部系统的操作逻辑、专家处理问题的方法沉淀成技能，在安全边界内接到每个员工手上。

AI也开始改变协作链路。过去，上游文件到达后，人先阅读、整理、检查，再把结论交给下游；现在，AI可以先按规则做初检，标出问题，人只需要处理判断和修改。随着规则逐渐成熟，一部分流程从“人负责流转、AI辅助”转向“AI负责流转、人负责决策”。

有个案例出乎肖世强意料：一名员工让AI以用户视角巡查系统，检查界面是否友好、流程是否合理，最后给出完整报告。这并不是推广团队预先设计的场景，而是员工拿到工具后，从自己的问题出发创造出来的。

“真正的AI边界，只有每个人用起来以后才能知道。”肖世强说。他的团队做的，是从使用数据中找到好案例，再通过直播、培训和内部社群把经验传出去；对使用率不高的部门，则面对面了解顾虑，解释数据安全，演示AI到底能做什么。长安管理层也在高频使用AI，领导的示范让新工具不再只是一个自下而上的兴趣小组，而成为组织共同的工作方式。

肖世强把最终目标概括为“超级个体”：不是让一个人承担更多机械工作，而是让每个人接入组织内外部沉淀的能力，跨越原有专业边界，做过去需要多个角色协同才能完成的事。

“无AI，不长安”

这场发生在工位上的变化，与汽车行业正在经历的转型几乎同时发生。

过去两年，全球AI开始从文本、图片和代码走向真实世界。行业把模型进入汽车、机器人和工厂的过程称为“物理AI”：AI不仅生成内容，还要在有成本、有安全边界、也有明确责任人的环境中感知和行动。汽车产业因此成为一块特殊的试验田。车端要训练智能驾驶和座舱模型，车后则连接着设计、采购、质量、物流和服务。毛海用AI做灯效原型、郭子雅用AI检查随车文件，正是同一股技术浪潮沿着制造链条向人的工作回流。

长安汽车拥有百余年的工业积淀。2025年7月，中国长安汽车集团正式挂牌；同年，第3000万辆整车下线。按照长安公开披露的规划，到2030年其目标是产销500万辆，未来五年在AI领域投入超过200亿元。此前，“无AI，不长安”更多指向智能驾驶、智能座舱和智能制造；现在，它开始指向造车的人。

千问办公正是在这个阶段进入长安。与只负责问答的聊天助手不同，它能在员工电脑上读取文件、运行程序和执行任务。门槛也随之改变：使用者不必先懂代码，但必须能把业务规则讲清楚。这解释了为什么长安最有代表性的用户不全是程序员——质量管理员、物流管理员和产品工程师各自掌握的流程经验，开始可以直接变成工具。

▲ 千问办公的页面。

长安与阿里云的合作也从工位延伸到了车端与云端。据了解，长安天枢领航智能驾驶辅助系统已在使用平头哥自研AI芯片进行模型训练，长安天枢座舱亦已接入千问大模型。从芯片、模型服务，到员工桌面的Agent，双方正在搭建一条贯穿车与造车流程的技术链路。

“人要做的，是创新和面对不确定性”

全球关于AI与工作的讨论，正在从“哪些岗位会消失”转向“岗位内部的任务如何重新分配”。长安的样本给出一个来自制造现场的回答：AI先进入一项项可描述、可重复的工作；目标设定、异常处理和最终责任仍然留给人。

据长安变革与效率部门统计，庞大数量的员工正在使用这类AI工具。他们中有软件工程师，有学材料的质量管理员，有学车辆工程的采购负责人，有做了36年物流包装、五年后就要退休的老师傅，也有刚毕业进入工厂的年轻人。他们的年龄、教育和专业背景，恰好构成了中国制造业劳动力结构的一个切面。

见面快结束时，龚玄说，凡是能被清楚表达为规则的工作，长期看都不再值得人反复消耗时间。人真正应该投入的，是创新，以及面对不确定性。

毛海给出了另一种表达。AI给出B和C之后，人要继续想到D。那个D，来自经验、审美、责任，也来自对用户真实处境的理解。

这或许是长安正在发生的变化里，最值得注意的部分。AI没有先从宏大的战略文件里改变一家企业，而是从一份审核报告、一组线束参数、一页PPT、一次没有共识的会议开始。它先拿走那些重复、明确、可描述的工作，再逼着人回答：剩下来的时间，应该用来做什么？

张永泽面前，两块屏幕同时亮着。一块运行他拆解出的自动化流程，另一块用来处理必须由他判断的供应商问题。

一块屏幕接走规则明确的工作，另一块仍留给经验、责任和意外。两块屏幕之间，是这家汽车公司正在重新划定的人机边界。

▲ 图 / 《我的大叔》

文章为每日人物原创，侵权必究