豆包工作交出了上線後的第一份成績單。
11月18日,豆包官方宣佈,上線不到三個月的豆包工作日活躍使用者數(DAU)突破800萬,企業客戶年度經常性收入(ARR)突破20億元。這款面向生產力場景的AI產品8月25日正式發佈,11月16日上線覆蓋金融、醫療等21個專業場景的“工作台”,近期又接入了Kimi、GLM、DeepSeek等第三方模型。
過去兩周,矽谷兩家頭部大模型公司也先後亮出了帳本。OpenAI向投資者披露,三季度營收首次突破100億美元,企業業務收入環比翻倍;Anthropic剛在美國完成IPO定價,支撐其估值的主要也是企業客戶的付費。
AI產品的收入,越來越多地來自企業,AI Agent的商業化也進入了算帳階段。放在這樣的背景下,豆包工作的ARR表現的確亮眼。一款上線不到三個月的產品,為什麼這麼多的企業願意為它付費?
01. ARR是生產力AI估值的硬通貨
移動網際網路的估值體系,習慣了圍繞DAU建立。
日活意味著使用者規模,而規模能換成廣告收入和電商交易額。一個使用者就算從不掏錢,平台也能靠他的時間和注意力賺錢。
生產力產品沒有這條變現路徑。使用者用Agent寫方案、做表格,平台既賣不了廣告,也抽不到佣金。這類產品值多少錢,最終要看企業願不願意按年付費,ARR統計的就是這部分收入。
兩種生意的成本結構也不一樣。移動網際網路多服務一個使用者,邊際成本幾乎可以忽略,大模型每跑一次任務,都要實打實地消耗算力,沒有付費支撐的日活,更像一筆持續增長的成本。
企業為AI辦公付的錢,性質也和過往的軟體採購不同。傳統軟體按“席位”賣,進的是IT預算;AI接手的是原本由人完成的工作,付費的天花板由此從IT預算抬到了人力預算。
持續付費的訂閱收入,撐起的是另一套估值體系。訂閱收入可以預期,資本市場也願意為這種確定性給出更高的定價。Anthropic剛完成IPO定價,完全稀釋後估值超過1.4兆美元,遠高於OpenAI今年3月融資時的8520億美元。
Anthropic的使用者其實並不多。據Similarweb統計,今年3月初,Claude移動端日活約1130萬,同期ChatGPT約2.5億,相差二十多倍。但它的IPO檔案顯示,截至10月31日,公司年化收入約810億美元,今年上半年約74%的收入來自年付費10萬美元以上的客戶。資本市場顯然更認後者。
視野放回國內,SaaS時代,國內企業軟體長期靠一次性的項目制交付,訂閱制始終沒能紮下根。AI Agent交出來的是幹完的活,效果可以直接拿業務結果對帳。而豆包工作正式發佈不到三個月就做到20億元ARR,在國內AI Agent產品裡並不多見,這才顯得尤為難得。
當企業願意買單的時候,就說明價值已經產生了。這也代表著,AI應用之間的較量,也開始落到收入質量上。
02. 企業在為什麼買單?
惠普前CEO路·普拉特在1990年代說過一句名言:“要是惠普知道惠普知道什麼,我們的生產率能達到現在的三倍。”
一家公司攢下的經驗和資訊,大多散在不同的人和系統裡,要用的人找不到,也不知道該去問誰。
協同辦公軟體試過用流程解決這個問題,但流程只管得住寫下來的東西,更多經驗還留在老員工腦子裡,或者埋在一份份檔案中。有了AI Agent,這些知識才有了被主動調取的可能。
豆包工作在企業裡接到的第一批活,很多就出在這裡。
在同仁堂工作了15年的劉聰,如今負責大柵欄藥店的營運管理,他曾被一位顧客問住:同仁堂的中成藥裡,那些含酸棗仁?
劉聰有執業藥師資質。但他也做不到從一味藥材反查幾百種產品,只能翻資料一份份核對。後來,他讓豆包工作抓取產品資料,按規則清洗、初審,把每款藥用了那些藥材、對應什麼病症一項項理清,織成了一張中成藥知識圖譜。再碰到這類問題,不用再翻箱倒櫃。
同仁堂廊坊公司負責營運的楊文秀,則被補貨的事困擾了很久。各家門店報貨沒有統一的辦法,有人看庫存,有人再翻一遍進銷存,最後多半憑經驗拍板。有一回翻會議智能紀要,她又看到這個老問題,順手問了豆包工作,結果越聊越細,補貨模型怎麼搭、要那些資料都理清了,她順勢“手搓”了一個線上補貨工具。
這兩件事的痛點,核心都是資料的組織方式。企業的資料大多按歸檔的需要存放,但“問題”卻是從業務裡冒出來的,可不會自動分門別類,問法和存法對不上。豆包工作做的,就是按問題把資料重新組織一遍。
同樣的難題換到職業教育機構,就成了學員管理。華圖教育襄陽分校的輔導員周斌帶著四五十人的筆試班,出勤、刷題和模考成績分在好幾張表裡,想弄清一個學員的狀態得來回對照,每天收資料、做分析就要一個多小時。
周斌學教育出身,沒寫過程式碼。後來他開始用豆包工作搭一個線上工作台,最早只用來自動算考勤積分,後來陸續接進刷題資料、考試成績和學員檔案,到10月底已經改到第320版。現在一個學員一條軌跡,每人都有一份學情報告,短板能細到具體題型,系統還能對照國考職位庫篩出可報的崗位。周斌說,這套系統一天能幫他省下兩三個小時。
劉聰、楊文秀和周斌都不是技術人員,卻借助豆包工作打造了自己最順手的工具。畢竟,最懂一個問題,往往是天天被它“折磨”的人,可這類需求又碎又具體,很難寫成一份讓IT部門排期的檔案。AI把搭工具的門檻降到幾輪對話,工具也就長在了問題發生的地方。周斌的工作台平均每天改三個多版本,外包團隊很難跟上這種節奏。
放到一家跨國公司裡,同樣的思路依舊在起效。中信戴卡的業務遍及中國、摩洛哥和墨西哥等地,舊物料庫缺少清晰的品類規則,錄入新物料時,採購員要在網上查好幾個小時才能把資訊補齊,海外工廠還隔著時差。中信戴卡用豆包工作搭了三個物料智能體,放進跨國物料諮詢群,7×24小時用多種語言答疑,單次響應縮短到150秒,新人兩周就能上手。
資料理順,解決的是“查”的問題。但在工作中,有許多資訊是“流動”的。
一個問題在群裡討論了很久,會上定下的結論又散在各人的筆記裡,很少有人從頭到尾整理。9月15日,飛書和豆包工作推出了豆包工作夥伴,這是一個面向團隊的智能體,有獨立的身份、權限和記憶,可以像同事一樣被拉進群裡。
猛士汽車把豆包工作夥伴用在供應商質量管理上。公司40名供應商質量工程師要稽核3個項目約2000個零件的PPAP(生產件批准程序)檔案,靠人逐項比對,費時費力還容易看漏。現在先由AI把檔案逐項核對一遍、標出風險,工程師再做判斷,單份檔案的稽核時間從20到40分鐘壓到了5分鐘以內。
智己汽車則讓豆包工作夥伴跨過了公司的邊界。CCB(變更控制)評審要主機廠和供應商一起參加,需要反覆核對材料資訊,有出入就得返工。豆包工作夥伴以團隊成員的身份進了評審群,會前核對材料,會上答疑和記錄,會後歸檔,再把待辦分到具體的人。評審返工因此少了約三成,單個議題的材料整理從半小時壓到5分鐘。
博世中國的研發群裡也有一位豆包工作夥伴,名叫“小蜜”。工程師在群裡討論客戶反饋的問題,它在一旁默默收集,按範本寫出問題報告,登記進多維表格,再歸檔到知識庫。工程師估計,初稿能覆蓋七八成,剩下的由人把關。下一位工程師碰上類似的毛病,直接就能檢索到前人的處理記錄。
豆包工作夥伴一直在場,一件事的來龍去脈就留了下來,人走了,經驗還在團隊裡。AI服務的對象也從一個員工變成了一支團隊,企業衡量它,看的自然是整個團隊的產出。
在大北農,豆包工作被帶到了銷售一線。陳岩是大北農在黑龍江的一名飼料銷售,客戶的情況原本散在Excel表、聊天記錄和他自己的腦子裡,每天先去拜訪誰,多半憑經驗。
陳岩不會寫程式碼,他用飛書多維表格沉澱客戶資料,讓豆包工作做分析,再把結果做成一線能直接用的工具,按客戶價值和距離排出拜訪順序。到了豬場,客戶問換飼料能多賺多少錢,他當場就能把帳算出來。系統上線兩周,從沉睡的客戶資料裡篩出72家高價值客戶,12家有流失風險的客戶全部得到了跟進,現場工具還直接促成2筆成交,金額超過40萬元。
每次拜訪完,新的資訊又回到多維表格,參與下一輪判斷。銷售調崗或離職,客戶的情況也會保留。陳岩因此拿到了大北農集團AI先鋒的最高獎項“董事長特別獎”,公司計畫年底前把這套系統推廣到全國30個區域。
這些案例來自不同的行業,豆包工作能夠嵌入到企業經營的不同環節,前提是它先讀懂了這家公司正在發生什麼。
這恰恰是AI Agent進企業時最容易被低估的一關。要推進一項工作,Agent得知道項目誰負責、該找誰拍板,而多數企業的這些資訊分在不同系統裡,Agent要逐個打通介面、重建權限,才能開始幹活。飛書這幾年做的,正是把溝通、檔案、會議和審批放進同一套組織身份和權限體系。豆包工作接進來以後,使用者報一個項目名,它就能在權限範圍內找到相關的群聊、檔案和會議記錄,員工看不到的,它也看不到。
模型決定了Agent有多聰明,上下文決定了它在一家公司裡能做多少事。豆包工作在企業裡的角色越靠近經營,用到的上下文就越多,企業也越難找到替代品。
03. 持續付費的理由在複利
普拉特感嘆的其實是個老問題。1945年,哈耶克在《知識在社會中的運用》裡寫過,經濟運行依賴的知識分散在無數個人手中,其中關於“特定時間和地點”的知識,只有身在現場的人才掌握。
市場用價格把這些知識串聯起來。而企業內部沒有價格,只能靠層級和溝通。
知識管理喊了幾十年,無法規避的難題,是需要員工額外花時間去記錄。而豆包工作接在飛書上,員工照常幹活,上下文就沉澱下來了。企業為此付的ARR,某種程度上是給組織內部的知識流動標了價。
這筆錢,企業大機率會一直付下去,因為上下文只會越積越多。Agent 也會因此越來越多地從個人提效走向組織提效,從幫助一個個員工做好PPT,走向利用企業資訊、企業知識與企業資料最終幫助企業實現更好的經營效率與商業收益。
大廠之間的AI競爭,也會因此換個打法。海外的微軟和Salesforce等企業已經在爭奪企業上下文。模型能力正在快速拉平,豆包工作敢把第三方模型放進來,說明它沒打算靠模型築牆。智能體在企業裡走得越深,飛書多年攢下的企業信任和流程習慣就越值錢。
模型會越來越像水電,拼的是便宜和穩定;Agent更像修進企業內部的路網,鋪得越深,越難被替換。
計費方式也在隨之鬆動。豆包工作按AI點數計費,企業買到的越來越像一份工作量,軟體行業按人頭賣席位的老規矩正在失效。
再看整個行業,使用者最多的OpenAI,三季度調整後營業虧損仍超過100億美元。光靠個人訂閱和廣告,顯然還無法成為AI真正的買單者。能長期買單的,只會是算得清投入產出的企業。
從這個意義上說,AI的未來終究要看企業付費。這也回到了哈耶克的判斷,價格能把散落在無數人手裡的資訊,壓縮成一個所有人都看得懂的訊號。企業按年為AI付的錢就是這樣一個訊號。
當然,20億元只是起點,AI產品的成色最終要看第二年的續費率和老客戶增購。但上線不到三個月,就有一批企業掏出了真金白銀,豆包工作在這條路上已經搶到了先發位置。 (虎嗅APP)

