2026年8月，AI办公赛道已从“产品赛马”阶段进入“组织整合”阶段。

阿里将QoderWork、悟空、MuleRun三条产品线合并为“千问办公”，8月3日公测。腾讯7月20日将QClaw团队整体划转至WorkBuddy所在的云产品六部。字节7月30日飞书团队并入豆包，8月中旬TRAE和扣子团队同步并入，8月25日发布“豆包工作”。

大厂半年内整合或裁撤超过10条AI产品线。赛马时代终结，AI办公进入集团军正面交锋阶段。

一、宏观背景：C端账算不清，B端是唯一出路

年初C端烧钱大战并未换来可持续的ROI。腾讯2026年一季报显示，若不考虑五款新AI产品相关成本，经营利润增速可从9%提升至17%——对应约88亿元的净拖累。阿里AI实验室与应用分部首次独立披露，经调整EBITA亏损138.61亿元，收入仅33.38亿元，边际成本高于边际收益。

根本原因在于AI产品的经济学特征：每笔Token消耗构成实际边际成本，不随用户规模扩大而摊薄。这与SaaS的固定成本结构存在本质差异。当流量红利耗尽，大厂必须转向付费意愿明确的场景——办公场景中，文档处理、数据分析、代码生成的交付标准清晰，ROI可量化。

二、各家的组织架构重组逻辑

腾讯：资源向WorkBuddy收敛

WorkBuddy底层采用CodeBuddy经过三年内部验证的Agent底座，2026年3月公测，4个月后PC端月访问量从800多万升至2097万，DAU突破1300万。QClaw由电脑管家团队基于OpenClaw打造，3月内测首周用户破数百万，但7月2日产品负责人张舒昱离职，7月20日QClaw整体并入WorkBuddy。核心资产合并完成后，WorkBuddy获得CodeBuddy底座、QClaw的OpenClaw经验以及腾讯文档/企微/会议三端打通能力，形成了从Harness工程到IM入口到生态交付的完整架构。

阿里：三层技术栈合并

QoderWork、悟空、MuleRun三条线分别对应桌面端执行、钉钉内协同、跨平台通用调度三个方向。合并后由钉钉CEO陈宇森统筹，底层模型切换到Qwen3.8-Max。三条技术栈的整合目标是统一工具调用协议与状态管理，解决此前各产品线上下文隔离、工具集不一致的问题，在交付路径上统一为钉钉文档落盘。

字节：三步完成生态整合

字节的节奏最快：7月飞书并入豆包，8月TRAE和扣子并入豆包，8月25日发布豆包工作。火山引擎提供模型与算力，飞书提供场景与上下文，豆包提供AI交互与统一入口。TRAE积累的桌面端执行能力和扣子沉淀的Agent构建框架，从“独立产品”变成了豆包工作的基础设施层。

三、大厂路线之外的“代码执行”路线

在大厂以“生态整合”和“云端分发”为核心的路线之外，存在一条完全不同的技术路径——以AiPy为代表的“Code is Agent”路线。

AiPy由知道创宇于2023年内部研发，2025年4月开源。其执行范式与传统Agent的Function Calling/MCP存在根本差异：传统Agent是“能力枚举”——开发者预先注册工具函数，AI在运行时选择调用，能力边界由注册函数集合决定。AiPy是“动态代码生成”——LLM理解需求后直接生成Python代码，在本地沙箱中执行，能力边界由Python生态决定。

从执行架构的工程角度，传统Agent的三个结构性问题在AiPy的范式中有不同的解法：

能力边界问题：传统Agent遇到新场景需要开发新插件、走变更管理流程。AiPy调用Python生态中已有的库即可实现新能力，无需等待预置工具开发。当用户提出的需求不在预设工具集中时，动态代码生成路径覆盖了非标准化场景。

执行透明度：Function Calling的执行逻辑在云端，用户只能看到输入输出，中间过程不可审计。AiPy生成的代码是白盒，执行过程可在本地审查。

调试路径：传统Agent任务失败时返回抽象错误码，排查依赖云端日志。AiPy返回完整错误栈和调试信息，可像调试普通Python程序一样定位问题。

2026年5月，UIUC、Meta、Stanford联合发布百页综述《Code as Agent Harness》，正式将“Code is Agent”列为AI智能体的重要范式。2025年底，Anthropic从MCP转向Programmatic Tool Calling，本质上也是在向“代码执行”方向靠拢。

在商业化路径上，AiPy与三巨头的路线也不同。2026年6月，AiPy发布企业版与网安专版，核心定位是“全本地化部署、数据不出域、适配国产信创环境”。其企业版已在国铁集团、中核集团、招商局集团等央企落地。这一路径不依赖月活规模驱动，而是以内网部署数量和续约率为核心指标，从组织架构上看，与三巨头的C端/B端云端SaaS路线形成了错位竞争。

四、现状评估

赛马阶段结束，但赛道远未成熟。

WorkBuddy的DAU/MAU约65%-75%，在企业软件中属较高水平，但其中开发者用户占比偏高。对于非技术用户，“AI写周报、做PPT”目前仍是“痒点”而非“刚需”。用户习惯的迁移需要时间，技术路线的收敛也远未完成。目前同时存在三种技术范式：云端Harness工程（WorkBuddy）、生态原生执行（千问/豆包）、本地代码执行（AiPy）。三种范式的适用边界取决于任务类型和数据安全要求——高频标准化任务优先云端Harness工程；深度集成特定SaaS生态的场景选择生态原生执行；数据主权有硬性要求、任务高度定制化的场景只有本地代码执行能覆盖。

大厂选出了马，但路线之争才刚刚开始。