汽车企业用 AI，为什么从飞书开始？

同一款大模型进入不同企业，其效能表现往往截然不同。若缺乏对企业历史决策、业务现状的深度理解，AI 难以真正介入核心工作。尤其在汽车行业，从需求定义到软硬件协同，再到供应链制造，任何功能变更都牵一发而动全身。

随着车型迭代加速与软件更新频繁，传统依靠人工沟通的信息传递模式已难以为继。大模型要深度参与研发与经营，必须掌握需求变更、测试数据、故障记录等全链路“上下文”。唯有将问题的起因、过往方案及未决限制串联起来，AI 才能给出可执行的判断。

近期调研显示，包括保隆科技、银基科技在内的多家车企及供应链企业，正面临信息散落在不同系统与团队的共性难题。理想汽车早在 2021 年便将飞书定义为“超级感知工具”，旨在连接企业认知与知识。如今，从上汽集团到博世、玲珑轮胎等产业链上下游，正通过飞书将分散在文档、消息、会议中的工作信息汇聚，构建起围绕 AI 与企业上下文的“第二条产线”。

飞书 CEO 谢欣指出，当 Agent 进入企业，工作模式将从“人使用软件”转向“人与 Agent 在统一环境中协同完成任务”。

在汽车产业链中，上下文往往跨越企业边界。随着整车厂与供应商从简单的交付关系转向共同设计与开发，双方的研发节奏紧密耦合。然而，业务虽已互联，信息却仍割裂于各自的系统中，依赖邮件与文档传递，导致状态同步滞后、问题溯源困难。

对 AI 而言，孤立的信息片段无法支撑有效决策。2026 年年中，上汽集团与联合汽车电子借助飞书项目打通了研发全流程。双方将需求传递、计划同步、变更通知等 187 个主流程节点纳入同一条项目链，实现了跨企业的任务、进度与交付物实时流转。

上汽集团创新研究开发总院院长王从鹤表示，这一变革将计划排期时间从数小时缩短至五分钟，更重要的是，决策过程与修改逻辑被完整沉淀，成为 AI 理解业务的宝贵上下文。“一个项目踩过的坑，可转化为下一个项目的直接经验。”

值得注意的是，这种协作并未打破数据边界。双方保持独立的飞书租户与权限体系，仅开放必要的数据与状态，既满足了协作需求，又保障了知识产权与数据安全。目前，国内销量前 30 名的新能源车企中，约三分之二已与飞书达成合作，飞书项目在相关 SaaS 市场份额领先。

正如上汽大乘用车智能部件部总监张健琼所言，这种模式类似早年 IBM 与通用汽车的合作：通过与头部客户共同跑通复杂项目，软件厂商得以深入行业肌理，将定制化经验转化为通用的行业解决方案。

相较于产业链协作，车企内部的信息更为庞杂。AI 不仅要读懂文件，更需理解文件所属的项目背景、权限关系及关联测试。四维图新放弃自建 RAG 知识库，转而直接利用飞书已有的聊天、文档与权限体系，让 AI 在原生业务场景中自然获取实时更新的上下文。

对于浙江黎明等制造企业，上下文还包含了老师傅的工艺经验。通过将冷挤压、模具设计等隐性知识整理进智能体，AI 可辅助图纸评审，将单张审核时间从三小时压缩至二十分钟，使个人经验转化为组织能力。

随着 Agent 技术的应用，AI 正从“读取信息”迈向“执行任务”。豆包工作等新工具能够基于飞书沉淀的身份、权限与工作记录，调用企业现有流程推进复杂工作。银基科技 CTO 张亮透露，通过数字分身整理会议与跟踪目标，团队无需额外撰写周报，信息获取效率成倍提升。

然而，上下文的汇集并非毫无边界。出于商业利益、GDPR 合规及隐私保护考虑，部分数据（如跨平台沟通记录、欧洲团队会议详情）仍受到严格限制。飞书在汽车行业积累的价值，正是在于其能在明确的权限与边界内，将协作记录转化为 AI 可可靠执行的任务。

汽车行业的变革并非孤例。摩根士丹利与沃尔玛等企业同样意识到，AI 的效能取决于其能否接入企业独有的知识库与实时经营数据。但真正的上下文不仅存在于数据库中，更隐藏于人的经验里。

质量工程师对异常处理的直觉、采购负责人对供应商承诺的判断、一线员工对流程痛点的感知，这些未成文的经验深刻影响着企业决策。AI 要参与这些判断，必须依赖人来补充和校正上下文。

因此，各大厂商纷纷推出面向管理层与一线员工的 AI 培训与实践项目。浙江黎明连续举办多届 AI 先锋大赛，评分标准从“创意新颖”转向“实际提效”与“全员覆盖”，并专门设立生产现场赛道。这不仅发掘了 AI 应用案例，更将隐性经验显性化，培养了一批懂业务、懂 AI 的新时代人才。

新技术的普及往往经历从“简单替换”到“流程重构”的过程。正如电力革命初期，工厂仅是用电动机替代蒸汽机，直到重新设计生产线才释放最大效能。AI 亦是如此，真正的变革始于企业重新梳理自身的知识、经验与工作方式。

未来，企业的核心竞争力将不仅在于拥有多少数据，更在于能否将藏于人与组织中的经验，转化为机器可理解、可复用的能力。