一片森林的冠层合拢后，后来者很难再从开阔地上笔直长成大树，但林下并不会因此空无一物：有的植物把根扎进大树够不到的土层，有的攀上既有枝干，借着缝隙向光生长。

今年的AI办公市场正在经历类似的重新整合。

9月2日，腾讯宣布WorkBuddy开放平台上线，现场发布9款联名硬件，合作方包括Plaud、Rokid、影石、科大讯飞、安克、猛玛和京东京造。与此同时，WorkBuddy已接入超过30个品牌的十余类设备，覆盖智能眼镜、录音卡、麦克风和耳机等形态，这些硬件由此连上同一个Agent底座。

硬件在这里既是入口，也是新的数据触点。公开互联网数据逐渐逼近瓶颈，Agent若要继续迭代，就需要进入会议、沟通和现场协作，从真实世界获得任务过程与结果反馈。谁能占住硬件的入口，谁就更接近下一轮训练所需的数据闭环。

几乎同一天，元空智能与惠普也开了一场发布会，方向恰好相反。腾讯让云端Agent伸进更多设备，元空则把自研模型BOXER装进电脑，让数据和计算留在本地。一边向外扩张，争夺办公入口、硬件和企业系统；一边向机器内部寻找云端覆盖不到的位置。

这两场相隔不远的发布会，把同一个问题摆到了台前。

从去年开始，就已经有很多投资人表示不看AI应用了，当然也不是完全不看，这是一种矛盾的心态，或者是一种观望的姿态，他们会每隔一段时间就询问一下AI应用的创业者进展，毕竟万一又出现了一个Manus呢？

大厂或者模型厂商会吞噬一切，只要他们想，过去一两年，法律Agent、金融Agent、医疗Agent……“模型厂商缺什么数据，他们就发布什么Agent，”一位全球五百强科技公司的副总裁说。

巨头横冲直撞，而AI办公又是毋庸置疑的兵家必争之地。

当大厂合拢AI办公的冠层，创业公司还能在哪里扎根，又能借什么向上生长？

当然，如果现在再做AI应用创业，大概率高光时刻已经过去，曾经几个月冷启动轻松突破百万甚至千万用户，ARR暴增的时刻已经结束。但如果是几年前的那帮AI应用公司呢？他们怎么办？

我们和这个赛道的创业者、投资人聊了聊，试图找出冠层之下正在形成的两套生存法则。

战线铺开：大厂吞噬一切

今年以来，AI办公的竞争已经从“谁有一个更好用的助手”，升级为“谁能接管更多工作”。

海外大厂先把战火烧进各自的腹地。

1月，Salesforce将新版Slackbot推向企业用户，让它读取工作语境并调用Agentforce和第三方Agent；3月，微软推出Microsoft 365 Copilot Wave 3，以Copilot Cowork处理持续时间更长的多步骤任务；4月，Google发布Gemini Enterprise Agent Platform和Workspace Intelligence；OpenAI随后把Workspace Agents带进企业版ChatGPT，使Agent能接入Slack、定时运行并由API触发。

国内的节奏在夏天骤然加快。8月，阿里将QoderWork、MuleRun和悟空整合为千问办公，一个月内接入多款模型以及企业微信、钉钉、飞书和Slack，又用低价标准模式降低日常任务的使用成本。个人版千问也同步加入办公助理、定时任务和智能体广场，从企业端和个人端同时切入办公场景。

腾讯WorkBuddy 今年3月上线，到了9月便开放 Buddy 应用、专家、Skill、连接器和硬件五类能力，把30多个品牌的十余类设备以及开发者的系统和行业 know-how 接入同一底座。

这个过程是逐渐吞噬并非一蹴而就，过去三年，AI 搜索、AI PPT 和各类单点助手大多由创业公司试水；Manus 让市场看到 Agent 可以形成生产力，OpenClaw 又把这种能力推进工作流。需求一旦被验证，大厂便迅速跟进。

六、七月间，借用 coding Agent 改造办公场景的产品集中上线，创业公司的产品定义很快变成大厂平台上的一个功能。

一轮熟悉的平台收编。大厂拥有模型、流量和办公入口，通用功能一旦成立，便能以更低的边际成本复制和分发。AI 搜索和 AI PPT 已经演示过这一过程，如今轮到工作型 Agent。竞争的重心也从单个产品好不好用，转向谁能控制模型、企业上下文、工作流和分发渠道。

常垒资本管理合伙人冯博认为大厂的工作型 Agent 能满足80%普通人的联网工作需求，AI PPT、AI 文档这类细分工具，用户不再需要单独打开专用工具进行处理。

云端的牌桌上没了位置，但在端侧，仍然有一片待开垦的土壤。

冯博说，例如学术场景、信创场景、每天泡在Excel里处理机密数据的分析师、需要一键查找法律条款、核对内容是否合规的法务等。

这些细分功能无法将这些数据和文档上传到公有云模型处理，就是创业公司的位置。

还有本地，企业内网里：ERP、财务系统、流程系统、报价系统、知识库等创业公司可以做部署在企业内网的Agent，和这些系统整合，帮用户整理文件、自动上传到系统、嵌入企业系统的工作流，反馈结果。

夹缝中成长：中国创业者的两条路

“（在中国）整个AI办公赛道，现在已有90%的机会被大厂占据了。”

说这话的人叫龙国东，手里握着一款AI办公产品WinClaw。他每天泡在这个赛道里，眼看着创业者的空间一点点收窄。剩下那10%在哪里，是2026年夏天每个AI办公创业者都得回答的问题。

WinClaw今年2月发布，赶上风口，流量远超预期：单日下载量大几千到上万次，很快积累了小几万用户。5月18日新版本上线，日活近一万，高峰期单日token消耗超过一百亿。

一个月后，竞争来了。大厂纷纷推出自己的Claw类产品，先抢走的是注意力。也是在这个6月，龙国东做了决定：不打通用功能的仗，转而扫描用户本地的所有文档，自动建成个人知识库。用他自己的话说，一个后厨不能只有大厨，还得有配菜的、切墩的、洗碗的，他要做的就是给大模型配菜、切墩儿。

逄大嵬的公司元空智能，正在做一场转型，看起来跨度很大，追根溯源却有迹可循。

这家公司的团队出自北京大学科学智能学院的AI for Science团队。

2023年3月，它发布了全球第一个用对话处理Excel的产品ChatExcel，那时Kimi和豆包都还没出生。

三年后，它的新故事是端侧 AI和一系列发生在端侧的 AI work，尤其是AI for Science。他们给科研人员做算力盒子和自研的本地化模型，断网也能处理文档和数据，一次付费，不再收 Token 的钱；垂域 Agent 对接实验室设备，比如帮生化研究者生成蛋白质结构图，再往上，进入湿实验，驱动机器人做实验。

公司从第一天起就定位做数据智能体的生意，业务顺着数据向两头生长。向下，长进财务、科研这些数据不能出门的场景，云端够不着，大厂也解决不了；向上，做端侧AI本地部署，避开云端的竞争。

逄大嵬给转型后的元空下了一个明确的定义：端侧 AI 模型公司，但它交付的不止一个模型，而是一套由模型、Agent和设备组成的生产力方案，最关键的是落地闭环。

团队的底子一头在北大实验室；另一头在过去三年的线上产品交付。其线上产品每天面对数以万计的访问和真实任务，这让团队积累的并非泛泛的聊天数据，而是用户怎样提出任务、Agent怎样调用工具、结果是否完成的执行反馈。逄大嵬把这种长期经受用户“捶打”的能力，看作元空区别于纯模型团队的基因。

模型变小，效果是否也会缩水，是端侧路线绕不开的质疑。

元空智能的CTO宁鲲鹏说，35B模型已经“相当够用”，这也是目前元空端侧AI的参数大小，按其说法，其效果甚至已超过一年多前的GPT-4o。团队将原因归结为“智能密度”的提高：模型能力不再简单随参数规模等比例变化，Agent产生的高质量任务数据和后训练，可以让较小模型在特定工作中达到过去大模型的水平。

这其实也解释了端侧路线成立的技术前提：企业未必需要在每项任务上调用最强的云端模型，只要本地模型能以更低成本把特定工作完成。

转向端侧，对元空而言，也来自客户需求。模型在变小，设备算力在变强，公开互联网数据则日渐稀缺，下一批有价值的数据更多藏在电脑、工厂和实验室的真实与物理世界产生交互的工作过程中。与此同时，企业客户要的往往不是一个等待自己训练的空白Agent，而是数据不出本地、成本可以预估、拿来就能完成专业任务的系统。尤其是重点实验室的数据，甚至同一所高校，不同实验室之间的数据都无法互通，更不用说上云。

元空从ChatExcel开始接触企业，由此逐渐摸清了这些客户的工作逻辑和交付要求。

至于模型厂商为什么不直接做，逄大嵬没有把答案归结为某项独门技术。他承认，大厂不存在做不出的技术，差别更多在路线和商业模式。把云端模型裁小后塞进电脑，不等于做出原生端侧模型；后者需要贴着具体设备优化算力与模型，围绕Agent的执行结果形成数据闭环，再把模型、软件和硬件一起交付。云端厂商当然可以进入，只是本地授权和私有化部署与其按Token收费的生意并不完全同路。

真正的问题由此变成：谁愿意为一个行业、一类设备和一套工作流持续做深。

一个在本地建知识库，一个做端侧模型。两个创业者不约而同往端侧走。

这背后是端侧AI的爆发，北京智源研究院8月发布的报告把2026年称作“端侧智能规模化落地元年”。这个生态刚成形，还没有人能垄断它。在云端牌桌上被挤出来的创业者，在这里找到一块新地盘。

整机厂自己怎么看这块地盘，比创业者的说法更能说明问题。中国惠普副总裁周信宏给企业AI落地列了三道坎：数据合规风险、成本不可控、项目交付难，而在他看来，“要解决这些问题其实只有一条路”，就是本地私有化部署。他的判断是，全球一年出货约3亿台电脑，最后每一台都会是AI电脑；和元空合作的AI work一体机2025年开始试点，已有惠普的企业客户采购了上百台。

后摩智能的CEO吴强就曾对虎嗅说过，端侧模型其实是将AI从一种持续的运营成本，转变为一种可预期的资本投入，为用户和企业提供了一种全新的选择。未来的主流模式更可能是“端云协同”，系统自动判断任务该由端侧还是云端处理，在成本、性能和体验之间找到平衡点。

数据不出设备，企业和个人在使用中教给模型的行业知识、业务判断留在自己手里；模型买断一次，后面不再按Token计费。