会写文案、做 PPT、查资料、整理数据，已经是今天很多 AI 工具都能完成的事情。

但当 AI 真正进入一家几十人、上百人的公司，问题很快就从它能不能帮我干活，变成了另外一组更现实的问题：

• 一个跨部门的项目，背景资料散落在不同人手里，新来的 AI 怎么知道前因后果？

• 公司沉淀了几十上百份产品文档，怎么让每个人都能反复调用，而不是每次重新翻一遍？

• 那些每天重复的信息收集工作，能不能不用人盯着就自动跑完？

• AI 产出的结果，怎么直接进到大家本来就在用的群和系统里？

而当企业真金白银买了算力，管理者又怎么知道这笔钱花到了哪里、值不值？

这正是纳米 Work 企业版想要解决的问题，当 AI 真的开始参与一家公司的日常，它怎么被组织起来、沉淀下来、自动跑起来、接进业务里，最后又怎么被企业管起来。

01 项目：普通任务解决“一件活”，项目解决“一件事”

个人用 AI，最熟悉的方式是打开一个对话框，把一件事交给它。

但企业里的很多工作，并不是一问一答就结束了。

一次市场活动要经历选题、方案、邀约、执行、复盘；

一个客户项目可能持续几个月，涉及销售、产品、交付好几个角色；

同一件事里，还在不断产生新的文件、任务和沟通记录。

如果所有内容都散落在一个个独立任务里，AI 虽然每次都能干活，却很难真正理解"这件事之前发生了什么、现在进展到哪、接下来还有谁要参与"。

这就是纳米Work项目模块要解决的问题。

它不只是建一个文件夹把任务装进去，而是把同一件业务里的成员、背景资料、专家、任务和上下文组织在一起。

新建项目时可以设定可见范围、添加对应领域的 AI 专家、写清项目指令；所有相关的策划文档、产品资料都可以上传进来，形成这个项目专属的知识库；项目里每个人都能发起自己的任务，产出物自动沉淀在同一个项目空间下。

那假设我要筹备一场“餐饮行业怎么用 AI”的线上直播，这件事情明显不是一句话就做完。

需要确定主题、整理餐饮行业的痛点、找嘉宾、设计案例、写直播文案、做海报、准备主持提问，直播结束以后还要做回放和复盘。这些工作应该是一个小组来完成，需要多人来协作，并且会涉及到非常多的工作产物，这样的情况就可以用项目来解决。

第一步，输入项目名称，设定可见范围为团队可见；

第二步，按场景勾选 AI 专家，点击雇佣即可加入项目，且后续可随时调整。

接着写清项目指令，给每个成员、每位专家分配职责，相当于把每次开会的分工落成文字。不会写也没关系，可以直接问纳米Work企业版，它会帮你把分工和任务安排补充完整。

再把直播相关资料上传进项目知识库——账号定位、历史直播数据、策划方向，作为后续所有任务共用的上下文。

项目就绪后，写脚本、写宣传文案等所有任务都能在项目内派发并 ；团队里任何成员登录后都能独立发起任务，产出物都可以在同一项目空间下进行。

02 知识库：有文件，和知识能被调用，是两件事

另一个典型的问题是：公司明明已经有很多文档，为什么还需要知识库？

因为有文件和企业知识能被调用，其实是两件事。

产品手册可能躺在某个人的电脑里，销售 FAQ 可能存在群文件里，一套已经跑通过的客户沟通话术，也可能只掌握在几个老员工手里。人一走，这些经验就跟着走了，新人来了，还要从头再问一遍、再查一遍。

企业真正损失的，从来不只是找文件的那几分钟，而是大量知识一直没有变成组织可以重复利用的能力。

知识库解决的，不单单是把资料存起来，还让 AI 在工作时能参考企业已经整理好的内容。

拿一个新人销售的场景来说。明天他要第一次去拜访客户，产品还没摸熟，带他的老销售又都在外面，没人有空一对一地教。

他不需要从头去背产品手册——公司已经把产品手册、白皮书、客户常见问题（FAQ）都传进了知识库。他在纳米 Work 企业版的对话里用斜杠把这几份文档引用进来，让 AI 基于这些公司确认过的内容，模拟明天客户可能提的问题，再整理出对应的回答话术。

相当于在见客户之前，先做了一场"模拟拜访"：问题、话术、依据，全都来自知识库里已有的资料，而不是 AI 凭空编出来的一段通用套话。

这里就是个人版和企业版的区别。

个人 AI 工具也能帮忙写一段话术，但它不知道公司自己的产品口径，不知道哪些承诺能做、哪些不能说；而知识库被调用之后，AI 的回答有出处、有边界，新人拿到的是能被公司背书的话术。

把原本要靠老员工一对一、线下去带的培训，替换成新人用知识库自助完成，省下的是培训的人力、时间，甚至财力。这才是"知识能被调用"这件事，对组织真正的价值。

另外，纳米 Work 企业版的知识库还会继续往 AI 自动维护的方向发展，未来 AI 将会对多个来源的文档进行自动采集、自动分类，并生成可视化知识图谱，让检索更准、维护更省人力。

03 自动化：重复性的工作由 AI 来做

对做 ToB 业务的团队来说，找项目、筛信息、判断机会，是一件典型的重复劳动。过去靠销售每天自己去各个渠道翻，再从一堆项目里判断哪些和自己业务相关。

交给自动化，逻辑就完全变了。

可以预先设好关注的行业、地区、关键词、预算等条件，让 AI 放在云端主机上 7×24 小时持续跑，下班前提交任务，第二天一上班就能拿到结果。它会按匹配程度把项目分好类：哪些值得重点跟进，哪些可以继续观察，哪些暂时不用投入。

直播里现场搭了一个京津冀地区物流行业的招投标监测任务，自动生成带溯源链接的标讯日报，按优先级排序，还附上投标建议和风险提示。

纳米 Work企业版 里也准备了一些现成的自动化模板，比如关注行业机会、盘点资源、跟踪竞品。没有合适的模板，也可以按自己的工作需要设置任务；不确定怎么写任务要求时，可以直接用日常语言告诉 AI 想要什么结果。像定期收集信息、每天整理数据这类重复工作，就不用每次都从头安排了。

04 连接器：AI 不能永远待在 AI 软件里

但只做到自动跑，还不够。

企业员工真正工作的地方，往往并不只有一个 AI 产品。销售长期待在协作软件里，项目成员在群里沟通，客户信息存在其他系统中，日常通知和任务也都有原来的流转方式。

如果 AI 每做完一件事，员工还要自己打开另一个软件、复制结果、再转发给别人，那它仍然只是一个相对独立的工具。

连接器要解决的，是让 AI 有机会进入企业本来的工作链路。

它支持飞书、钉钉、企业微信、微信等 IM 工具，也能对接百度网盘、腾讯文档、WPS、企查查以及各类内部业务系统。配置并不复杂，在对应平台后台拿到机器人 ID 和密钥填进去就能绑定。

以招投标监控为例，AI 筛出一个高匹配机会之后，结果自动推送到团队本来就在用的工作群里，销售接着围绕这条商机继续分析、调用销售知识、准备首次接触要确认的重点。

一条工作链就这么连起来了：发现信息 → 判断机会 → 进入协作 → 调用企业知识 → 继续推进业务。

这个时候，AI 才不再是业务之外的一个附加工具，而开始成为流程里的一个节点。

05 管理后台：花出去的钱，每一分都得看得见

而当 AI 真的开始进入越来越多人的工作，企业马上会面对另一组问题：

• 新员工怎么加入？

• 离职员工怎么处理？

• 不同部门能用哪些资源？

• 算力怎么分配？钱到底花得值不值？

当 AI 从少数员工试用扩展到更多团队，企业需要考虑的不只是员工怎么使用 AI，还包括成员、权限和资源怎么统一管理。账号、云主机、算力、模型、专家和知识库等企业资源，也需要有相应的管理方式。

所以纳米 Work 企业版的管理后台，正是为管理员提供统一管理这些成员与资源的入口。

纳米 Work 企业版的后台管理有核心几个功能：

• 成员管理：从钉钉、飞书、企业微信同步组织架构，或手动添加员工、划分部门。

• 资源分配：云主机有轻量、专业、高性能不同档位，按岗位和任务复杂度分配；算力豆统一充进企业池，管理员按需给员工发额度，成本清楚可控。

• 模型管理：第一时间接入国内外主流大模型，也支持企业接入自己训练或本地部署的模型；智能路由让简单任务自动匹配便宜模型，复杂任务再调用强模型，从机制上帮企业省算力。

管理后台还通过几块可视化面板，集中呈现企业 AI 资产的沉淀情况、资源消耗和成员活跃度，帮助管理者了解资源用在了哪里、员工和团队如何使用 AI。

一块是资产贡献看板：各部门、每个人上传了多少文档、创建了多少专家、调用了多少次技能，排出榜来，谁在给组织沉淀 AI 资产，一目了然。

一块是使用消耗看板：企业整体花了多少算力、人均多少、哪个专家被调得最多、谁消耗最高，每一笔投入都能追到具体的人和场景。

还有一块是活跃度看板：多少人在用、人均调了多少次、哪个部门最活跃、大家一般在什么时段用 AI，从侧面看这家公司的 AI 转型到底落到了什么程度。

“对于老板来讲，花出去的钱必须能看得见。每一分都得看得到回报。”

管理后台要解决的，就是把过去买了 AI 却不知道用得怎么样的信息黑盒打开。个人关注的是我能不能用 AI 把活干好；企业关注的是怎么让一群人都稳定地用起来，同时把知识、流程和资源沉淀下来。

06 企业用 AI，关心的不只是“好不好用”

对个人来说，AI 能不能帮自己更快完成一项工作，可能就够了。

但企业往往还要考虑：团队成员能不能一起用？公司已经积累的资料能不能成为 AI 工作时的参考？AI 生成的结果能不能接上原来的协作流程？员工开始使用后，管理员能不能管理成员、配置和使用情况？

纳米 Work 企业版面向的，正是这些组织使用 AI 时会遇到的问题。它提供项目、知识库、自动化、连接器和管理后台等能力，让团队可以围绕同一项工作协作、调用企业资料、处理重复任务，并由管理员管理企业内的相关配置。

企业引入 AI，关键不在多买了哪个工具，而在它有没有真正用起来，员工愿意用、资料派得上用场、管理者心里有数，这几点做到了，AI 才算真正用起来了。

更多AI资讯，请扫码关注Aiker World社区公众号