Resumen del contenido principal
Los asistentes de IA para oficina de las principales empresas tecnológicas nacionales (Alibaba, Baidu, Tencent y ByteDance) están adoptando colectivamente un modelo de "agregación de modelos": ya no dependen únicamente de sus propios grandes modelos, sino que integran modelos de terceros como Zhipu y DeepSeek, permitiendo a los usuarios elegir libremente. El objetivo principal es atraer a los usuarios para que confíen sus tareas reales (redacción de informes, creación de PPTs, análisis de tablas) a la IA, acumulando así datos escasos sobre descomposición de tareas, uso de herramientas y comentarios de los usuarios, lo que a su vez optimiza el "sistema de comando" (Harness) de la IA. Sin embargo, esto conlleva un desafío: cómo seleccionar el modelo más adecuado para cada tarea y equilibrar efectividad, velocidad y costo, requisitos que no se pueden satisfacer simultáneamente, lo que se convertirá en la clave de la competencia futura.
I. ¿Por qué los asistentes de IA para oficina comienzan a acumular modelos? — La estrategia es hacer que los usuarios los utilicen primero
En el pasado, la competencia entre los grandes modelos se centraba en "cuál modelo es el mejor", pero en el caso de los asistentes de IA para oficina, la lógica ha cambiado: primero retener a los usuarios y hacer que realmente confíen sus tareas. Por ejemplo, Qianwen Office ha integrado Zhipu GLM-5.3 y DeepSeek V4 Pro, mientras que Tencent WorkBuddy incluso ha incorporado modelos de varias series como Hunyuan, Zhipu y MiniMax. ¿Por qué? Porque un solo modelo no puede abarcar todas las tareas: algunos son buenos para escribir textos, otros para calcular tablas y otros para crear PPTs. Cuanto más variados sean los modelos, mayor es la probabilidad de resolver los problemas de los usuarios, lo que los incentivará a seguir utilizando el servicio. Lo más importante es que, cuanto más utilicen los usuarios, más datos reales sobre flujos de trabajo obtiene la IA: por ejemplo, cuando un usuario pide al AI que redacte un informe, ¿cómo descompone la tarea en "buscar información → elaborar un esquema → agregar contenido → modificar"? ¿En qué paso falló? ¿Dónde realizó los cambios el usuario? Estos datos son clave para la evolución de la IA, al igual que un profesor que corrige las tareas y aprende de sus errores para mejorar su enseñanza. Un ejecutivo de Baidu dijo que los modelos ya han comprendido completamente los datos públicos, y en el futuro, el avance de la IA dependerá del "nuevo conocimiento generado por los humanos", y los flujos de trabajo reales son el medio para obtener este conocimiento.
Por lo tanto, acumular modelos no es una cuestión de mostrar habilidades técnicas, sino de hacer que los usuarios quieran utilizarlos, lo que a su vez genera datos y crea un ciclo virtuoso: "usuarios utilizan → más datos → IA mejorada → usuarios aún más dispuestos a usar".
II. La agregación no significa "sin barreras": las grandes empresas siguen protegiendo sus propios ecosistemas
Aunque todas están integrando modelos de terceros, si se observa detenidamente, se descubre que los modelos de cada empresa no incluyen a los competidores directos. Por ejemplo, Tencent WorkBuddy no tiene los modelos Qianwen de Alibaba ni Seed de ByteDance; ByteDance TRAE Work no tiene el modelo Hunyuan de Tencent; y Baidu KuKuAI tampoco cuenta con Hunyuan, Qianwen o Seed. ¿Por qué? Porque las grandes empresas no quieren que los usuarios cambien a sus competidores si utilizan modelos de otros servicios en su IA. La agregación es "abierta", pero tiene sus límites; las barreras ecológicas siguen existiendo. Es como los escaparates en un centro comercial: puedes introducir marcas diferentes, pero no permitir que los competidores compitan por tus clientes.
III. El routing: el desafío de elegir el modelo más adecuado
Integrar varios modelos en la IA es solo el primer paso; lo realmente difícil es elegir el modelo correcto para cada tarea, y eso se denomina "routing". Existe un "triángulo imposible": los modelos de mejor rendimiento suelen ser más caros (por ejemplo, usar grandes modelos para tareas complejas cuesta varios dólares por llamada); los modelos rápidos pueden tener un rendimiento inferior; y los modelos económicos pueden no ser capaces de resolver problemas complejos. El objetivo del routing es encontrar el equilibrio entre estos tres aspectos:
- Tareas sencillas (como generar un acta de reunión): usar modelos económicos y rápidos para ahorrar costos.
- Tareas complejas (como analizar datos de ventas anuales y crear PPTs): utilizar modelos de mejor rendimiento para garantizar la calidad.
- Tareas urgentes (como obtener un esquema de solución en 10 minutos): usar modelos rápidos, incluso si eso implica sacrificar algo de eficiencia.
Para los usuarios, esto afecta directamente el "resultado, el tiempo necesario y el costo". Para las empresas, las diferencias de coste en tareas masivas son significativas: un ahorro de 0.1 dólar por llamada puede sumar mucho cuando se trata de cientos de miles de veces. Por lo tanto, el routing no es simplemente una cuestión de elegir un modelo, sino de calcular los costos y los beneficios.
IV. La competencia final: ¿cuál sistema de comando es más inteligente?
Los modelos se pueden comprar e integrar, pero cómo conectar las etapas de descomposición de tareas, selección de modelos, uso de herramientas y recuperación de errores es la verdadera barrera; esto constituye el "sistema de comando" (Harness) de la IA. Por ejemplo, cuando un usuario pide un informe de ventas del tercer trimestre, el sistema de comando de la IA debe descomponer la tarea en "obtener datos de ventas del tercer trimestre → analizar las tendencias de crecimiento → generar un esquema del informe → agregar contenido → mejorar el diseño del PPT". Luego, debe elegir el modelo adecuado para cada etapa: uno bueno para obtener datos, otro para analizar tendencias y otro para escribir texto. Si algo falla (por ejemplo, al recuperar datos), el sistema debe poder recuperarse automáticamente. La calidad de este sistema depende de los datos reales acumulados por la plataforma y de su experiencia en la gestión de tareas. Algunas plataformas pueden elegir más eficazmente qué modelo es más económico y ofrece un rendimiento similar que otro; otras, no.
En resumen
Los asistentes de IA para oficina están pasando de una competencia basada en modelos individuales a una basada en la agregación de varios modelos, con el objetivo de obtener más usuarios y datos. Sin embargo, para lograr esto, es necesario resolver primero los problemas relacionados con la selección de modelos. En última instancia, la clave de la competencia será la capacidad del sistema de comando de la IA para ofrecer un mejor servicio al usuario a un costo más bajo.
Como dice el refrán, "un buen restaurante no solo tiene buenos platos, sino también un chef que sabe recomendarlos adecuadamente según los gustos y las necesidades de cada cliente".