QwenWork 是阿里巴巴想讓職場 AI 走出聊天視窗的一步。這個平台把原本的 QoderWork、MuleRun 與 Wukong 整合為同一個代理層，目標是讓 AI 能跨越桌面、雲端服務、協作工具、檔案與企業系統完成工作。13

關鍵觀念並不複雜：企業採用 AI 的價值，不該取決於每位員工用了多少模型 Token，而應取決於 AI 能否在適當的情境、權限與監管之下，穩定完成可重複執行的流程。

QwenWork 是什麼？為何要合併三項產品？

阿里巴巴以公開測試形式推出 QwenWork，將 QoderWork、MuleRun 和 Wukong 收攏為單一的工作場所 AI 代理平台。阿里巴巴稱，這項整合讓桌面、雲端及企業協作代理可透過同一介面使用。13

這很貼近真實的企業工作方式：一項任務往往不會只在單一工具裡完成。員工可能得查看本機檔案、從業務系統找資料、在內部通訊工具中協調、產出文件，再安排後續事項。QwenWork 的設計是讓使用者用自然語言描述目標，並協調這些環境中的多步驟工作。26

因此，阿里巴巴不是把它定位為獨立的聊天助理，而是「執行層」：使用者交代想達成的結果、追蹤執行過程、檢查成果，並可將可重複的任務保存或排程。2

QwenWork 的技術與工作堆疊

QwenWork 並非單一模型，也不是單一應用程式；它的主張建立在多個層次的配合之上。

Qwen 模型：提供推理與生成能力

QwenWork 採用阿里巴巴的 Qwen 模型家族，處理規劃、內容生成、程式開發與協作等任務。Qwen3.8 也與 QwenWork 同步推出，阿里巴巴將兩者定位為面向企業的 AI 方案。79

其中的差別在於：模型提供智慧，QwenWork 則負責協調工作執行。再強的模型本身可以寫出答案；代理平台的目的，則是讓模型能力能在檔案、工具、資料及已核准的業務流程中發揮作用。

阿里雲：工作空間與營運基礎

QwenWork 的產品指引顯示，使用者可將 QwenWork 帳號連結至阿里雲帳號，進入個人或組織工作空間，再依需求選擇模型、加入檔案、啟用 Skills（技能）或連接器。2

這讓它不只是桌面聊天機器人。按阿里巴巴的設計，工作可以圍繞共享環境與可重用資源來組織，同時支援個人與團隊。

釘釘：讓代理進入協作現場

阿里巴巴表示，QwenWork 將以嵌入式代理形式進入釘釘桌面版與行動版。1 這是其企業訴求的重要環節：員工應能在既有的協作環境中使用 AI，也就是對話、文件、會議、訊息及審批原本發生的地方。

MyContext：企業情境的底座

報導指出，阿里巴巴已開源 MyContext，這套基礎設施旨在把即時通訊、文件、審批與電子郵件等分散資料轉為代理可調用的情境。第三方報導稱，該專案當時在 GitHub 已超過 3,000 顆星。5

這是一項值得注意的架構主張。企業工作之所以困難，常不是模型不會寫文章，而是行動所需資訊散落在不同系統與權限範圍內。MyContext 的目標，是讓代理可利用組織資訊，減少員工每次都得在提示詞中重新交代背景。

CRM、ERP 串接：讓建議走向可執行

與阿里巴巴相關的報導描述，代理可從 CRM 與 ERP 等系統查詢客戶資料、庫存及其他資訊，再根據自然語言請求提出建議。5

對企業來說，這是「摘要資訊」與「支援特定營運流程」之間的差別。不過，價值能否成立仍取決於資料正確性、權限設計、可稽核性與人工覆核，而不是串接系統的數量。

Skills：把工作經驗變成可重用能力

QwenWork 的 Skill 是事先寫好的工作指引，會定義某類任務的執行步驟、輸出格式與注意細節。定義完成後，QwenWork 可在後續對話中辨識並套用。17

Skills 的重要性在於，它可將個人的操作訣竅轉化為更可移轉的組織能力。團隊不必依賴某位專家的提示詞習慣，而能將流程編碼下來，以更一致的方式重複使用。

早期採用與開源進展

阿里巴巴表示，QwenWork 在中國進入測試版一個月後，累計使用者已超過 3,000 萬，其中企業帳號超過使用者總數的一半；公司亦稱平台已在汽車、金融服務、物流、具身智慧與科學研究等領域被採用。3

QwenWork 國際版也已開放公開測試，阿里巴巴鎖定的市場包括亞洲、拉丁美洲與中東。46

MyContext 的開源與 GitHub 星數，反映了開發者關注度，但不能直接視為企業長期價值的證明。星數、測試版註冊量與產品更新速度衡量的是興趣與動能，並不能單獨證實安全性、可靠度或長期投資報酬率。5

為何這是對「Token Maxxing」的挑戰？

所謂「Token Maxxing」，是指企業大量採購 AI Token 額度給員工使用，卻未清楚連結到具體業務成果。較高的模型用量當然可能有幫助，但 Token 消耗是投入，不是生產力或品質的衡量標準。

QwenWork 提出的，是另一種企業部署 AI 的邏輯：

• **共享情境：**代理可依據組織資訊工作，而不只是員工一次性的提示詞。5
• **連接式執行：**AI 可在協作與業務系統旁運作，而非只停在生成一段答案。15
• **可重用專業知識：**Skills 可將流程定義一次，並在相似工作中反覆套用。17
• **以成果衡量：**團隊可檢視節省時間、降低錯誤、處理量、審核負擔與服務品質，而不是消耗多少 Token。

這是一套合理的企業 AI 論述，但架構本身不會自動證明成效。系統串接愈深，存取控制、資料治理、錯誤處理與監督的重要性就愈高。只有底層流程可靠、輸出可安全採用，工作流程代理才可能帶來持久價值。

長安汽車案例說明了什麼？

阿里巴巴表示，長安汽車已在研發、製造、供應鏈、銷售與服務導入 QwenWork。3 這些案例的重點不在泛泛的「有用 AI」，而在具體流程如何被改寫。

研發：線束計算

阿里巴巴表示，長安工程師建立了線束計算工具，將原本需時兩天的工作縮短至約 5 分鐘；另有燈光設計對齊工作，從數週縮短為一次會議。3

比起醒目的效率數字，更值得注意的是其機制：工程師將專業的計算規則轉為可執行流程。這正是把領域知識變成可重用內部工具的例子。

生產：車輛文件驗證

阿里巴巴稱，一項車輛文件驗證應用將每輛車的檢查時間，從超過 10 分鐘降至 2 分鐘以內。3

這類情境很適合工作流程 AI：比對結構化欄位、找出差異，再將例外狀況送交人員確認。在受監管或重視品質的場域，關鍵不只是速度，也包括檢查可靠性與稽核能力。

供應鏈：供應商審核自動化

阿里巴巴表示，自動化供應商審核讓工作量減少 90%。3 報導中的長安包裝審核流程涵蓋數百家供應商與數千項零件，並被拆解為自動化指令碼，用於資料擷取、進度彙整與延遲警示。3

這比單純生成文字更接近企業代理的承諾。AI 的價值只會在它能配合相關流程規則與資料來源、產出有用狀態資訊，並讓真正負責結果的人看見例外時出現。

銷售與服務：更快分析回饋

阿里巴巴也表示，透過自動處理數萬份問卷回覆，使用者洞察分析時間可從數天縮短至半天。3

綜合這些案例，QwenWork 最有吸引力的場景，可能是那些可重複、資訊密集、輸入與審核步驟清楚，且有明確業務責任人的任務。

證據仍有其限制

阿里巴巴也將匯付天下、傳化集團與老鄉雞等列為 QwenWork 採用者。3 不過，現有資料並未對物流、研究、採購、排程、監控或財務檢核等每一項潛在應用，提供同等詳盡且經獨立驗證的成果。

已公布的長安指標可作為營運訊號參考，但主要仍屬公司自行報告，且時間非常早期。它們應被理解為案例研究中的主張，而不是 QwenWork 必然勝過所有企業 AI 方案的獨立證據。

結論

QwenWork 最有力的訴求，不是提供更大的 Token 預算，而是嘗試把機構情境、系統存取權限與專家程序，轉化為可治理、可重複使用的工作流程。

阿里巴巴公布的早期採用數字與長安案例，讓這項主張值得持續觀察；但評估 QwenWork 這類平台的企業，仍應自行驗證更棘手的問題：代理能存取哪些資料？行動如何核准？輸出如何稽核？失敗時會發生什麼事？效益是否能在正式環境持續存在？企業 AI 的贏家，不會是生成最多 Token 的平台，而會是最能可靠改善實際工作的那一個。

QwenWork 是阿里巴巴想讓職場 AI 走出聊天視窗的一步。這個平台把原本的 QoderWork、MuleRun 與 Wukong 整合為同一個代理層，目標是讓 AI 能跨越桌面、雲端服務、協作工具、檔案與企業系統完成工作。13

關鍵觀念並不複雜：企業採用 AI 的價值，不該取決於每位員工用了多少模型 Token，而應取決於 AI 能否在適當的情境、權限與監管之下，穩定完成可重複執行的流程。

QwenWork 是什麼？為何要合併三項產品？

阿里巴巴以公開測試形式推出 QwenWork，將 QoderWork、MuleRun 和 Wukong 收攏為單一的工作場所 AI 代理平台。阿里巴巴稱，這項整合讓桌面、雲端及企業協作代理可透過同一介面使用。13

這很貼近真實的企業工作方式：一項任務往往不會只在單一工具裡完成。員工可能得查看本機檔案、從業務系統找資料、在內部通訊工具中協調、產出文件，再安排後續事項。QwenWork 的設計是讓使用者用自然語言描述目標，並協調這些環境中的多步驟工作。26

因此，阿里巴巴不是把它定位為獨立的聊天助理，而是「執行層」：使用者交代想達成的結果、追蹤執行過程、檢查成果，並可將可重複的任務保存或排程。2

QwenWork 的技術與工作堆疊

QwenWork 並非單一模型，也不是單一應用程式；它的主張建立在多個層次的配合之上。

Qwen 模型：提供推理與生成能力

QwenWork 採用阿里巴巴的 Qwen 模型家族，處理規劃、內容生成、程式開發與協作等任務。Qwen3.8 也與 QwenWork 同步推出，阿里巴巴將兩者定位為面向企業的 AI 方案。79

其中的差別在於：模型提供智慧，QwenWork 則負責協調工作執行。再強的模型本身可以寫出答案；代理平台的目的，則是讓模型能力能在檔案、工具、資料及已核准的業務流程中發揮作用。

阿里雲：工作空間與營運基礎

QwenWork 的產品指引顯示，使用者可將 QwenWork 帳號連結至阿里雲帳號，進入個人或組織工作空間，再依需求選擇模型、加入檔案、啟用 Skills（技能）或連接器。2

這讓它不只是桌面聊天機器人。按阿里巴巴的設計，工作可以圍繞共享環境與可重用資源來組織，同時支援個人與團隊。

釘釘：讓代理進入協作現場

阿里巴巴表示，QwenWork 將以嵌入式代理形式進入釘釘桌面版與行動版。1 這是其企業訴求的重要環節：員工應能在既有的協作環境中使用 AI，也就是對話、文件、會議、訊息及審批原本發生的地方。

MyContext：企業情境的底座

報導指出，阿里巴巴已開源 MyContext，這套基礎設施旨在把即時通訊、文件、審批與電子郵件等分散資料轉為代理可調用的情境。第三方報導稱，該專案當時在 GitHub 已超過 3,000 顆星。5

這是一項值得注意的架構主張。企業工作之所以困難，常不是模型不會寫文章，而是行動所需資訊散落在不同系統與權限範圍內。MyContext 的目標，是讓代理可利用組織資訊，減少員工每次都得在提示詞中重新交代背景。

CRM、ERP 串接：讓建議走向可執行

與阿里巴巴相關的報導描述，代理可從 CRM 與 ERP 等系統查詢客戶資料、庫存及其他資訊，再根據自然語言請求提出建議。5

對企業來說，這是「摘要資訊」與「支援特定營運流程」之間的差別。不過，價值能否成立仍取決於資料正確性、權限設計、可稽核性與人工覆核，而不是串接系統的數量。

Skills：把工作經驗變成可重用能力

QwenWork 的 Skill 是事先寫好的工作指引，會定義某類任務的執行步驟、輸出格式與注意細節。定義完成後，QwenWork 可在後續對話中辨識並套用。17

Skills 的重要性在於，它可將個人的操作訣竅轉化為更可移轉的組織能力。團隊不必依賴某位專家的提示詞習慣，而能將流程編碼下來，以更一致的方式重複使用。

早期採用與開源進展

阿里巴巴表示，QwenWork 在中國進入測試版一個月後，累計使用者已超過 3,000 萬，其中企業帳號超過使用者總數的一半；公司亦稱平台已在汽車、金融服務、物流、具身智慧與科學研究等領域被採用。3

QwenWork 國際版也已開放公開測試，阿里巴巴鎖定的市場包括亞洲、拉丁美洲與中東。46

MyContext 的開源與 GitHub 星數，反映了開發者關注度，但不能直接視為企業長期價值的證明。星數、測試版註冊量與產品更新速度衡量的是興趣與動能，並不能單獨證實安全性、可靠度或長期投資報酬率。5

為何這是對「Token Maxxing」的挑戰？

所謂「Token Maxxing」，是指企業大量採購 AI Token 額度給員工使用，卻未清楚連結到具體業務成果。較高的模型用量當然可能有幫助，但 Token 消耗是投入，不是生產力或品質的衡量標準。

QwenWork 提出的，是另一種企業部署 AI 的邏輯：

• **共享情境：**代理可依據組織資訊工作，而不只是員工一次性的提示詞。5
• **連接式執行：**AI 可在協作與業務系統旁運作，而非只停在生成一段答案。15
• **可重用專業知識：**Skills 可將流程定義一次，並在相似工作中反覆套用。17
• **以成果衡量：**團隊可檢視節省時間、降低錯誤、處理量、審核負擔與服務品質，而不是消耗多少 Token。

這是一套合理的企業 AI 論述，但架構本身不會自動證明成效。系統串接愈深，存取控制、資料治理、錯誤處理與監督的重要性就愈高。只有底層流程可靠、輸出可安全採用，工作流程代理才可能帶來持久價值。

長安汽車案例說明了什麼？

阿里巴巴表示，長安汽車已在研發、製造、供應鏈、銷售與服務導入 QwenWork。3 這些案例的重點不在泛泛的「有用 AI」，而在具體流程如何被改寫。

研發：線束計算

阿里巴巴表示，長安工程師建立了線束計算工具，將原本需時兩天的工作縮短至約 5 分鐘；另有燈光設計對齊工作，從數週縮短為一次會議。3

比起醒目的效率數字，更值得注意的是其機制：工程師將專業的計算規則轉為可執行流程。這正是把領域知識變成可重用內部工具的例子。

生產：車輛文件驗證

阿里巴巴稱，一項車輛文件驗證應用將每輛車的檢查時間，從超過 10 分鐘降至 2 分鐘以內。3

這類情境很適合工作流程 AI：比對結構化欄位、找出差異，再將例外狀況送交人員確認。在受監管或重視品質的場域，關鍵不只是速度，也包括檢查可靠性與稽核能力。

供應鏈：供應商審核自動化

阿里巴巴表示，自動化供應商審核讓工作量減少 90%。3 報導中的長安包裝審核流程涵蓋數百家供應商與數千項零件，並被拆解為自動化指令碼，用於資料擷取、進度彙整與延遲警示。3

這比單純生成文字更接近企業代理的承諾。AI 的價值只會在它能配合相關流程規則與資料來源、產出有用狀態資訊，並讓真正負責結果的人看見例外時出現。

銷售與服務：更快分析回饋

阿里巴巴也表示，透過自動處理數萬份問卷回覆，使用者洞察分析時間可從數天縮短至半天。3

綜合這些案例，QwenWork 最有吸引力的場景，可能是那些可重複、資訊密集、輸入與審核步驟清楚，且有明確業務責任人的任務。

證據仍有其限制

阿里巴巴也將匯付天下、傳化集團與老鄉雞等列為 QwenWork 採用者。3 不過，現有資料並未對物流、研究、採購、排程、監控或財務檢核等每一項潛在應用，提供同等詳盡且經獨立驗證的成果。

已公布的長安指標可作為營運訊號參考，但主要仍屬公司自行報告，且時間非常早期。它們應被理解為案例研究中的主張，而不是 QwenWork 必然勝過所有企業 AI 方案的獨立證據。

結論

QwenWork 最有力的訴求，不是提供更大的 Token 預算，而是嘗試把機構情境、系統存取權限與專家程序，轉化為可治理、可重複使用的工作流程。

阿里巴巴公布的早期採用數字與長安案例，讓這項主張值得持續觀察；但評估 QwenWork 這類平台的企業，仍應自行驗證更棘手的問題：代理能存取哪些資料？行動如何核准？輸出如何稽核？失敗時會發生什麼事？效益是否能在正式環境持續存在？企業 AI 的贏家，不會是生成最多 Token 的平台，而會是最能可靠改善實際工作的那一個。