郁清叔叔峰会海报放出来那一瞬间，我甚至怀疑自己走错了会场。旁边几个同行都在聊大模型背后的参数规模、微调方案和Agent编排框架，飞书这场却挂着一个朴素到有些"另类"的题目：飞书多维表格驱动业务新增长。讲台上站着的是飞书产品营销&增长经理王屹煊，台下坐着的人，很多和我一样，都是手里管着增长和运营团队的业务侧负责人——不一定能写代码，但几乎天天和表格打交道。
但听完这场约四十分钟的分享之后，我必须说，现场气氛比前面好几场用大模型炫技的演讲都要热。原因也简单：大家终于发现，AI和业务之间一直隔着一层"最后一公里"。王屹煊这次分享的价值，就是把这层纸捅破了，而捅破它的工具，居然就是一张张多维表格。
这篇内容整理自我在2025极新AIGC峰会现场的听讲笔记，我会把他在演讲里抛出的核心观点、现场演示的思路、以及我自己会后回团队照着试了一遍的真实感受都写清楚。适合正在做用户运营、市场投放、销售管理或者产品增长的朋友，哪怕你对"多维表格"只有一点模糊印象，也可以从这篇实录里拿到直接能用的东西。
1. 当全场都在聊大模型参数，飞书选择了一线业务那张表
1.1 现场的反差：模型越聊越大，落地越聊越小
这场峰会的主旋律毫无疑问是AIGC。前面几场的分享嘉宾，PPT上全是算力、Token消耗、推理成本、模型评测数据。大家关心的问题是"模型能力够不够强"，讨论的边界停在模型本身。
飞书这场一上来，画风就变了。王屹煊没有放太多产品架构图，开场先投了一张特别普通的图：一位运营同学电脑屏幕上开着一堆标签页，一个窗口是Excel，一个窗口是客户群，一个窗口是数据后台，还有两个是表格工具。然后他问了个问题："你们团队做增长的时候，数据是不是也散落成这个样子？"
这个开场很聪明。他没有去讲多维表格理论上能做多复杂的事，而是直接点了一个几乎所有增长团队都有的痛：工具越来越多，数据却越来越散。AIGC时代的矛盾其实不是模型不够聪明，而是聪明模型产生的输出，没有办法顺畅地流进业务里，更流不进一线每天都在用的那张表。
1.2 王屹煊的三个反问，点破了增长的假象
这场演讲信息密度很高，但让我印象最深的不是某个功能按钮，而是他连续抛出的三个反问。第一个反问："你的业务有没有一本实时更新的总账？"很多团队嘴上说着数据驱动，但月底复盘时还在靠运营手动把数据从各个后台导出，再手工拼成一张总表。这条链路本身就决定了数据是滞后的。
第二个反问："你的表格是躺着的数据，还是在流转的业务？"我当时听到这句话，心里咯噔一下。太多团队的客户表、线索表、内容排期表，本质上就是一个"电子停尸房"，记录越堆越多，但状态从不更新，没有负责人跟进，也没有时间提醒。
第三个反问是："AI到底应该出现在哪里？是出现在聊天框里，还是出现在业务流里？"这是整场演讲的题眼。王屹煊的观点是，把AI当聊天工具，它只是一个偶尔用一下的问答机器；把AI嵌进多维表格的字段里、自动化里，它才会真正参与业务决策、内容生产和流程运转。AIGC时代真正的新增长，不是靠某个惊艳的Demo，而是靠无数个细小的AI能力被安插在业务流程里，持续产生增量。
这个观点让我后面大半场都处于高度认同的状态。增长本质上不是一个靠灵感创造出来的奇迹，而是一个需要反复迭代的运转系统。系统里的每个环节都被数字化、被自动化、被AI化之后，增长才会从"靠人肉堆"变成"靠系统滚"。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 多维表格不等于"更好用的Excel"：从字段到自动化，它就是业务系统本身
2.1 字段可以指人、指文件、指按钮，这是表格成为系统的起点
很多人对多维表格的第一印象，是"Excel的在线升级版"。说实话，如果只是用于记录和筛选，那它确实和Excel区别不大。但王屹煊在演讲里把"字段"这件事讲透了。多维表格的字段不只是文本和数字，一个字段可以是飞书通讯录里的一个人，可以是上传的附件和图片，可以是单选标签，可以是关联到另一张表的记录，甚至可以是一个按钮。
这个设计最直接的改变是：表格里的任意一行数据，不再是一串孤立的字符，它可以直接指向具体的负责人、指向原始文件、指向关联的客户资料。举例来说，你搭建一条渠道投放管理表，每一行是条推广计划。传统做法是单独设一列"负责人"，大家填名字。但当负责人字段直接关联通讯录后，系统可以自动通过飞书消息通知这个人；当某一行关联了素材文件，审批者不用再满网盘找附件，点开记录就能看到。
他还现场演示了"按钮字段"。当时的场景我记得很清楚：前一家公司演示智能体的时候，大家都在看对话框，掌声稀稀拉拉。但当他按下表格里的一个按钮，记录状态从"待审核"自动变成"已通过"，同时自动指派了下一位负责人，还把结果同步到了群里的机器人消息，旁边好几个人都坐直了，开始拍照。因为大家都看明白了：这不只是一张表，这是把业务流程直接搬进了表里。
2.2 把视图切换成业务视角：看板、日历、甘特全在一张表上
多维表格能够成为业务系统的第二个支撑点，是视图能力。同样的数据，不同的团队角色对信息的需求是不一样的。
销售负责人想看到的是漏斗，每一张卡片代表一个客户，从"待接触"拖到"已报价"；市场运营想看时间节奏，活动排期用日历视图更直观；项目推进过程中，团队希望看到任务依赖和时间线，那就切换到甘特视图。王屹煊提到一个很有意思的观点：很多人以为视图越多越复杂，但实际上，视图是让同一份数据在不同角色面前保持"最新版本"的最省力方式。
以前一个表格做五种导出，出错的概率极高。现在一行的数据源是一份，销售在看板视图里拖一下状态卡片的动作，会实时反应在市场的甘特视图或其他统计口径里。谁也不用问对方"你那边的数据更新了吗"，因为没有第二份数据。
现场他把一张内容排期表从表格视图切到日历视图，再从日历视图切到画册视图。那种一屏一屏弹出来的视觉冲击挺强的，观众反应也说明了一个道理：工具的功能堆得再多，不如让用户能在一个地方看到所有业务维度的状态。多维表格在数据源层面帮你做的统一，才是它长期的价值。
2.3 一张能力对照表：多维表格和Excel/数据库的边界
考虑到现场有不同基础的朋友，王屹煊还放了一张简单的对照表。我凭记忆整理如下，非常实用：
| 对比维度 | Excel | 飞书多维表格 | 传统数据库 |
|---|---|---|---|
| 上手门槛 | 低，人人会 | 低，懂表格就会 | 高，需要SQL |
| 协作能力 | 弱，容易版本混乱 | 强，天然协作，权限细粒度 | 需自建应用 |
| 业务流转 | 无状态流转，靠人肉更新 | 自动化+按钮+状态字段 | 通过开发实现 |
| 视图丰富度 | 表格为主 | 表格/看板/日历/甘特/画册 | 需定制开发 |
| AI能力 | 有限 | 内置AI，可做成AI字段 | 需外部接入 |
| 灵活调整 | 高 | 很高，随手加字段 | 低，改动成本高 |
这张表其实回答了很多人心里的疑问：我到底应该在什么场景下用多维表格？它的定位不是替代专业数据库，也不是完全取代Excel，而是那个处在中间地带、需求迭代快、又需要多人协作的业务管理系统。增长和运营场景天然适配这种"系统"，因为业务策略一周一变，字段和流程随时要调整，传统数据库跟不上这种节奏，纯Excel又撑不起协作。
王屹煊有一句原话我印象很深："数据库是最忠实的仓库管理员，但增长团队需要的不是仓库，是一条流水线，一条随时能改工位的流水线。"我用这句话反推了自己手里好几个业务场景，越想越觉得贴合。
3. 数据躺在表格里不算数，让状态自己跑起来才算数
3.1 痛点总结：不是没有数据，而是工作流被冻在了表格里
这节可以说是整场演讲里最像"增长诊断"的部分。他指出很多团队的数字化建设走到一半，积累了海量数据，但数据并没有真正驱动行动。为什么？因为数据是静态的，业务是动态的，两者之间没有人建立联动。
他举了个特别常见的例子：很多团队用表格管理客户线索，表格里有一列叫"跟进状态"，理论上应该从"新建"变成"跟进中"，再变成"已转化"或"已流失"。但现实是，大部分记录永远停留在"新建"状态。不是销售懒，而是没有人会主动在跟进完之后，专门跑到表格里改动一个状态。这个动作本身太反人性了，属于"重要但不紧急"的事务，拖一拖就忘了。
正确的做法是什么？让状态自己变。当销售在飞书上和客户的沟通结束，系统可以根据某种信号自动把状态改成"跟进中"并提醒下一次跟进时间。建立这种"流动性"之后，表格上的每一个字段才真正像业务里的活细胞，数据驱动才有了基础。王屹煊把这套思路归纳为一句话：好的增长数据不是被记录出来的，是被流转出来的。
3.2 用自动化把"催人"变成"事件驱动"
现场他演示了一套自动化流程。触发条件可以是一个时间点，比如每天早上十点；也可以是一个字段变化，比如记录状态从"待审核"变成了"审核中"；甚至可以是表单里新增了一条数据。
然后执行动作包括：发送消息到某个群、新增一条记录到另一张表、更新当前记录的某个字段、通过Webhook调用外部服务。如果只看这些功能罗列，你可能会觉得平平无奇。但当他把这几个动作串联起来，一套增长运营场景就开始变得逼真了。他模拟了一个市场活动收集线索的例子：用户在活动报名表单里填了信息，这张记录进入多维表格后，自动化自动判断来源渠道，写入"渠道来源"字段，接着给相应的销售负责人发送一条飞书消息，把客户资料和活动背景都串好，同时在任务表里创建一条"首轮跟进"的任务，到期前一天还会自动催办。
这一步一步跑下来，底下很多做运营的朋友开始低声感叹。因为这种"事件驱动"代替"人肉催办"的思路，听起来不复杂，但它直接砍掉了团队里最内耗的那部分管理成本。以前需要一个运营助理每天整理线索、分发给销售、再挨个催促反馈；现在这个助理的活全部交给了多维表格的自动化，而且永远不疲劳、不遗漏。把人力从流程监督中解放出来，放到真正需要创造力的策略制定和客户沟通上——这本身就是一种增长。
3.3 按钮字段、仪表盘与机器人通知组合的完整闭环
他在第二部分演示了一条更完整的闭环：来自不同渠道的销售线索进入线索总表后，通过自动化完成初步判定。线索质量分高于某个阈值的，自动交给资深销售跟进；质量分较低的，则进入培育序列。销售在跟进过程里，只需要在记录上点击"已推进"按钮，系统就会要求填写下次跟进时间和一句备注，然后自动计算出这条线索的预计成交日期。
同时，多维表格仪表盘实时统计当前Pipeline的总金额，老板和团队都能通过仪表盘看到从线索到成交的全流程实时状态，不需要让运营同学周一花半天时间手工做一份"上周情况汇报"。他打趣说："如果你们团队辛辛苦苦做的数据周报，可以自动生成，那省下来的时间给运营同学睡个懒觉，也算一种员工体验提升吧。"
我觉得这套组合的价值，不在于单个功能多高级，而在于它把增长管理里最容易被忽略的"过程数据"沉淀下来了。平时大家只盯着最终成交额，过程数据零零散散，没有积累下来做分析，导致每次复盘都只能靠感觉。多维度表格加自动化之后，过程被数据化是自然发生的，比如一条线索从创建到首响花了多久、处于哪个阶段最久，后面复盘的时候都有依据可查。以数据为依据做调整，增长动作就不会变成拍脑袋。
4. AI该出现在哪里：多维表格里的AI字段如何保住你的工作流
4.1 多维表格里的AI，不是聊天框而是字段
这场峰会毕竟是AIGC主题，全场的人都盯着飞书会如何展示AI能力。王屹煊没有上来就秀一个大模型应用，而是把AI的落点放得特别“业务化”。
他先抛了个概念：多维表格里的AI，不应该是一个需要你主动去对话的聊天框，而应该是一个字段。你定义了这列数据的输入来源，AI按照指令输出结果，然后这个结果直接成为表格里一个可筛选、可统计的普通字段。这句话听着好像没啥冲击力，但对我来说有点开窍。
你想，团队用一个在线聊天机器人，问一嘴拿个答案，这个答案其实是流动的、易丢失的，不属于任何系统。但AI字段不一样，它把AI处理结果固化到每一行数据里，变成了结构化资产。1000条客户反馈，如果通过聊天框逐条问AI，效率很低；但如果在多维表格里新建一个AI字段，输入"提取这些反馈里的负面情绪关键词，并按严重程度打分"，所有记录瞬间都会被处理完，而且每次处理结果都留在对应行上，可以被筛选、排序、统计。一次配置，长期复用，这才符合团队协作中"数据资产"的逻辑。
4.2 我在现场看到的四个典型场景
王屹煊举了四个典型AI字段的使用场景，都是可以直接迁移到业务里的。
第一个是智能分类。进到表格里的客户咨询，AI字段自动判断它是售前问题还是售后问题，是功能需求还是价格异议，并把标签写入对应行。省去了大量人工打标签的重复劳动。
第二个是内容摘要和提炼。把客服聊天记录或者用户调研一整段文字扔进来源字段，AI字段帮你生成三句话摘要。这个场景在处理用户反馈时特别有存在感，三个月的小一万条反馈，靠人去读摘要是不现实的，AI把每一条都压成一行摘要，后续分析工作量直接少一个量级。
第三个是内容改写和扩展。这和我们做市场内容的同学关系很大。在内容素材库里，每一行是一篇原始稿，AI字段可以按不同平台的风格要求，自动生成标题、导语甚至几个版本的改写，运营同学要做的是审核和挑选，而不是从空白页开始写。
第四个是信息补全和打分。比如上传一段企业公开介绍后，AI提取出行业、规模、融资阶段等结构化信息。在销售线索打分场景特别管用，销售收到一条新线索时，不再只有一个孤零零的公司名，而是有一份AI初步整理完的客户画像。
这四个场景未必需要多复杂的技术，全是大模型很成熟的能力。但过去它们被封装在聊天框里，没有办法流程化。多维表格最大贡献是给这些能力铺了一条轨道——让AI输出直接进入业务字段。
4.3 AI能力边界和人的复核角色
分享结束后有个提问环节，有个做电商运营的女生问了一个很现实的问题：AI字段的处理结果会不会出错？如果出错了怎么办？
王屹煊回答得也挺坦率：AI字段不是来取代人的判断的，它是帮你把"80分就能干好的体力活"先干完，然后让人在"关键节点的审核"上发挥价值，这也是表格本身可以把AI字段设置为"手动运行"或"自动运行"的原因。如果你希望AI先给建议，人来确认，那就不要让字段自动覆盖，设置成按钮触发或手动运行；如果你的场景容错率比较高，分类结果能接受一定程度的误差，那可以让AI自动跑完，人只在抽查时把关。
这个思路很关键。很多人一听说AI，就期待它零失误，这种期待本身就不合理。落地时我们要做的是设计一个"人机协同"的流程，让机器处理量大面广的基础工作，把人的精力锁定在最有价值的复核和决策环节。多维表格通过字段属性的灵活配置，恰好可以做这个"协同协议"，而不是非黑即白地让AI全自动或全不用。
5. 从演讲实录看三条增长路径：线索、内容、复盘都可以直接抄走
5.1 路径一：以客户为中心的全生命周期管理表
王屹煊后面讲了几个他观察到的实战打法。如果让我总结，第一条路径是搭一张以客户为主线的全生命周期管理表。
这张表不需要多复杂，但它要贯穿客户从线索、首购、复购到转介绍的全部阶段。每一行记录一个客户，主体信息、沟通记录、订单金额、售后状态全都通过关联字段聚合在一起。销售日常跟进看视图里的状态卡片，服务团队看客户表里的历史记录，财务看统计字段里的回款情况，所有人用的是同一份数据。
这种全生命周期表对增长最直接的价值是：你终于可以回答"客户到底从哪里来、为什么留下、为什么流失"这些问题了。以前客户数据散落在销售表、订单表、客诉表里，串不起一个人的全貌，你没办法做精细化运营。当所有信息都关联到一张客户表，增长团队就能按渠道、按生命周期阶段、按客户价值做分组运营，具体策略才有的放矢。
5.2 路径二：把市场活动做成一个Mini CRM
第二条路径主要面向做市场活动的团队，他讲得很积极。过去靠线下手工统计，现在很多团队已经把活动报名做成了多维表格表单。但大部分停留在"收集报名信息"这一步，活动结束了表格也就废了。
他建议把活动表升级成一条短周期的业务闭环：报名阶段，用表单收集信息并自动归档；活动前，自动化根据报名状态发送提醒，做签到安排；活动现场，利用多维表格快速完成签到和权益发放；活动后，字段里补充回放链接和满意度问卷，并自动给参与者分组。整个活动的数据沉淀下来，后来做人群运营时可以直接筛选，历史活动的复用价值立刻释放出来。
这段讲述让我感触挺深的，因为做市场的人平时最讲究ROI，但很多团队连"历史活动里沉淀了多少可复用客户"这个大账都算不清，每年都在为触达老客户重新花钱。用多维表格往活动加一个Post环节，前几轮的投入就会慢慢产生复利。
5.3 路径三：增长复盘全部沉淀进仪表盘，让下一期策略有据可依
他最后提到的路径，是建立"持续增长仪表盘"。仪表盘的意义不是让数据好看，而是让团队每周花在"对齐数据"上的时间大幅下降。指标口径统一，更新自动完成，过去在周会上争论数据来源是否一致的半小时可以直接砍掉，讨论焦点变成"接下来怎么调整"。
更重要的是，仪表盘帮团队形成了"假设—执行—验证"的闭环。比如三月份想测试一套新的私域内容策略，策略前的重要指标在仪表盘上都有基线；策略跑一两周，趋势变化直接呈现在面板上。不需要等月底复盘，观察周期前就可以随时调整。复盘不再是追忆过去，而是一个不断被验证的成长过程。
6. 亲测后的修正：AI能力边界、自动化步和字段设计的三个心得
6.1 心态修正：AI不是万能，你要先把业务流拆清楚
从会场回到办公室，我立刻带着团队把正在用的线索管理表升级了一版。整体架构参考了王屹煊讲的全生命周期思路。但我们直接踩了一个预期管理上的坑。
刚开始我们希望AI字段把所有线索自动打上完整的行业标签、规模标签、需求标签。配置完发现，有些字段的准确率明显不够高。后来拆开一看，问题出在我们没有给AI足够的上下文，单靠一行公司名，再强的模型也难猜用户需求。修正的方法是把来源渠道、历史互动记录、首次对话摘要都放进AI的候选来源字段，效果瞬间好了一大截。
实际经验是：AI字段表现不佳的时候，先别急着骂AI，回去看看你给它投喂的内容是否足够、是否清晰。这跟带新人一个道理，你连背景资料都不给全，人家凭什么替你干活？多维表格里每个字段都是一份处理单元，前端定义输入、指令、输出，这个链条理清楚了，效果自然就出来了。
6.2 自动化要一步步跑：先观察再全量，错误码别硬扛
第二个心得是关于自动化的推进节奏。我们一开始就把自动化开到了全量数据上，结果因为触发条件设置得太宽，同一个客户在短时间内被重复推送了好几条通知，群里消息直接刷了屏。后来学聪明了：先在测试视图里用少量记录跑通流程，观察几天行为是否符合预期，再逐步放宽条件。这和上生产环境前先灰度是同一个道理，不少团队把自动化建好就直接跑全量，出了问题再回滚，体验会很差。
另外，如果你在配置飞书机器人通知时遇到错误码2700002，不用慌，这多半是消息发送频率触发了限制或者机器人权限配置有问题，去检查一下机器人所在群的权限、消息频率限制就好了。别看这是个很小的问题，真踩过一次就会发现，把自动化链路上的每个环节稳定跑通，本身就需要按步骤排查。
6.3 协作生态：从多维表格到智能体，阶梯式升级比一步到位靠谱
峰会结束后，我又专门去了解了多维表格和Coze智能体以及开发者广场的衔接玩法。王屹煊现场提过一嘴：多维表格的下一步，是成为业务数据和AI应用之间的中间层。我觉得这个定位挺清晰的。
对大多数不具备强开发能力的业务团队来说，阶梯式的路径更合理：第一阶段先用多维表格完成数据在线化；第二阶段把重复动作通过自动化完成；第三阶段引入AI字段做智能加工；第四阶段才是连接外部智能体，去做更复杂的自动决策。从我们实际执行到第二阶段就看到了明显效率提升，我不建议一开始就试图搭一个包揽所有业务的大平台，很容易把自己绕晕，也会让团队信心受挫。从一张表的一个自动化开始滚动迭代，反而是可持续的打法。
6.4 最后一个实用小技巧：给关键记录加"唯一ID"和"存档"状态
最后分享一个小技巧，这是我自己测试时摸索出来的。给多维表格增加一个记录ID字段，并且永远不要改动它。业务表之间的关联、外部分发、日志追踪，都通过ID去查去对，尽量避免用名称做关联。名称会改，人也容易重名，但ID永远唯一且稳定。一旦表多了，你会感激自己当初留了这个字段。
同时可以在核心表的"状态"字段里留一个"已归档"选项。不要动不动删数据，把旧的、无效的记录标记成"已归档"，配合过滤视图就藏起来了。这样做既保留了历史数据可追溯性，又让日常工作视图保持清爽。AIGC时代数据是资产，但前提是你得保住它、理得清它，才有可能让这资产在某个时刻变成新一轮增长动力的燃料。