OpenAI o3 和 Gemini Sheets 引发新一轮工作流战争

OpenAI 发布了 o3，Google 同期推出了 Gemini Sheets 更新。两者均针对同一日常痛点：知识工作者花费数小时在工具间移动数据，而非完成工作本身。

这些举措使 OpenAI 与 Google 直接在工作流速度而非基准分数上展开竞争。关注这些发布的团队现在面临一个具体问题：哪种方案能在真实电子表格和文档中真正减少步骤。

OpenAI o3 和 Gemini Sheets 更新同期到来

OpenAI 推出 o3 时内置了原生电子表格操作功能，让模型无需额外插件即可读取、编辑和导出表格。Google 则让 Gemini 在 Sheets 内获得直接单元格级命令，包括公式建议和从关联文件批量拉取数据。

这些发布在 2026 年 6 月初相隔数天推出。两个团队都将更新定位为节省时间的工具，而非单纯更智能的聊天功能。OpenAI 嵌入代理能力，使 o3 能够遍历多种文件格式、在文件夹间执行批量操作，并在编辑会话间保持状态。Google 则选择在原生 Sheets 环境中扩展 Gemini 的触达范围，让用户可直接从公式栏或侧边栏触发操作，无需离开文档。

这一时机将常规产品更新转化为工作流结果的直接对比。测试新版本的知识工作者报告复制粘贴步骤减少，但仍需对照源文件验证输出。早期企业试点显示，当团队从手动对账转向新模型辅助流程时，每个报告周期平均减少 18 至 27 分钟。处理月度结账流程的财务团队注意到，由于公式现在可以引用由代理管理的实时外部表格，重复数据验证循环缩短了。

一个具体例子涉及零售分析师对账从 SAP 导出中提取的每周库存数据与存储在不同 Drive 文件夹中的销售点日志。使用 o3，分析师可发出单一自然语言命令，拉取两个来源、对齐 SKU 并在新标签页中生成差异高亮。Gemini 在数据已存在于同一 Sheet 中时可处理相同任务，但要求用户先导入 SAP 文件才能开始任何单元格级编辑。

营销团队准备季度campaign 绩效报告时也出现了工作流对比。OpenAI 的 o3 可从 Google Ads API 拉取点击率指标，与 CRM 商机数据交叉引用，并输出包含每个渠道计算 ROI 的汇总透视表。Gemini Sheets 在数据已存在于电子表格内时可加速同一报告，但仍需要初始 CSV 上传和手动列映射步骤。经过四个季度周期，累计时间差异达到每位分析师近三小时。

咨询实践中的团队已开始记录类似模式。一家制作每周客户记分卡的精品战略公司报告称，在 o3 获得 Salesforce 提取文件和内部预算模板访问权限后，其数据汇编阶段从 47 分钟缩短至 19 分钟。同一家公司观察到，文件上传后 Gemini 在 22 分钟内生成记分卡，说明初始上下文收集步骤仍是主导变量。

日常电子表格工作现已成为衡量模型价值的标准

知识工作者通过重复任务（如拉取季度指标或更新客户表格）节省的分钟数来评判这些工具。此前的模型发布承诺广泛能力，但很少显示这些确切步骤的明显减少。o3 和 Gemini Sheets 现在在这一更窄的测试上展开竞争。论坛上分享的内部测试结果喜忧参半，部分用户以一半点击完成矩阵更新，另一些用户则花费额外时间纠正源数据格式意外变化时引入的公式错误。

这一转变迫使团队跟踪实际工作流时间，而非模型名称识别。跟踪结果的团队会对未能减少重复步骤的工具施加明显压力。产品经理现在维护简单的时间动作日志，记录报告达到可接受质量前所需的手动干预次数。这些日志显示，最大收益出现在涉及 CRM 导出与内部预测表交叉引用的任务中。当代理能与两个来源保持实时链接时，团队避免了每周导出、清理和重新导入数据的惯常流程。

考虑一个每周一刷新管道预测的销售运营团队。此前该流程需要导出 HubSpot 数据、针对历史预算运行 VLOOKUP，并手动调整货币转换。在授予 o3 对 CRM 和主预算文件的访问权限后，同一分析师现在可在四分钟内收到完成的预测标签页，并标记模型检测到缺失转换率的行。Gemini 在数据复制到 Sheets 后提供类似速度，但复制步骤本身每周仍消耗六至八分钟。

当下游质量跟踪时会出现额外衡量。财务团队发现，手动交接减少也降低了共享工作簿中版本控制冲突的频率，使对账会议从每月两次减至一次。运营团队跟踪错误率后发现，在持久记忆层开始存储已批准格式规则后，公式相关异常下降 34%。

OpenAI o3 与 Google Gemini 路线在上下文上展开竞争

主要对比线在于 OpenAI 在多种文件类型间添加代理操作的方法，与 Google 选择深化电子表格内部控制的方法。一方通过外部记忆链接保持上下文，另一方则将其保留在原生文档内。

已携带完整会议和文件历史的 AI 工作流工具在这两条路线上都为用户提供优势。它们减少了每次新模型运行同一任务时重新上传上下文的需求。使用此类持久上下文的团队报告，在模型间切换时需要重新解释的情况减少。这种差异直接体现在无需手动准备即可完成表格更新或报告拉取的速度上。例如，更新流失仪表盘的产品分析师可调用 o3 将上周的 CRM 拉取与前一季度的群组分析对账，而另一位分析师可要求 Gemini 在存储实时销售数据的同一 Sheet 内显示差异解释。只有当底层记忆层防止模型将每个请求视为无状态时，这两条路线才能成功。

持久记忆如何改变日常输出质量

持久记忆层还影响自动化建议的质量，而非仅影响速度。当代理记住特定团队先前使用的格式约定或 recurring KPI 定义时，公式错误明显下降。一家物流公司的分析师观察到，在 o3 引用共享记忆层中存储的早期已批准工作簿后，它开始在月度成本分配表中一致应用相同的加权平均逻辑。Gemini 仅在用户每月手动将相同示例复制到专用 Sheet 标签页后才达到可比一致性。

营销分析团队注意到类似好处。经过三个月的记忆积累后，o3 开始正确应用此前每次运行都需要手动更正的campaign 命名约定。后处理编辑的减少让分析师能将更多时间用于解读结果，而非修复列标题。

科技媒体的近期报道强调了这些工作流收益。正如 The Verge 报道，下一代代理中的持久上下文功能正成为企业采用决策的决定性因素。同样，9to5Google 强调原生电子表格集成现在允许模型执行此前需要单独脚本的多步骤操作。

上下文保持薄弱时浮现的限制

早期用户指出，当项目跨越数周或多个团队时，o3 和 Gemini Sheets 仍需要新鲜上下文。模型能很好地处理单文件编辑，但一旦文档离开活动会话就会失去跟踪。这一差距为能在会议、电子邮件和文件间跨重置积累上下文的工具留下了空间。持久记忆减少了每次自动更新后仍出现的验证循环。怀疑者指出，尚无模型能保证复杂财务表格零错误。当源数据位于分散位置而非一个连接的工作区时，风险最高。

采用任一路径的团队实际影响

考虑立即采用的团队应在选择主要平台前映射其最频繁的报告周期。已深度嵌入 Google Workspace 的组织可能会从 Gemini 的原生单元格命令中更快获得初始收益，因为无需额外身份验证层。相比之下，分析师经常跨 Notion、Slack 导出和第三方 API 移动数据的公司可能从 o3 的多文件代理操作中获得更多价值。推荐的第一步是选择三个 recurring 任务，记录其当前持续时间，然后在模型获得持久上下文层访问权限一周后测量相同任务。分钟数差异提供了领导层可在更广泛 rollout 前审查的实用 ROI 信号。

另一影响涉及治理。由于代理现在可直接写入生产电子表格，审计轨迹变得至关重要。两个供应商都提供基本变更日志，但团队通常会叠加额外审批检查点——例如要求在公式更改传播到高管仪表盘前进行人工审查。这种混合模式在保持速度的同时缓解可能影响季度指引的下游错误。法律和合规部门进一步建议用模型版本和连接器时间戳标记每一次自动编辑，以便监管机构可将决策追溯到特定源文件。

跨行业的企业采用模式

不同行业显示出不同的偏好模式。已将客户交付物存储在 Google Drive 中的专业服务公司倾向于 Gemini Sheets，因为集成摩擦最低。依赖多个 ERP 导出和外部供应商门户的制造和供应链团队倾向于 o3 更广泛的连接器库。一家中型消费品公司报告，其 70% 的月度结账任务现在通过 o3 路由，剩余 30%（完全包含在共享 Sheets 内）的任务仍使用 Gemini。

处理索赔数据的医疗系统采取混合立场，将内部质量指标计算通过 Gemini 路由，同时将外部付款人文件对账指向 o3。这一划分反映了监管驻留要求以及超出原生 Sheets 边界的多系统连接需求。

仍未解决的限制与风险

尽管标题有所改进，但仍有几个限制因素阻碍完全自动化。首先，两个系统都难以处理引用外部命名范围的深度嵌套条件格式规则；用户经常报告模型会错误地重写规则或丢失相对引用。其次，超过大约 150,000 行的庞大数据集会触发超时或强制回退到采样分析，这可能会隐藏异常。第三，企业 Sheets 中的权限模型有时会阻止 Gemini 读取连接的 Drive 文件，即使用户有权访问，从而产生只有在截止日期延误后才会显现的静默故障。

OpenAI 的外部连接器也会引入延迟，并且当上游 API 在未通知的情况下更改字段名称时，偶尔会出现模式漂移。因此，安全团队强调需要明确的连接器白名单和夜间对账作业，以标记模型输出与源事实之间的差异。运行高度受监管数据（医疗索赔或银行账本）的企业会增加额外的审查层，这会将标题中的时间节省减少 30% 到 40%。

团队将在下一季度关注三个信号

首先，企业 Sheets 账户内的采用数据将显示 Gemini 是否保持其内置优势。其次，OpenAI 发布改进的文件连接器将测试外部代理是否能在原生速度上缩小差距。第三，任何关于标准报告任务完成时间的共享基准将明确哪条路径能最快减少总工时。

这三个数据点将决定当前工作流声明是否成立，或是否需要另一轮调整。跟踪这些发布的知识工作者计划在更新稳定后重新测试自己常见的任务。

接下来要关注什么

企业还应关注介于两个平台之间的第三方编排层的出现。这些工具承诺根据每个工作流基准自动将任务路由到得分最高的模型，同时保留单一审计日志。同时，关注语音和移动界面的更深入集成，这可以通过允许管理者口头批准更改而不是在桌面上打开电子表格来进一步压缩审查周期。

最后，竞争压力可能会加速错误纠正能力的改进。在六个月内，预计 o3 和 Gemini 都将在每次自动编辑旁边显示置信度分数，让用户只需单击即可接受、拒绝或请求澄清。有关持久记忆如何支持这些工作流的更多背景，请探索个人知识管理如何支撑 AI 生产力。

常见问题

如今自动公式建议的准确性如何？

当源数据保留在单个工作区内时，标准财务模型的准确率达到约 85%。当数据来自会在季度中更改字段名称的外部 API 时，准确率会下降。

团队是否可以在不重复工作的情况下并行运行这两个工具？

可以，前提是持久记忆层存储任务历史。分析师可以将 Gemini 的输出导出到 o3 进行跨文件对账，反之亦然，而无需每次都重新解释业务背景。

非技术人员需要哪些培训？

大多数用户只需一次 30 分钟的课程即可学习 Gemini 中的新单元格命令或 o3 中的自然语言语法。持续成功更多取决于干净的数据卫生，而不是模型专业知识。

两个平台的数据隐私政策有何不同？

Gemini 在 Google 的企业合规边界内处理数据，继承现有的 Workspace 数据驻留设置。o3 需要明确的连接器范围，并将中间代理状态存储在 OpenAI 的云中，这促使许多组织在启用外部访问之前应用额外的加密或数据掩码层。

来自 Bloomberg 和 Reuters 的更多行业分析表明，采用混合 AI 电子表格工作流的企业在结合强大的记忆架构时，正在实现可衡量的生产力提升。下载 remio 以测试一个在运行 AI 工作流工具处理您自己的表格时，已经保存会议记录、文档和先前决策的代理。