Smartsheet 在 ENGAGE 2026 年度客户大会上发布了一款名为 vsActual 的 AI 原生规划与执行产品。据 SiliconAngle 报道，vsActual 读作”versus actual”——直译即”对比实际”。产品名本身已经把核心主张写在了脸上：把企业的战略计划与实际执行拉到同一个界面上，让 AI Agent 持续监控两者之间的偏差，并在偏差尚可修复时发出预警。

Smartsheet CEO Rajeev Singh 在官方新闻稿中的原话是：”Every company has a strategy. The ones that win are the ones whose work actually delivers on that strategy.”

这句话点出了 vsActual 试图切入的缝隙：AI 已经让个人效率飞速提升，但组织层面的”执行漂移”（execution drift）——即计划与实际之间悄然扩大的距离——反而因为工作节奏加快、系统更加分散而变得更隐蔽。Smartsheet 的赌注是，解决这个问题需要一个能跨系统读取数据、理解工作上下文并主动比对目标与进展的 Agent 层。

但这个赌注能否兑现，取决于 vsActual 底层的 Execution Graph 是否真的具备公司所宣称的上下文理解能力——而目前支撑这一判断的信息几乎全部来自公司自述。

两大痛点：工作分散与人工汇报

据 Smartsheet 官方新闻稿，vsActual 旨在解决企业执行中的两大障碍。

第1个障碍是”siloed work scattered across disconnected systems and teams”——工作散落在彼此断裂的系统和团队中。企业里的预算数据在 Oracle 或 SAP 里，人力排班在 Workday 里，销售管线在 Salesforce 里，开发进度在 Jira 里，服务工单在 ServiceNow 里。每个系统各自运转良好，但系统之间的缝隙——一个 Jira 工单的延迟如何影响5层之上的战略目标——几乎没有人能实时看到。

Smartsheet 首席产品与技术官 Pratima Arora 在 SiliconAngle 的报道中举了一个具体例子：”If there is a delay in a Jira ticket that has impact five levels up, we can detect it and tell you what is happening.” 这个场景很常见：一个底层任务的延期，经过项目、计划、组合层层传导，最终导致战略目标偏离，但在传统汇报链条中，这种传导往往要等到季度复盘时才被发现。

第2个障碍是”manual tracking and reporting that keeps individuals and executives from seeing problems until it’s too late”——靠人工跟踪和汇报，导致问题暴露时已经太晚。Smartsheet 第2份新闻稿进一步描述了这个问题的日常表现：团队每周花大量时间在状态报告、数据核对和项目搭建上。这些工作本身不产生决策价值，但消耗了做出决策所需的时间窗口。

Smartsheet 在官方新闻稿中引用了两组外部数据来支撑其产品定位。其一是 PMI 的一份研究报告（新闻稿中附有链接，标题为”New PMI Research Reveals Strategy-Execution Gap Is Undermining Transformation and How to Close It”），该报告发现领导者将”规划与执行之间的脱节”列为企业转型的最大障碍。其二是 VentureBeat Intelligence 的一项调查（新闻稿中同样附有链接），显示64%的受访者将 AI 的错误回答追溯到缺失的业务上下文。需要说明的是，这两项数据均为 Smartsheet 在新闻稿中引用，本文未独立核实其完整方法论和样本量；PMI 报告的新闻稿链接标注为2025年发布，但未注明具体月份，读者在评估其时效性时需留意这一点。两组数据指向同一个论点——AI 在没有足够上下文的情况下，速度越快，偏离越远。

vsActual 的核心机制：跨系统 Agent + 漂移检测

据 SiliconAngle 报道，vsActual 的工作方式是让 AI Agent 持续读取企业已有的多个系统——包括 Oracle、SAP、Workday、Atlassian（Jira）和 ServiceNow——获取预算、进度、人力和项目依赖关系等信息，然后将这些信息与战略目标进行比对。

产品的设计逻辑是：团队继续在自己熟悉的工具中工作，vsActual 在后台跨系统读取数据，不要求企业把所有工作迁移到单一平台上。据 Smartsheet 官方新闻稿，vsActual 可以将战略文档、电子表格和预算提案转化为结构化计划，建模替代方案，并持续监控执行情况与计划之间的偏差。

SiliconAngle 的报道提到了一个”漂移检测 Agent”（drift-detection agent），其职责是持续搜索正在浮现的问题。其他 Agent 则负责生成高管报告、在业务优先级变化时建议调整。这种分工意味着 vsActual 并非单一 Agent，而是一组专门化 Agent 的协作体系。

Rajeev Singh 在新闻稿中将 vsActual 的定位表述为”Execution Hub, where strategy and execution meet”——战略与执行的交汇点。这个定位的野心在于：它试图成为企业高管层观察执行状态的单一入口，而底层数据仍然分布在各个业务系统中。

Execution Graph：”20年工作流上下文”的技术叙事与待验证之处

vsActual 的底层依赖是 Smartsheet 所称的 Execution Graph。据 SiliconAngle 报道，这是一个知识图谱，据公司自述基于约20年的工作流数据构建，涵盖数百万个项目和约9 PB 的信息。该图谱映射任务、项目、计划与战略目标之间的关系，帮助 AI Agent 理解一个组织中某个环节的变化如何影响其他环节。

Arora 在 SiliconAngle 的报道中进一步透露了技术细节：Execution Graph 建立在一个已有的 Amazon Web Services Neptune 知识图谱之上，该图谱包含约1亿个节点，整合了工作流模式、依赖关系和协作信息。Smartsheet 使用多个基础模型，根据工作负载需求和成本选择模型，AWS 和 Databricks 是其主要底层技术供应商。Arora 明确表示，Smartsheet 没有训练自己的大语言模型。

Rajeev Singh 在新闻稿中对 Execution Graph 的表述是：”Our Execution Graph holds 20 years of context on how work really gets done, context others are trying to recreate, and we already have.”

必须指出的是，”20年工作流上下文”“数百万项目”“9 PB 数据”“约1亿个节点”这些数字均为公司自述，截至本文发布时暂无独立第三方对这些数据的验证。”20年”是公司自述的时间跨度，但”历史数据量大”与”数据对 AI 推理有效”之间并不自动画等号。

笔者判断，Execution Graph 的实际价值需要从以下几个维度观察：

数据质量与时效性。20年的工作流数据跨越了多个技术时代——从电子表格协作到云端项目管理再到 AI Agent。早期数据的颗粒度、结构化程度和业务语境与当前数据可能存在显著差异。知识图谱的价值取决于节点之间关系的准确性和时效性，而非单纯的数据体量。

客户数据隐私与混用。Execution Graph 如果要从”真实工作模式”中提取通用规律，就不可避免地涉及跨客户数据的某种形式的聚合或学习。Smartsheet 在第2份新闻稿中提到了 ISO/IEC 42001 认证、安全事件流和数据分类能力，但具体的数据隔离机制——特别是 Agent 在读取多系统数据时如何处理客户间的数据边界——新闻稿中没有展开。

“护城河”叙事的衰减风险。”我们有 X 年的数据，别人没有”是企业软件公司常见的竞争壁垒叙事。但历史数据的价值会随着工作方式的变化而衰减——5年前的项目依赖模式对今天的 AI Agent 协作场景是否仍有预测力，这是一个实证问题，而非可以通过数据量来回答的问题。

差异化叙事：战略-执行对齐并非新需求

战略与执行之间的对齐是企业管理领域的长期议题，市场上已有多种产品从不同角度切入这一需求——包括项目组合管理、OKR 追踪、战略执行管理等路径。vsActual 并非进入一个空白市场。

Smartsheet 的差异化叙事集中在两点：一是 Execution Graph 所代表的历史工作流上下文，二是跨系统读取而非要求数据迁移的 Agent 架构。这两点能否在实际竞争中构成持久优势，取决于客户在部署后是否真的感受到了比现有方案更准确的偏差检测和更及时的预警——而这在产品刚发布时无法验证。

同场发布：AI Agent、集成与安全更新

vsActual 并非 ENGAGE 2026 上的唯一发布。据 Smartsheet 第2份官方新闻稿，公司同时推出了一系列平台级更新，这些更新构成了 vsActual 运行所需的基础设施。

Agentic Workflows（已上线）：用户用自然语言描述一个需求——例如每周项目摘要或风险与依赖关系检查——系统将其转化为自动循环执行的任务，并在问题扩大前将结果推送给相关人员。

专门化 Agent（已上线）：Creation Agent 可以将自然语言目标转化为包含工作表、仪表板、报告和自动化的完整项目结构；Data Quality Agent 按需或按计划审查工作表并按严重程度标记问题。

新集成：据 Smartsheet 第2份新闻稿，原生集成已覆盖 ServiceNow、Microsoft Dynamics 365、HubSpot 和 Workday。Integration Agent（早期访问阶段）从 GitHub、Zendesk、Airtable 和 Monday.com 开始。据 SiliconAngle 报道，原生集成还包括 Intuit QuickBooks，更多 AI 辅助集成计划于2027年初推出。据 Smartsheet 第2份新闻稿，平台目前”每月连接2770亿行工作数据”——需要说明的是，新闻稿未定义”连接”的具体含义（是读取、同步还是处理），也未提供与此前时期的对比基准，因此这个数字对读者而言更多是规模量级的参考而非可精确评估的指标。

安全与治理：Smartsheet 宣布获得 ISO/IEC 42001 认证，并推出安全事件流和数据分类功能。

Arora 在 SiliconAngle 的报道中特别强调了一个技术选择：Agentic Workflows 将传统自动化与 AI 结合，而非完全依赖大语言模型。她的原话是：”This industry overuses LLMs sometimes where it is just simple deterministic action.” 这个表态暗示 Smartsheet 的 Agent 架构根据任务性质选择确定性逻辑或 AI 推理，这在可靠性和成本控制上是更务实的路径。

风险提示与人工掌控

AI Agent 自动读取多个企业核心系统的数据并提出建议，这个能力本身就带有风险。据 SiliconAngle 报道，Arora 明确表示，Smartsheet 对”有后果的操作”（consequential actions）的默认立场是”human in the loop”——人工审批。虽然部分 Agent 可以自动执行预定任务，但涉及重大决策的动作仍需人工确认。据 Smartsheet 官方新闻稿，vsActual 的设计原则之一是”every recommendation comes with its reasoning, so leaders can check it before acting, and agents can’t change the plan on their own”——每条建议附推理依据，Agent 不能自行修改计划。

这个设计选择反映了当前企业 AI 落地的普遍张力：Agent 的价值在于自动化，但企业的顾虑在于失控。如果每个 Agent 建议都需要人工审批，效率提升会打折扣；如果放开自动执行，一个错误的漂移检测可能触发不必要的干预。笔者判断，vsActual 在实际部署中的关键设计问题将是：哪些类型的偏差检测和建议可以自动执行，哪些必须经过人工确认，以及这条边界由谁来划定。

关于 vsActual 的市场定位，Smartsheet 官方新闻稿中使用了”the only AI-native planning and execution solution that brings context from 20 years of workflow intelligence”这一表述。必须明确标注：这是公司自述的宣传性措辞，”唯一”这一说法截至本文发布时没有独立第三方验证。

需要指出，以下两段分析师引语均出现在 Smartsheet 的官方新闻稿中，属于公司主动引用的分析师评论，并非独立发布的研究结论。The Futurum Group 副总裁 Keith Kirkpatrick 表示：”AI has exposed a gap that many organizations have lived with for years. Strategy lives in one place, while the work lives in dozens of others.” 他进一步表示，Smartsheet 正在”bringing work, data, and strategic priorities into a single hub with a new AI-native planning layer that gives leaders a real-time view of execution, underpinned with the context required to ensure confident decisioning.”

IDC 研究副总裁 Wayne Kurtzman 在 Smartsheet 第2份新闻稿中的表述则更侧重治理维度：”Enterprises are discovering that the hard part of AI is not productivity gains; it is keeping work aligned with their plans.” 他指出，随着 Agent、系统、集成和合作伙伴的增加，团队需要 AI 在已有治理框架下利用真实数据和上下文来工作。

真正的考验在发布之后

vsActual 的产品逻辑清晰：企业的战略计划和实际执行之间存在系统性的信息断裂，AI Agent 可以通过跨系统读取和持续比对来弥合这个断裂。Execution Graph 作为底层知识图谱，据公司自述提供了理解工作关系所需的上下文。

但产品逻辑清晰不等于市场验证完成。vsActual 面临的实际挑战至少包括3个层面。

集成深度。读取 Oracle、SAP、Workday、Salesforce 等系统的数据，技术上可以通过 API 实现，但企业级系统的数据模型高度定制化，同一个字段在不同客户的实例中可能含义完全不同。vsActual 的 Agent 能否在不同客户的不同系统配置下准确理解数据含义，这需要大量实际部署来验证。

偏差检测精度。”漂移检测”听起来直观，但定义”什么算偏差”本身就是一个复杂的业务判断。一个项目延期2天是否算漂移？预算超支3%是否需要预警？这些阈值因行业、公司甚至项目而异。如果检测过于灵敏，会产生大量误报，高管很快会忽略预警；如果过于迟钝，产品价值就回到了传统仪表板的水平。

信任建立。让一个 AI Agent 读取企业多个核心系统的数据——财务、人力、销售、开发——这要求企业对 Smartsheet 的数据安全和隐私保护有极高的信任度。ISO/IEC 42001 认证是一个起点，但大型企业客户的安全审计流程往往需要数月甚至更长时间。

回到标题中的问题：Execution Graph 的”20年数据”故事经得起验证吗？笔者的倾向性判断是——现阶段无法给出肯定回答。Smartsheet 拥有长时间跨度的工作流数据这一点本身是可信的，”20年”是公司自述。但”拥有数据”和”数据能有效驱动 AI Agent 的跨系统推理”之间存在巨大的鸿沟。早期数据的结构化程度、跨客户数据的隔离与聚合方式、知识图谱节点关系的时效性——这些问题在新闻稿和现有报道中都没有得到充分回答。Execution Graph 的真实价值，只有在 vsActual 积累了足够的客户部署案例并产生可衡量的偏差检测效果之后，才能被评估。

据 Smartsheet 官方新闻稿，vsActual 目前未披露定价与正式上市时间，只提供登记获取更新的入口。新闻稿中引用的客户 Bealls 的 PMO 与 QA 高级总监 Elizabeth Dandola 的表态也停留在”has the potential”（有潜力）层面。产品的真正考验不在发布日的新闻稿，而在于：企业是否愿意把多系统数据交给一个 Agent 来监控，以及这个 Agent 检测出的偏差是否真的帮助团队在问题扩大前完成了修正。这两个问题的答案，只有实际部署数据能给出。

主题分类：企业AI落地

参考资料

  1. Smartsheet Unveils vsActual: The AI-Powered Future of Work Execution at ENGAGE 2026 — Smartsheet 官方新闻室, 2026-11-04
  2. Smartsheet Adds New AI Agents, Integrations and Security Advancements at ENGAGE 2026 — Smartsheet 官方新闻室, 2026-11-04
  3. Smartsheet AI-powered platform bridges gap between planning and results — SiliconAngle, 2026-11-04