企业真正是怎么用 AI 的？1700 万条 ChatGPT 消息告诉你答案

前言

过去几年，企业 AI 的讨论大多围绕一个问题展开：企业有没有开始使用 AI？但到了今天，这个问题已经越来越不够。真正值得关注的是：企业到底在哪里使用 AI，谁在使用，使用频率有多高，AI 正在承担什么工作，又如何被融入真实工作流程？

2026 年 8 月发布的研究《How Organizations Use AI: Evidence from ChatGPT》，将 ChatGPT Enterprise 的使用记录与员工岗位、任务分类及上市公司的财务数据关联分析，为观察企业 AI 提供了一个罕见的真实窗口。

一、企业 AI 已经从“有没有”进入“怎么用”

研究发现，ChatGPT Enterprise 的使用量增长很快。这种增长既来自更多企业开始采用 AI，也来自已经采用 AI 的企业不断提高使用强度。

这意味着企业 AI 的增长有两个维度：Adoption，即更多企业开始使用 AI；以及 Intensity，即已采用 AI 的组织开始用得更深。

给员工开通一个聊天工具，只能算完成部署；当 AI 被放进写作、研究、分析、沟通、销售、财务、法务和决策支持等日常任务中，才算真正走向落地。

二、1700 万条 ChatGPT 消息揭示了什么

截至 2026 年 3 月，研究在六个月采用周期的员工层面样本中覆盖了 1,500 多家组织和超过 1,700 万条消息。它的意义不在于又一次问企业“是否使用 AI”，而是直接观察真实企业环境里的使用行为。

数据告诉我们，企业并非只把 AI 当作一次性试用的工具。使用深度会随着采用时间增长，组织之间也开始出现越来越明显的差距。评价企业 AI 成熟度，不能只看是否购买了产品，更要看 AI 是否已经成为完成任务的一部分。

三、企业员工到底在用 AI 做什么

ChatGPT Enterprise 已经被用于大量不同类型的知识工作。高频场景不只包括写作与编辑，还包括技术工作、沟通、信息检索、资料综合与数据分析。

• 技术团队：代码编写、Debug、技术文档、代码解释和技术方案分析。
• 市场团队：市场调研、竞品分析、内容创作、营销方案和用户画像分析。
• 销售团队：客户资料整理、销售邮件、客户需求分析、商机研究和销售材料生成。
• 财务与法务团队：资料分析、数据整理、报告生成、合同工作、法规研究和风险分析。

这正是企业 AI 最现实的价值：不是替代一个单独岗位，而是成为不同岗位共享的生产力基础设施。

四、AI 并不只是程序员的工具

生成式 AI 最初常被理解为“帮程序员写代码”的工具，但研究呈现出的范围远比这广。写作、沟通、信息综合等跨岗位任务，同样是企业用户的重要使用场景。

因此，企业部署 AI 时不应只从研发部门开始思考。许多高频、信息密集、规则相对清晰的工作，都适合先获得 AI 辅助：例如整理资料、起草内容、提炼会议结论、研究客户、核对信息和形成初版报告。

五、为什么年轻员工反而更深入地使用 AI

研究显示，在企业采用 AI 后，职业生涯早期员工的使用强度更高。采用六个月后，他们每周发送的消息数量甚至高于高管。

原因并不难理解：年轻员工往往承担大量高频、信息密集的工作，包括搜索资料、整理信息、写邮件、写文档、编写代码、数据分析、制作报告和学习新知识，而这些正是生成式 AI 擅长辅助的任务。

这提醒管理者，企业需要培养的不只是少数“AI 专家”，而是让更多普通员工形成可靠的人机协作习惯，并能判断和审核 AI 的输出。

六、企业之间的 AI 使用差距正在扩大

不同企业的 AI 使用深度已出现明显分化。使用量位于前 10% 的领先企业，每个活跃用户产生的输出 token 数量，是典型企业的 8.3 倍；而这个差距在数月前还只有 2.6 倍。

差距不在于谁更早买到聊天产品，而在于谁更早解决了更深层的问题：AI 能否访问内部知识、连接业务系统、调用工具、执行多步骤任务，是否具备合适权限，以及关键输出是否有人审核。

七、从 Chatbot 到 AI Agent：企业正在从“问 AI”走向“让 AI 做事”

传统 Chatbot 的路径是“用户提问，AI 回答，用户继续操作”。而 AI Agent 更接近“用户提出目标，AI 获取上下文、调用工具、执行多个步骤、输出结果，再由人工审核”。

例如，传统对话可以回答“某行业的市场趋势是什么”；而面向任务的 Agent 可以在获得授权后，结合过去三个月市场数据、CRM 客户信息和公开资料，找出增长最快的客群，并生成竞争分析及下一季度建议。

两者最大的差别不是模型更会说话，而是 AI 是否真正参与了工作流程。

八、企业 AI 不只是购买一个模型 API

GPT、Claude、DeepSeek 还是 Qwen，价格、上下文窗口和 Benchmark 都重要；但进入业务后，模型只是企业 AI 系统的一部分。决定体验和价值的，往往是模型之外的企业能力。

企业上下文

AI 是否能理解准确的企业知识，包括产品资料、客户资料、历史订单、SOP、合同、内部制度和知识库。

企业工具

AI 是否能在受控权限下连接 CRM、ERP、OA、财务系统、工单系统、数据库和 API，并将结论带回业务现场。

九、真正决定 AI 落地效果的是工作流

工作流回答的是：AI 在哪个节点介入，获取哪些上下文，可以调用哪些工具，什么情况下需要人工复核，失败时如何回退。没有这些设计，给员工一个聊天窗口通常只能产生零散效率提升。

一个可用的企业 AI 工作流至少要同时处理五件事：

• Context：为任务提供准确、及时且可追溯的上下文。
• Tools：让 AI 在最小权限内调用必要系统。
• Workflow：将 AI 设计进真实业务流程，而非附加一个聊天界面。
• Permission：明确 AI 可以读取、修改和执行什么。
• Human Review：界定可以自动执行的任务和必须人工确认的任务。

十、企业应该如何衡量 AI 的价值

使用量不等于商业价值。一个员工每天使用 AI 50 次，并不代表企业一定创造了更多价值。因此，企业 AI KPI 不能只看用户数、Prompt 数量、Token 数量或使用频率。

更值得被衡量的是：AI 是否缩短了完成工作的时间，是否降低了成本和错误率，是否提升了销售转化、客服解决率、研发效率、内容产出与客户响应速度。

十一、不要只看 AI 使用量，更要看成功任务

企业应把指标从“我们用了多少 AI”逐渐转向“AI 成功完成了多少有价值的工作”。例如，在 100 个客户服务任务中，有多少由 AI 成功解决；完成一个有效客户分析的 AI 成本是多少；一项原本需要两小时的工作，是否能在 20 分钟内完成。

最终应形成从任务成功率、人工介入率到每个成功任务成本的评估体系。只有将使用数据与实际业务结果关联，AI 才不会沦为看似活跃、却难以证明价值的工具。

十二、企业落地 AI 的三个建议

建议一：不要只统计 AI 开通率

“全员开通”不等于落地成功。应继续观察活跃用户、高频用户、使用场景、成功任务、节省时间和业务结果。

建议二：寻找内部 AI 高阶用户

先找到最会使用 AI 的 5% 到 10% 员工，观察他们如何设计 Prompt、连接企业知识和嵌入工作流，再将经验沉淀为 Prompt → Workflow → Agent → SOP。

建议三：从一个高价值流程开始

不要一次性“AI 化整个公司”。优先选择客服自动化、销售线索分析、合同审核、知识库问答、财务票据处理、研发 Copilot 或简历筛选等明确、高频、可量化的流程，并持续比较原始成本、AI 成本、成功率、人工介入率、节省时间和 ROI。

十三、企业 AI 的下一阶段是什么

许多企业仍处于 AI 普及和 Copilot 阶段，领先企业则正在走向工作流与 Agent。下一阶段不是简单地让更多人使用，而是让组织以更深的方式使用 AI。

结语

1,700 万条消息的重要性，不在于一个很大的数字，而在于它揭示了企业 AI 的方向：AI 正从员工可以使用的工具，变成企业能够组织和执行工作的基础设施。

未来的差距将越来越取决于谁拥有更好的数据、上下文、工具、工作流、Agent 和组织能力。企业 AI 的核心指标也会从使用率走向成功任务率，从 Token 数量走向每个成功任务的成本，从模型 Benchmark 走向真实业务 ROI。