OpenAI首次披露企业版后台数据：真正卷AI的不是高管，是职场新人

OpenAI 头一回把企业版 AI 的 " 后台家底 " 摊开，8 月中旬，它发布了两份相互补充的数据报告：工作论文《How Organizations Use AI: Evidence from ChatGPT》（《组织如何运用人工智能：来自 ChatGPT 的证据》），以及配套报告《Enterprise Signals》（《企业信号》），它们用真实使用数据，回答了一个此前只能靠猜的问题：

企业里到底是谁在用 AI、用 AI 来干什么。

论文把 ChatGPT Enterprise 的企业账户记录，跟员工的职位、岗位任务、上市公司的财务数据 " 对上账 "， 从 2024 年 1 月一路分析到 2026 年 3 月：员工层面样本覆盖超过 1500 家组织、1700 多万条消息；任务分类样本覆盖 973 家组织、近 870 万条消息；还匹配到 417 家美国上市公司的财务数据。所有结果都做了脱敏和聚合，研究者没有手动翻看任何一条企业消息。

（论文地址：https://arxiv.org/abs/2608.12236）

结论出人意料，也值得每个管理者细看：最早上车的是大公司，用得最狠的是职场新人。AI 的任务清单长得超乎想象，而真正拉开差距的，不是 " 会不会用 AI"，而是 " 能不能让 AI 把一件活干完 "。

增长不是 " 一锤子买卖 "

论文以 " 每家企业、每个自然周 " 为一个统计单位，追踪从 2024 年 1 月到 2026 年 3 月采用 ChatGPT Enterprise 的企业，记录它们每周的消息数、活跃用户数，以及 ChatGPT 和 Codex 共同产出的输出 token，并在每家企业采用 6 个月后（第 26 周）做一次统一观测。

先看总量。ChatGPT Enterprise 客户生成的输出 token，在 2025 年 6 月到 2026 年 3 月之间增长了约 7 倍。更值得注意的是增长的结构——其中约一半来自已经采用的企业在 " 加码 "：同一批在 2024 年 1 月到 2025 年 6 月之间上车的企业，输出 token 在同期也增长了约 4 倍。

企业 AI 输出 token 持续攀升：2025 年 6 月至 2026 年 3 月整体增长约 7 倍（来源：OpenAI 论文）

换句话说，企业 AI 不是装上就完事，而是呈现出典型的 " 越用越深 " 特征。用量增长背后是两股力量：一是不断有新企业加入，二是老客户越用越多。这次两种力量同时发力，而 " 老客户越用越多 " 贡献了约一半的增长，说明 AI 在组织里逐渐找到了自己的位置。

更微妙的是，2026 年初，所有不同时间采用的企业，使用量几乎同步加速。这说明，加速不完全是 " 新手红利 "，而更可能来自模型能力本身的提升，让老用户和新用户同时受益。

当然，OpenAI 自己也承认，token 只是衡量使用深浅的一个粗略指标。一条短回答可能价值连城，一段长输出可能毫无用处。但 " 越用越多 " 本身，已经是一个清晰的方向信号。

最先上车的，是 " 最有组织 " 的

论文第二个事实，回答了 " 谁先采用 "。把 ChatGPT Enterprise 采用者跟未采用的美国上市公司放在一起比，差距惊人：采用企业的收入中位数是 22.75 亿美元，而未采用者只有 2.096 亿美元，相差约 10 倍；总资产分别是 43.94 亿美元对 6.68 亿美元；员工数 2934 人对 424 人；市值 49.97 亿美元对 3.16 亿美元；研发支出 1.13 亿美元对 990 万美元。

采用企业与未采用企业中位数对比：前者规模与投入明显更高（单位：员工数为千人，其余为十亿美元）

进一步分析发现，这不是 " 钱多就买 " 那么简单。即便把行业和公司规模的影响剔除，人均收入越高的企业，仍然越容易采用 AI；还有一个反直觉的发现：人均固定资产越多的企业，反而越不容易采用。也就是说，率先上车的是那些 " 轻资产、重知识 " 的公司，而不是重资产的制造企业。

规模的作用也显现出来，即公司越大，越早上车。收入排名前 25% 的企业，采用概率比普通企业高 6.9 个百分点；前 5% 的企业高 9.8 个百分点。即便在同一个行业内比较，前 5% 的企业也要高出 11.3 个百分点。

比规模更有意思的，是 " 无形资产 "。论文用企业此前多年积累的销售与管理费用、研发投入和软件投入（都按人均计算），来衡量它的 " 组织底子 "，结果发现，这些积累越多的企业，越可能采用 ChatGPT Enterprise。这印证了一个老观点：AI 不是凭空生效的，它需要 " 配套能力 " 来承接，没有现成的组织流程、数据基础和培训体系，模型再强也难落地。

这背后的含义有点扎心，历史上，越是先进的通用技术，越是 " 强者愈强 "：大公司、组织底子厚的公司率先采用，也更擅长把技术真正用到日常流程里。如果这个规律重演，生成式 AI 可能反而拉大企业之间的效率与价值差距——即便底层模型对所有人都开放。

真正卷 AI 的，是职场新人

第三个事实，也是全文最有画面感的一个：谁在企业里用得最猛？答案是——资历越浅，用得越凶。

不同岗位与资历的 AI 使用强度：职场新人、分析师用得最勤，高管偏少（来源：OpenAI 论文）

论文把采用 6 个月后的活跃用户，按职位和资历拆开看。从职位分布看，工程与技术从业者约占周活跃用户的 11%，高管、创始人、合伙人约占 9%，财务会计、市场营销各占 5% 左右。AI 的使用横跨几乎所有职能，而不是被程序员 " 垄断 "。从资历分布看，经理与总监约占 24%，普通员工约 15%，资深骨干约 14%，高管约 10%，初入职场的员工约 7%，同样分布得很散。

但这里要区分两个维度：一个是 " 广度 "，指某个群体在每周活跃用户里占多少；另一个是 " 强度 "，指每个活跃用户每周发多少条消息。前者衡量参与面，后者衡量使用深度。真正拉开差距的，是强度。

以平均活跃用户为基准，初入职场的员工和实习生，每周发送的消息比平均值高出 8 到 9 条；而高管、创始人、合伙人发送的消息明显更少。分析师、市场营销与传播岗位，也是明显的 " 重度用户 "。值得注意的是，这个规律在 " 同一家公司内部 " 依然成立，也就是说，不是新人恰好去了用 AI 更猛的公司，而是在任何一家采用了 AI 的企业里，年轻人都是最勤快的用户。

这套 " 资历越浅用得越多 " 的规律，也跟此前关于 AI 如何影响就业的研究互相印证：

AI 可能正在降低入门级工作 " 上手 " 的门槛，让年轻人用更少的时间完成更多产出。

论文还发现，同样是活跃用户，很多经理、总监发消息的频率也偏低，说明 " 分配任务 " 和 " 亲自操作 " 是两回事。对管理者而言，这意味着培训与激励的对象可能需要重新划定：真正需要被 " 解放生产力 " 的，或许恰恰是那些还没坐上管理层、却天天在跟 AI 较劲的年轻人。

从 " 会问 " 到 " 会做 "：AI 开始自己干活了

第四个事实，关于 " 用来干什么 "。论文用自动分类程序，把企业消息归到 60 种任务类型里，结果发现大家用得 " 五花八门 "，覆盖了几十种工作，而不是集中在少数几种固定用法上。超过一半的活跃用户会用它做文档与技术写作，近一半会做技术、数字类工作，此外还有大量使用分布在沟通、研究、规划、数据分析、法律合规、财务税务等领域。

企业 AI 的任务分布：文档写作最普遍，使用范围覆盖数十种工作（来源：OpenAI 论文）

还要分清两个维度：一个是 " 用的人多不多 "，有多少人碰过这类任务；另一个是 " 消息占的比重 "，这类任务占总消息的多少。文档与技术写作在这两方面都靠前；而主题概览、法律合规、财务税务这类任务，用的人很广，但每条消息都很 " 轻 "。

换句话说，企业 AI 既在 " 广撒网 "，也在 " 深挖井 "。还有一个细节：始终剩下一大块 " 其他任务 "。这本身就是证据——企业 AI 的使用范围很广，员工把它用在很多没法被整齐归类的事情上，远不止几个 " 爆款场景 "。

任务重点还随行业而变化，金融保险行业里，财务与税务、商业与市场研究类任务明显更多；娱乐、零售、信息等行业，销售与营销类任务更普遍。这说明生成式 AI 像当年的电脑和互联网一样，正成为各行各业通用的 " 万能工具 "，渗透进日常工作的方方面面。

真正把 " 会问 " 推向 " 会做 " 的，是配套报告《企业信号》的数据。到 2026 年 6 月，Codex 生成的输出 token，已占到企业客户 ChatGPT 与 Codex 合计输出 token 的 64%，也就是说，智能体开始接手实质性的、能直接交付的任务。

更惊人的是扩散速度：自 2 月以来，法律、销售、招聘、营销部门的每周活跃 Codex 用户，分别增长了 108 倍、41 倍、41 倍和 26 倍，而最早用上智能体的工程部门只增长了 5 倍。

前沿企业与典型企业的 AI 使用差距：半年从 2.6 倍扩大到 8.3 倍

与此同时，领先者与普通人的差距正在拉大。OpenAI 把月人均输出 token 排名前 10% 的企业定义为 " 前沿企业 "，把中间 10% 定义为 " 典型企业 "。

2026 年 1 月，前沿企业人均输出 token 是典型企业的 2.6 倍；到了 6 月，这个数字飙到 8.3 倍。在信息与科技行业，差距甚至达到 11.7 倍。而典型企业之间，行业差异却很小、增长也慢——这暗示很多企业仍把 AI 当 " 高级搜索引擎 "，迟迟没有跨过从 " 会问 " 到 " 会做 " 的门槛。

前沿企业的秘密，也不难总结：他们让智能体配齐了三样东西，能读懂工作背景的 " 上下文 "、能连上公司系统和数据的 " 工具 "、能长时间连续干活的 " 持久力 "，让 AI 真正接入公司的数据、操作真实的应用、自主完成复杂的多步任务；同时也为高风险操作划好边界、保留人工复核。

一组数据很能说明问题：前沿企业里，每周有 21% 的活跃用户在使用插件，典型企业只有 9%；而 OpenAI 内部这个比例高达 95%。差距不在 " 有没有模型 "，而在 " 有没有把 AI 接进公司的工具、数据和流程 "。

买得到 AI，买不到 " 落地 "

把四个事实拼起来，论文想说的其实是一句话：接入不等于落地。

一项新技术带来的回报，从来不是装上就能兑现的。电力、半导体、杂交玉米，都经历过一个漫长的 " 边用边摸索 " 的过程。企业不断试错、追加配套投入、调整生产方式，直到新技术在日常工作中变得可靠。AI 正在重走这条路，而且仍处在很早期。

论文最直接的提醒，是别把 " 全员开通 AI" 当成终点。同一套模型，在不同企业手里，落地速度、覆盖广度、任务深度可能天差地别。大公司先上车，无形资产多的公司用得好，新人用得猛，智能体正在把 " 提问 " 变成 " 交付 "，这些信号拼在一起，指向一个朴素又难做的结论：真正拉开差距的，不是 " 会不会用 AI"，而是 " 能不能让 AI 完成一件可检查、可交付的工作 "。

论文还点出了两层更深的含义。第一，如果最先上车、也用得最深的，永远是那些更大、无形资产更多的公司，那么 AI 的扩散很可能会先 " 固化 " 甚至放大企业间的差异，而不是天然地抹平差距。第二，一家企业采用 AI 之后，" 广度 " 和 " 深度 " 同样重要——技术最终的经济角色，不仅取决于企业有没有接入，更取决于它进入了企业里哪些岗位、被用来做什么。

对个人如此，对企业更是如此。技术的门槛在快速消失，而企业的能力门槛，才刚刚开始显形。与其纠结 " 要不要用 "，不如早点回答 " 用在哪儿、怎么用、谁来用 "。毕竟，历史反复证明，通用技术最先眷顾的，永远是那些提前做好准备的人。（本文首发钛媒体 APP，作者 | 硅谷 Tech-news，编辑 | 焦燕）