企业 AI 拉开差距，关键不是模型而是工作流

从辅助到执行：企业如何让 AI 真正干活

一、逐节内容

全文结构：引言（含五个关键洞察 bullet）→ 六个小标题章节。以下逐节展开。

引言：两份新报告揭示 AI 采用正在企业与员工中扩散

核心论点：

• 企业正在同时扩大「在哪里用 AI」和「让 AI 干什么」两个维度。
• 「前沿企业」定义：每月 AI 使用量排名前 10% 的企业客户（按人均输出 token 排名）。截至 2026 年 6 月，前沿企业每个活跃用户产生的输出 token 是「普通企业」（typical firms，指 45—55 百分位之间的企业）的 8.3 倍。
• 输出 token 是使用深度的代理指标（proxy for depth of use），并非直接的业务价值指标。
• 差距扩大的同时，伴随的是「把智能体连接到公司上下文、工具、可复用工作流」这类能力的更高采用率——这是文章的核心因果暗示：差距来自工作流与能力接入，而非模型本身（各家企业用的是同样的前沿模型）。

数据与口径：

五个关键洞察 bullet（引言末尾逐条列出，详见第三节汇总）。

第 1 节「Enterprises are shifting from asking to doing」（企业正从提问转向干活）

核心论点：

• 企业 AI 正在从「回答问题」转向「完成工作」。区分两个概念：助手（assistants）帮人思考工作；智能体（agents）帮人完成工作。
• ChatGPT Work、Codex 这类产品能使用工具、创建文件、产出可供审查的工作成果。
• 文中给的场景例子：与其问 AI「怎么准备一份演示文稿」，不如让智能体跨信息源收集资料并直接起草整份演示文稿，人只做审查。

数据与口径：

• 截至 2026 年 6 月，Codex 贡献了企业客户 Codex＋ChatGPT 合并输出 token 的 64%。
• 限定说明（重要）：智能体工作流通常产生更多输出，因为它们执行的是更长的多步骤任务。所以这个 64% 同时反映了 Codex 的使用频次和单次任务的产出量，不能简单理解为「64% 的工作已由智能体完成」。

图表说明（图 1：Enterprise token usage by ChatGPT and Agentic）：

• 图形类型：堆叠面积/条形图，纵轴为企业输出 token 份额（0—100%），横轴为时间（2025 年 8 月至 2026 年 6 月）。
• 对比对象：ChatGPT（聊天）与 Agentic（Codex，智能体）两类使用产生的输出 token 份额。
• 数值口径：28 天滚动平均（28 day trailing average）。
• 关键节点标注：图上标出了 GPT-5、Codex 正式发布（general availability）、GPT-5.2、GPT-5.5、Codex macOS 应用、Codex Windows 应用＋GPT-5.4 等产品事件的时间位置，暗示产品发布与智能体份额上升的相关性。
• 结论：截至 2026 年 6 月，份额为 ChatGPT 36% / Agentic（Codex）64%，智能体份额随时间持续攀升。

第 2 节「The frontier gap widens as firms embrace agentic AI」（拥抱智能体 AI 的企业拉开前沿差距）

核心论点：

• 排名方法：OpenAI 每月按「人均活跃用户输出 token」对企业客户排名。前沿企业＝当月前 10%；普通企业＝45—55 百分位（即中间 10%）。
• 截至 6 月，前沿企业人均输出 token 是普通企业的 8.3 倍，相比 1 月的 2.6 倍，差距扩大为原来的约三倍（表述为 a threefold increase）。
• 前沿差距跨行业、跨企业规模都存在——高强度使用 AI 的不只是科技公司。行业与职能维度的细分见 Enterprise Signals 报告。
• 配套工作论文《How Organizations Use AI》研究了美国上市公司样本：采用企业 AI 的上市公司比未采用者财务指标更强——资产更多、雇员更多、研发投入更高。（注意：这是相关性描述，未声称因果。）
• 两份报告合读的推论：仅有模型访问权（access）不足以规模化 AI。需要配套投资于：员工持续学习、共享工作流、数据基础设施、治理——这些才能支撑更广更深的采用。

图表说明（图 2：Output tokens by frontier and typical firms over time）：

• 图形类型：折线图（可按行业筛选：全行业 / 金融保险 / 信息业 / 专业科技服务 / 制造业），横轴 2025 年 4 月—2026 年 6 月，纵轴为「人均活跃用户输出 token 指数」（以 2025 年 4 月普通企业为基准 = 1×，刻度 0—20×）。
• 对比对象：前沿企业（前 10%）与普通企业（中间 10%）两条曲线。
• 结论：图上标注了两个时点的差距——早期 2.6× gap，最新 8.3× gap；末端数值为前沿企业 17.1×、普通企业 2.1×（均为指数值）。两条线都在涨，但前沿企业涨得快得多，差距持续张开。

第 3 节「Advanced capabilities like Plugins and skills are more common at frontier firms」（前沿企业更常用 Plugins 与 skills 等高级能力）

核心论点：

• 智能体要有效，必须能访问正确的上下文和工具。
• 概念解释：Plugins 是打包好的能力组合，用于帮助智能体完成特定工作流；一个 Plugin 可以组合 skills（可复用的指令） 与 apps（连接公司数据、工具和操作的接口）。
• 文中例子：一个销售 Plugin 可以把团队的销售打法手册（playbook）与 CRM 访问权限组合起来，让智能体基于最新客户信息和历史提案，起草一份定制化回复供人审查。
• 前沿企业在高级能力上明显领先，但其采用率仍只是潜力的一小部分——OpenAI 内部周活跃用户中 95% 每周使用 Plugins，说明深化空间很大。文中并推荐了 OpenAI 另一篇研究《How agents are transforming work》看内部员工怎么用这些能力。

数据与口径（均为周活跃企业用户中的使用占比）：

图表说明（图 3：Advanced capabilities adoption by frontier and typical firms）：

• 图形类型：分组条形图，横轴为周活跃企业用户占比（0—30%），纵轴分 Plugins、Skills 两组。
• 对比对象：前沿企业（前 10%）vs 普通企业（中间 10%），图表带有「与 OpenAI 对比」的切换选项（Compare against OpenAI）。
• 数值标注：Plugins——前沿 21%、普通 9%；Skills——前沿 19%、普通 3%。
• 结论：前沿企业在两类高级能力上的渗透率都是普通企业的 2 倍以上，skills 差距超过 6 倍。

第 4 节「Agents are spreading across knowledge work」（智能体正扩散到整个知识工作领域）

核心论点：

• 软件工程是智能体采用的早期中心，但 Codex 使用现在正在非工程类知识工作职能中快速增长，且增速远超工程本身。
• 案例——Virgin Atlantic（维珍大西洋航空）：这一转变贯穿其业务。工程团队用 Codex 重构遗留代码，从两周缩短到 30 分钟；产品团队用 ChatGPT Work 把数周的竞品研究压缩到数小时完成，并据此塑造了该航空公司的五年数字战略。
• Enterprise Signals 报告基于超过 1000 万条消息的样本，进一步分析这些能力如何跨行业、跨职能扩散。

数据与口径（自 2026 年 2 月起，企业 Codex 周活跃用户增长倍数，按岗位类别）：

（注：主文 bullet 只点名了法务 108×、销售 41×、招聘 41×、市场 26×、工程 5×；24×/20×/18× 三项来自图中标注。）

图表说明（图 4：Agentic user growth by enterprise job title）：

• 图形类型：多序列折线图，横轴 2026 年 2 月—6 月，纵轴为「企业 Codex 周活跃用户数」指数（以 2026 年 2 月 1 日为基准 = 1×，刻度 1—125×）。
• 对比对象：8 类企业岗位（见上表）。
• 结论：法务曲线一骑绝尘（108×），销售与招聘并列第二（41×），工程作为最早采用者反而增长最慢（5×）——因为基数已经高了，增量空间在非技术岗位。

第 5 节「Early-career employees use AI more」（早期职业员工用 AI 更多）

核心论点：

• 与许多调查报告的发现相反：不少调查称领导者与高管 AI 使用水平更高，但基于数百万条对话的管理数据（administrative data）发现了相反结果。
• 关键数据：采用 6 个月后，早期职业员工（early-career employees）每周比高管（executives）多发送 13 条消息。
• 推论措辞谨慎：这「暗示」早期职业员工在用 AI 上可能有比较优势（a potential comparative advantage），并非断言。
• 对领导者的实操建议：识别 AI 习惯最强的员工，把他们的工作流显性化、可视化，让有效实践向所有层级扩散。

图表说明（图 5：Differences in messages per user by seniority）：

• 图形类型：水平偏差条形图，横轴为「采用 6 个月时，每活跃用户每周企业 ChatGPT 消息数相对全公司平均值的差值」（刻度 −50 至 +5，实际展示区间约 −6 至 +8），纵轴按职级从高到低排列：Executive（高管）、Manager / director（经理/总监）、Senior IC / principal（资深个人贡献者/首席）、IC / professional（普通个人贡献者/专业人员）、Early-career / trainee（早期职业/受训者）。
• 数值标注：高管 −5.4、经理/总监 −2.1、资深 IC −0.7、普通 IC +1.9、早期职业 +7.8（相对均值的差）。
• 结论：职级越低，相对使用强度越高，呈单调梯度；「13 条/周」即早期职业（+7.8）与高管（−5.4）相对于同一均值差值之和的约数（7.8 − (−5.4) ≈ 13.2）。

第 6 节「What leaders can do to narrow the frontier gap」（领导者如何缩小前沿差距）

核心论点（此节是全文的行动收束，无新数据）：

• 各公司可能拥有同样的模型访问权，但前沿企业正在其组织内更快、更深地把模型投入实际工作。可作短引：

"Companies may have access to the same models, but frontier firms are putting them to work faster and more deeply across their organizations." 中文：各公司也许能用上同样的模型，但前沿企业正在组织内更快、更深地让模型干活。

• 领导者的机会在于两点：

1. 把智能体工作流扩展到工程之外（法务、销售、招聘、市场等）；
2. 把成功的个人用例转化为全组织可复用的实践。

• 路径条件：把智能体连接到公司上下文与工具，同时配套清晰的权限、治理和人工审查，企业才能完成「从辅助到执行」的跃迁。
• 文末导流：读 Enterprise Signals 了解跨行业跨职能细节；OpenAI 企业客户可申请定制化基准测试（customized benchmark），对比自己与前沿企业的位置；读工作论文《How Organizations Use AI: Evidence from ChatGPT》了解采用如何在企业与员工中扩散。

二、五个关键洞察汇总

1. 企业使用正在变得更加「智能体化」（agentic）。

截至 2026 年 6 月，Codex 占企业客户 Codex＋ChatGPT 合并输出 token 的 64%，说明智能体正推动工作向更实质、更可委托的方向转变。

2. 前沿差距正在扩大。

前沿企业（每月 AI 使用量前 10%）人均输出 token 是普通企业的 8.3 倍，而 1 月这一差距还是 2.6 倍。

3. 前沿企业更频繁使用高级能力。

每周有 21% 的前沿企业活跃用户使用 Plugins，普通企业仅 9%；OpenAI 内部 95% 的员工每周使用 Plugins，显示了更深采用的潜力上限。

4. 智能体正在知识工作中扩散。

自 2 月以来，企业 Codex 周活跃用户在法务增长 108×、销售 41×、招聘 41×、市场 26×，而工程只有 5×。

5. 早期职业员工用 AI 更多。

使用量在早期职业员工中最高、随职级升高而下降，暗示早期职业员工可能存在使用 AI 的比较优势。

三、方法论与数据口径

从主文与配套 Enterprise Signals 报告中可整理出的方法论要点：

1. 样本来源：OpenAI 全球企业客户（Enterprise）的聚合、去标识化使用数据（aggregated, de-identified enterprise usage data）。
2. 消息内容分类：使用自动化系统对消息内容分类；OpenAI 声明没有任何员工审阅客户消息。
3. 前沿/普通企业定义：每月按「人均活跃用户输出 token」排名，前 10% 为前沿企业，45—55 百分位（中间 10%）为普通企业。
4. 核心指标的性质：输出 token 是使用深度的代理指标。Enterprise Signals 中明确承认其不完美：「一条短回复可能价值极高，一条长回复可能价值很低」，但 token 量能有用地反映 AI 使用深度、以及员工让 AI 承担多少工作。
5. 时间口径：64%（Codex 份额）为截至 2026 年 6 月的 28 天滚动平均；8.3× 为截至 2026 年 6 月，2.6× 为 2026 年 1 月；岗位增长倍数以 2026 年 2 月 1 日为基准指数；图 2 指数以 2025 年 4 月普通企业为基准。
6. 早期职业员工数据：来自配套工作论文《How Organizations Use AI: Evidence from ChatGPT》，基于数百万条对话的管理数据；「多 13 条消息/周」是采用后 6 个月时点的对比。
7. 上市公司财务对比：工作论文研究美国上市公司，比较「采用企业 AI 的公司」与「未采用者」的资产、雇员数、研发投入——是组间对比，非因果结论。
8. 跨职能消息分析：基于超过 1000 万条消息的样本（Enterprise Signals）。

四、配套材料：Enterprise Signals

《Enterprise Signals: What frontier firms are doing differently》（2026-08-12 更新）是主文的配套数据报告，以下为其相对主文的增量内容（与主文重复的 64%、8.3×、21%/9%、108× 等数据及图表不再重复）：

7.1 行业维度的前沿差距

• 前沿差距跨行业存在，但幅度不同：信息与科技业差距最大（11.7×），制造业最小（5.3×）。
• 普通企业的 token 使用量在各行业间差异不大，过去一年增长温和（1.9×—2.8×）——说明大量组织仍停留在简单聊天助手阶段，深化空间显著。

7.2 行业客户案例的量化成果

7.3 前沿企业如何「让智能体干活」：三要素框架

智能体完成有意义的工作需要三件事：上下文（context）、工具（tools）、持久性（persistence）。

• 上下文类能力：Memory（记忆）、Voice input（语音输入）、Appshots（应用界面快照分享）——帮员工轻松共享完成任务所需的上下文。
• 工具类能力：Computer use / Browser use（计算机与浏览器操作）——让智能体浏览网页、创建文件、自主或在监督下完成任务。
• 持久性能力：Goals and loops（目标与循环）——让智能体持续工作直到任务完成。
• 风险控制（重点）：给智能体接入公司系统会引入新风险。前沿企业会明确规则：智能体能在哪里操作、能访问什么信息、何时能执行动作、高风险决策如何由人审查；且这些控制必须随真实部署经验持续演进。
• 组织学习机制：前沿企业把持续学习和实验变成日常工作——动手构建工作坊（builder sessions）、新用例分享论坛、内部展示会，让成功实践跨团队扩散。
• 报告页还给出按职能的高级能力应用导览：财务（自动化报告/预测/财务分析）、数据分析、销售（会议准备、客户策略、管道风险）、市场、运营、工程、设计、安全（漏洞检测＋修复建议供审查），各配示例提示词卡片。

7.4 智能体为何「软件先行、随后扩散」

• 软件领域先突破的原因：代码库给智能体提供了清晰上下文、测试让产出易于验证，且编码进步反过来加速 AI 研发。
• 开发者角色变化：过去两年从「用 AI 补全单行代码」演进到「让智能体承担整个开发任务」；许多开发者不再手写代码，而是布置任务、编排智能体、审查结果。
• 通用知识工作此前进展较慢的原因：任务上下文有限、难以明确界定、缺乏验证产出的清晰标准。但持续规模化、强化学习进步、以及针对 GDPval 等真实工作评测的专项优化，正让越来越多真实任务进入前沿模型能力范围——2026 年初以来，智能体 AI 在通用知识工作者中找到了产品市场契合。

7.5 跨职能使用模式（1000 万＋消息样本）

• 写作（Writing）仍是 ChatGPT 聊天场景最常见用途；而在智能体（Codex）消息中，编码＋系统/智能体操作合计占近 75%。
• 非技术团队的「系统/智能体操作」占比出人意料地高：招聘 32%、销售 26%、政策 25%、传播 24%——四分之一的消息已经是在「操作/执行」而非「聊天」。
• 技术工作跨职能扩散：设计部门的智能体消息中近 60% 是编码（设计师借智能体写代码做原型）。
• 配套堆叠条形图按部门展示 Chat vs Agentic 两种模式的用途构成（部门含工程、数据科学、IT、研究、安全、财务、产品管理、项目管理、业务运营、法务、销售、客服、市场、招聘、传播等；用途维度含写作、分析与规划、设计与视觉创作、编码、教育与指导、创意构思、知识检索、系统与智能体操作、个人建议、分类与抽取、工作流自动化、数据分析等）。图中标注的部分聊天侧「写作」占比数值：传播约 63.7%、招聘约 59.2%、市场约 57.5%、工程侧智能体消息则以编码与系统操作为主。

7.6 案例研究：OpenAI 财务团队如何用 ChatGPT Work 与 Codex

覆盖规划、预测、报告、资金（treasury）、投资者关系五个领域（官方给出 16 个真实工作流链接）。报告页列举 4 个：

1. 优化市场营销支出：把碎片化的投放数据变成 ROI 曲线和每周建议——下一笔营销预算投在哪回报最大。
2. 保持 P&L 报告同步：连接损益数据、Sheets、仪表盘与高管报告，自动浮现关键驱动因素并审计输出。
3. 支持投资人尽调与融资：基于经审批的信息源生成投资人答复与会议材料，再把定稿答案沉淀为可复用的机构记忆。
4. 打通资金管理工作流：把邮件关联到银行项目、标记阻塞点、跟踪 KYC 与后续事项、推荐下一步动作并起草回复。

7.7 行业采用排名：没有单一榜单

• 结论：不存在唯一的 AI 采用排行榜，排名随指标而变。
• 过去一个月：专业与科技服务业在 Codex 采用和 API 强度两项均居首；艺术、娱乐与休闲业在 ChatGPT 采用率居首；制造业的 ChatGPT 使用强度（intensity）最高，尽管其 Codex 与 API 强度垫底。
• 含义：行业之间走的不是同一条 AI 采用路径——有的通过开发者工具和 AI 产品推进，有的表现为更广泛或更高强度的日常使用。
• 报告页附 8 行业 × 4 指标（ChatGPT 采用率、ChatGPT 强度、Codex 采用率、API 强度）的排名表及月度位次变动。

7.8 网络安全板块

• AI 在重塑安全格局：模型能分析大型代码库、调查漏洞、支持多步骤安全工作；但发现更多问题≠系统更安全——真正的瓶颈是把发现转化为行动：判定漏洞真伪、给风险排优先级、测试补丁、确保团队快速审查并部署修复。
• OpenAI 推出 Daybreak：整合前沿网络安全模型、企业安全工具与合作伙伴生态，帮助企业应对上述挑战。

7.9 关于 Enterprise Signals 本身

• 定位：OpenAI 定期发布的企业 AI 采用、扩散与影响度量系列（recurring set of measures）。
• 数据声明：所有分析基于聚合、去标识化的企业使用数据；用自动化系统分类消息内容，无 OpenAI 员工审阅客户消息。
• 企业客户可申请定制化基准测试，对照最新使用与能力指标。

原文链接：https://openai.com/index/how-enterprises-put-ai-to-work PRIMARY_SOURCE: https://openai.com/index/how-enterprises-put-ai-to-work