2026 年 9 月 2 日
企业推进 AI 时，经常出现一种看似积极、实际代价很高的局面：多个部门同时立项，分别采购工具、整理知识、设计提示词、做安全评审，再各自证明价值。项目数量迅速增加，组织能力却没有同比增长；同一类问题被反复解决，效果较弱的团队还可能因为资源不足，长期只能停留在通用聊天工具阶段。
8 月 31 日，OpenAI 发布日本 Polimill 的公共部门案例。其行政 AI 平台 QommonsAI 已被约 1,050 个日本地方政府、约 55 万名公共部门员工使用。平台把分散在不同地区、不同年份的议会记录和行政信息标准化，补充元数据，并通过共同界面提供议会答复、公共服务、社会福利和法律检索等专业能力。
这个案例最值得企业关注的，不是公共部门又采用了一款 AI，而是 AI 的规模化单位正在变化：从“给更多人开账号”，转向“让多个组织复用已经治理过的能力”。
真正昂贵的不是第一次开发，而是重复开发
大型集团与地方政府有相似的结构性难题：组织分散，流程大体相似，规则和数据又不完全相同。总部与区域公司、事业部与门店、集团职能与子公司，往往都需要做合同检索、制度问答、报告准备、客户材料核对或经营分析。
如果每个单位独立建设，重复的不只是软件代码，还包括五类隐性工作：
这些工作决定了 AI 是否能进入真实流程，却很难被单个试点的演示效果体现。部门各自做一遍，会形成多个看起来相似、实际质量与责任边界不同的系统。资源充足的部门不断升级，资源较少的单位只能接受更差的能力，企业内部由此出现新的“AI 服务差距”。
Polimill 对分散行政记录进行统一整理，以及日本数字厅建设政府通用数据集、共享规则和开源文档的做法，都说明规模化的重点不是把一个提示词复制给更多人，而是把最费力的基础工作做成可复用资产。
- 判断哪些数据可以使用，以及如何清洗和更新；
- 把业务术语、文档结构和历史记录转换为可检索知识；
- 确定模型可以建议、可以执行和必须转人工的边界；
- 建立测试集，验证答案、引用、权限和业务动作；
- 在模型、规则或数据变化后持续回归与修复。
共用底座不等于所有组织使用同一个答案
共享能力也有一个明显风险：为了追求统一，把地方差异和业务责任一起抹平。
同一集团的不同子公司可能面对不同客户、合同、价格体系和监管要求；同一项福利或公共服务，在不同地方也可能有不同规则。共用模型和界面，并不意味着所有知识、判断条件与审批路径都应该完全一致。
更稳妥的架构应把能力分成三层：
第一层是共同底座，包括身份与权限、模型接入、日志、成本计量、基础安全控制和统一交互入口。这些能力重复建设的价值很低，适合集中提供。
第二层是共享业务组件，包括文档解析、法律法规检索、报告模板、常见任务流程、评测方法和已验证的失败案例。它们可以跨组织复用，但需要版本管理和适用范围说明。
第三层是本地责任配置，包括本单位数据、当地规则、审批人、服务承诺、高风险升级路径和最终发布权限。这一层不能因为使用统一平台就交给平台方或总部替代决定。
可以把这种关系概括为：
共用的是经过治理的能力，保留的是离业务后果最近的责任。
统一平台的价值，不是让所有人得到完全相同的输出，而是让每个单位不必从空白开始，同时仍能证明结果符合自己的业务条件。
复用前，先给能力附上“适用说明书”
很多企业建立了 AI 应用市场或提示词库，但使用率很快下降。根本原因往往是其中只有功能名称和演示，没有回答接收方真正关心的问题：这个能力在哪些条件下验证过，依赖哪些数据，谁承担结果责任，搬到我的部门后还要改什么？
一个可以跨组织复用的 AI 能力，至少应携带以下信息：
这样，内部市场上流通的就不再是一个“看起来能用的 Agent”，而是一个带有证据、边界和接入要求的能力包。接收部门可以快速判断是直接采用、局部配置，还是根本不适合自己的场景。
- 业务目标：它改善的是哪一步工作，不适合替代什么判断；
- 输入条件：需要哪些数据、字段、时效和权限；
- 适用范围：在哪些组织、产品、地区和风险等级中验证过；
- 质量证据：使用什么样本测试，错误主要发生在哪里；
- 人工责任：谁复核、谁批准、什么情况必须升级；
- 变更影响：模型、知识、提示或工具更新后，哪些测试必须重跑；
- 本地改造项：接入方需要替换哪些规则、数据和审批路径。
规模化指标要从账号数转向重复建设减少量
账号覆盖率、月活和调用量可以说明工具被打开，却不能说明组织是否真正获得规模经济。
管理层更应关注：新单位接入一个成熟场景需要多长时间；共同组件覆盖了多少重复流程；多少评测样本和失败案例被跨部门复用；本地配置占全部建设工作的比例；平台更新后有多少单位能够同步完成回归；能力较弱单位与领先单位之间的结果差距是否缩小。
QommonsAI 的约 1,050 个自治体和 55 万名员工采用数据来自 OpenAI 与客户联合发布，不能单独证明实际活跃度、公共服务质量或投资回报。案例所称 Codex 与技术支持使开发速度提高 3 至 5 倍，同样缺少完整基线和独立审计。年轻员工的政策草案在验证中获得接近资深人员的评价，也不能解释为专业判断已经可以被替代。
此外，计划于 2026 年秋季全面推出、用于聚合外部应用的 Qommons ONE，目前仍是未来规划，不应作为已经实现的生态能力来引用。
但这些限制不影响案例释放出的组织信号。日本数字厅正在面向约 18 万名中央政府员工推进生成式 AI 试点，同时建设通用数据集、共享经验证的方法，并明确指出跨组织采用存在“不知道已有案例、效果不确定、不清楚如何引入、成本过高”四类障碍。这说明，当 AI 从少数团队走向大量组织时，共享方法与基础设施本身就成为实施对象。
企业需要建设的，是能力供应体系
AI 项目规模化最容易走向两个极端：完全分散时，重复建设严重、质量参差不齐；完全统一时，平台脱离现场、地方责任被模糊。更成熟的方式，是由中央团队提供共同底座和经过验证的能力包，由业务单位负责本地事实、适用性验证与结果责任，并把新的失败经验持续回流给共同平台。
这种模式下，总部不再只是审批项目，业务部门也不再只是提交需求。双方共同经营一套能力供应体系：发现重复问题，沉淀可复用部分，保留必要差异，再用真实结果决定是否扩大覆盖。
当一家企业的第十个部门采用 AI 时，如果仍要从采购、知识整理、安全评审到评测全部重来，它得到的只是十个项目；如果第十个部门可以继承前九个部门已经付过成本的能力与教训，同时清楚知道哪些地方必须重新验证，企业才真正开始积累 AI 规模优势。
