一项新研究看到的，不是整齐划一的“企业采用率”
论文《How Organizations Use AI: Evidence from ChatGPT》将 ChatGPT Enterprise 的账户记录与员工角色、任务分类和美国上市公司信息进行隐私保护后的关联分析。仅在“部署满六个月”的员工层样本中，就覆盖了 1,500 多家组织和 1,700 多万条消息，数据截至 2026 年 3 月。
研究归纳出四个主要事实：企业使用增长既来自新组织加入，也来自既有组织使用强度上升；美国上市公司中的采用更集中于规模较大、市值较高、研发与销售管理费用较高的企业；实际使用横跨不同职能和职级，职业早期员工的使用强度尤其突出；任务则广泛分布于写作、技术工作、沟通和信息综合。
但对企业管理者而言，最值得注意的并不是某一个排行榜，而是论文的总体判断：不同企业在采用速度、覆盖广度和使用目的上差异很大，而且仍在学习如何把 AI 融入组织工作流。
这项研究来自单一产品的企业客户，采用样本也不是全部企业的随机抽样；上市公司部分还受公开数据可得性限制。因此，它不能证明使用 AI 导致了更高市值或更强经营表现，也不能提供一条适用于所有公司的“最佳采用曲线”。它的价值在于，让企业真实使用第一次以较大规模显现出组织差异。
总量会掩盖三种完全不同的公司
假设三家公司每月都产生 100 万条 AI 消息，背后可能是三种截然不同的状态。
第一家公司主要由少数技术团队高频使用；第二家公司覆盖很多部门，但大多停留在写作润色和信息查询；第三家公司消息未必更多，却已经把 AI 放进报价准备、故障分析、合同审阅等可重复流程，并能追踪后续结果。
如果只看消息总量，它们会被放在同一水平线上。可在组织能力、实施风险和潜在价值上，它们相距甚远。
OpenAI 今年 5 月发布的企业使用信号也给出了类似提醒：其定义的前沿企业，人均使用的“智能量”约为典型企业的 3.5 倍，而消息数量只能解释其中 36% 的差距。官方同时明确说明，生成 Token 只是使用深度的代理变量，并不等于业务价值。
这正是企业 AI 运营中经常缺失的一层：既不能把账号覆盖率当成采用，也不能把交互深度直接当成收益。中间还需要一张能够连接“谁在用、做什么、怎样进入流程、产生何种结果”的使用结构图。
从推广报表升级为“组织使用结构图”
这张图不需要采集员工输入的具体内容，也不应演变为个人监控。企业可以在符合隐私、劳动关系和内部制度要求的前提下，以部门、岗位族群和业务场景为最小分析单元，观察四个维度。
1. 扩散：能力是否只集中在少数人手里
除了激活率，还要看稳定使用是否横跨不同职能、地区与职级，以及一个团队是否过度依赖少数“超级用户”。
真正需要干预的可能不是低使用部门，而是高价值岗位没有合适场景、权限或数据支持。对所有人安排同一门提示词培训，通常无法解决这种结构性障碍。
2. 深度：AI 承担了任务的哪一部分
同样是“做报告”，可以只是润色标题，也可以包括汇集资料、核对来源、运行分析、形成初稿和根据反馈修改。企业应按任务阶段判断 AI 是辅助表达、辅助判断，还是已经执行了可交付工作。
深度越高，并不自动代表越好；它意味着评测、授权、复核和追溯也应同步加深。
3. 目的：使用是否靠近经营问题
把使用映射到业务目的，而不是只映射到软件功能。例如，信息综合究竟用于行业研究、客户方案、质量调查还是法规响应；技术工作究竟在缩短开发周期，还是只增加了未经采用的代码产出。
目的清楚，企业才有可能配置相应的结果指标和风险边界。
4. 留存：新鲜感过去后，使用是否形成惯例
把不同月份开始使用的团队分成批次，观察其第 1、4、8、12 和 24 周的变化。若使用在培训后迅速回落，问题可能是场景不成立；若少数人持续增长、同部门其他人不动，问题可能是方法没有被产品化；若使用稳定但业务周期不变，则需要检查 AI 是否只增加了中间产出。
这种批次视角比月度总量更能区分一次性活动和真正的工作方式变化。
每一种结构信号，都应触发不同动作
使用结构图的意义不是给部门排名，而是让企业采取更准确的行动：
对于风险管理，NIST AI RMF 同样强调，测量应连接实际部署情境，并持续观察系统在生产中的表现；指标还需要结合领域专家和最终用户反馈进行验证。也就是说，一张纯 IT 使用量报表既不足以证明价值，也不足以证明系统可信。
- 覆盖低、价值明确：检查数据、权限、流程入口和管理者支持，而不是先催使用量；
- 覆盖高、深度浅：挑选一个可重复任务，把个人技巧沉淀为模板、工具连接和验收标准；
- 深度高、结果不清：暂停扩大范围，补充人工基线、质量指标和下游采纳数据；
- 集中在少数人：识别其真实方法，形成可复用工作单元，并设置人员离开后的连续性方案；
- 使用持续回落：允许停止不成立的场景，把资源转向员工主动反复使用且业务意义明确的工作。
下一阶段的竞争，不只是“更早买到工具”
大规模真实使用研究显示，企业 AI 采用并不是一个从 0 到 100% 的统一进度条。它更像一张不断变化的网络：有些岗位先形成方法，有些任务需要更长时间，有些场景会自然消失，有些则会跨部门扩散并逐渐进入核心流程。
因此，管理层不应只在季度会上追问“还有多少人没有用”，还应追问三个更有价值的问题：
账号数量说明企业获得了 AI 的入场券。能否看懂内部使用的结构，并据此调整流程、培训、治理和投资，才决定这张入场券最终会不会变成经营能力。
- 哪些使用已经形成了可复用的组织能力？
- 哪些深度使用仍缺少结果证据或风险控制？
- 哪些团队正在用不同方式解决同一个问题，值得被连接起来？
