OpenAI 发布企业 AI 集成技术手册：从评估到自动化

摩根士丹利在金融界是名企，他们对待 AI 的态度有点意思。一开始，他们对 AI 能不能帮上忙心里也没底，毕竟金融顾问的工作涉及到客户关系、财务信息，既复杂又敏感。

但他们在落AI 之前先搞了一套严谨的评估流程，类似于给 AI 先来个 “体检”。就像咱们在生活中挑选一件重要的商品，要反复比较、试用一样。摩根士丹利先拿 AI 做了三个实验：

• • 语言翻译 ：测试 AI 翻译的准不准确，通不通顺，这很关键，因为金融行业文件多，翻译错一个词可能意思就差之千里。
• • 总结概要 ：看 AI 怎么把长篇大论压缩成精华，这涉及到准确、相关和连贯这些指标，毕竟没人想看一堆没用的信息。
• • 与人类专家PK ：把 AI 的结果和金融顾问专家的回答放在一起比较，就像老师给学生批改作业一样，看 AI 的答案对不对、有没有参考价值。

一开始，他们就是想看看 AI 能不能让金融顾问更快地获取信息，少花点时间在重复劳动上，多点精力去给客户提供有深度的见解。这些评估确保了 AI 能胜任工作任务。结果，现在摩根士丹利 98% 的顾问天天都用 OpenAI，以前只能访问 20% 的文件，现在一下跃升到 80%，找文件的时间大大缩短。顾问们也不用再把大把时间耗在琐碎事务上，可以专心和客户打交道。而且客户反馈特别好，以前要好几天才能回复的事情，现在几个小时就搞定了。

这就好比咱们想要引入一个新工具，先得好好把把关，测试它到底行不行，摩根士丹利这一步走得很明智也科学。而 OpenAI 的报告也指出，与传统 IT 系统部署不同，企业 AI 落地需要持续迭代、深度定制以及与现有业务系统的紧密集成。摩根士丹利的这种结构化评估方法，为其 AI 使用的规模化奠定了坚实基础，使其能够在一个高度敏感和复杂的行业中安全地扩展 AI 应用。

说到找工作，在国外不会不知道 Indeed。这是全球第一大求职网站，现在也落地了 AI 。Indeed 集成了 GPT-4o mini 到其工作推荐引擎中，允许AI为一份岗位为什么会与候选人匹配生成上下文解读。这种增加的透明度使得岗位申请增加了 20%，雇主参与度提高了 13%。后来，一个定制的微调模型将 token 使用减少了 60%，展示了深思熟虑的集成和优化可以有效地扩展影响力。

这就像是咱们开一家店，以前靠人工推荐商品，现在用上智能系统，不仅推荐更精准，还能告诉顾客为啥这件商品适合他，价值体现的更具体，顾客满意了，生意自然就好了。而且，OpenAI 的报告中指出，将 AI 嵌入核心产品体验是实现差异化和客户价值的关键。Indeed 的案例完美地诠释了这一理念，通过将 AI 与业务目标紧密结合，实现了显著的业务增长和客户满意度提升。

Klarna 是个全球支付网络和购物平台，他们在 AI 应用上可谓“先下手为强”。他们早期对 AI 的投资带来了可衡量的改进。他们的 AI 助手现在处理了三分之二的支持互动，将解决问题的时间从 11 分钟缩短到了 2 分钟。随着 90% 的员工定期使用 AI，该组织加速了内部创新，并实现了 4,000 万美元的预期利润改进。

更牛的是，Klarna 90% 的员工日常工作都离不开 AI。从普通员工到管理层，大家都熟悉 AI，用起来也得心应手。这就像在公司里，大家都熟练掌握了新工具，工作起来效率自然起飞。而且他们并不是一上来就把 AI 扔进流程就不管了，而是持续测试、优化，不断打磨这个助手。

这种早期投资不仅带来了直接的运营效率提升，还为企业积累了宝贵的数据和经验，使其能够在竞争中占据先机。如 OpenAI 所述，捕获复合利益，Klarna 的案例凸显了早期投资对于长期成功的关键性，其收益随着时间的推移而增长。

Lowe’s 是个家居装修公司，他们电商搜索这块原来总有痛点，产品数据不完整、不一致，顾客找产品很费劲，撮合效率低。但他们的改进方式是尝试应用 AI 与 OpenAI 合作，利用微调模型，就像给 AI 量体裁衣一样。他们把自家的产品数据、购物者搜索习惯等各种独特信息喂给模型，让它专门适应自家的业务。结果产品标签准确性提升了 20%，错误检测提高了 60%。这就好比以前顾客在茫茫商品中大海捞针，现在 AI 帮他们精准定位，一下子就能找到心仪的商品。

这说明，AI 模型不能 “一刀切”，得根据企业自己的情况，像雕琢艺术品一样去定制，定义私有问题域，定制私有垂域的模型应用，这样才能发挥出最大的威力。OpenAI 强调，为了特定的用例进行微调至关重要。微调使模型能够反映内部语言、格式和行业细微差别。对于 Lowe’s 来说，这意味着为每个产品描述注入精确的产品信息和客户搜索意图，从而实现卓越的购物体验。

BBVA 这个银行界的大佬，对 AI 的玩法很有远见。他们并没有将 AI 开发集中化，而是赋予员工构建定制 GPT 应用程序的权力。短短五个月内，员工就创造了 2900 多个定制 GPT，覆盖了从法律到合规、客户服务和信贷风险的各个领域。这种做法减少了实现价值的时间，并确保 AI 应用于最需要的地方。

BBVA 觉得投资 ChatGPT 就是投资员工，AI 让员工的潜力得到释放，工作起来更高效、更有创造力。这就像给员工配备了一个智能助手，大家干活更有底气了。由专家主导的 AI 开发方法利用了员工的集体知识和创造力，确保技术解决方案精确地对准业务需求。这种去中心化的方法加快了采用速度，提高了整个组织的 AI 熟练度。

其实，这听上去，有点像国内有些企业的初期做法，搭一套 dify，落个应用市场，提示词先跑起来，不同专业岗位对业务的理解也会更专精，AI 在自己的专业岗位领域先用起来再说。“干中学，学中干”。

Mercado Libre 是拉丁美洲最大的电商和金融科技公司，他们手上有个难题，那就是开发者资源紧张，项目进度老是拖。于是他们和 OpenAI 搭伙，开发了个叫 Verdi 的平台，靠 GPT-4o 帮开发者实现能力增强。这平台把语言模型、Python 节点和 API 整合在一起，就像给开发者打造了一个超级工具箱。

以前开发者要深入源代码才能开发应用，现在靠这个平台，只要用自然语言简单操作，就能快速构建高质量应用。而且安全性、规则这些都内置好了，开发者不用操心。有了这个平台，Mercado Libre 的开发者就像插上了翅膀，效率大幅提高。比如，他们能更快地优化库存，能精准检测欺诈行为，还能定制产品描述，甚至个性化推送通知，让用户更积极地和产品互动。这就好比为开发者提供了一个功能强大的集成开发环境（IDE），它不仅提高了代码编写的速度和质量，还通过智能提示和自动完成功能减少了错误。

OpenAI 报告指出，支持开发人员是企业 AI 成功的关键支柱。通过提供强大的工具和平台，组织可以释放开发人员的创造力，加快创新周期，并建立可扩展且安全的 AI 解决方案。就像 Mercado Libre 的实践所证明的，正确的工具可以将开发人员从重复的、低价值的任务中解放出来，使他们能够专注于构建推动业务向前发展的战略性、创新性解决方案。

要说对 AI 应用得最透彻的，那还得是 OpenAI 自己。他们内部支持团队以前处理客户问题，得花时间登录系统、理解背景、写回复、做操作，流程繁琐。于是他们自己开发了一个自动化平台，就像给自己的工作流程装了个 “智能引擎”。这个平台在 Gmail 等现有工作流程上运行，能瞬间调取客户数据和相关知识文章，然后把这些信息整合到回复邮件或者直接触发具体操作，比如更新账户、开具支持工单。

现在，这个平台每月处理几十万任务，把团队从重复劳动中解放出来，大家能把精力投入到更有价值的工作中。OpenAI 这是给自己立了个很高的自动化目标，然后通过 AI 实现了自我革新。这就像咱们给自己定个高目标，逼自己一把，结果发现借助 AI 这把 “利器”，真的能把以前觉得不可能的事给干成了。

如 OpenAI 所述，设定自动化目标可以显著地重塑工作流程并提升效率。通过在其日常运营中实施自动化解决方案，OpenAI 展示了 AI 如何成为组织转型和成长的催化剂。

看完这七个案例，给我的感觉，没有宏大叙事，就是实际“贴地跑”的案例。我们能够清晰地看到，AI 在企业落地应用，能切实提升效率、优化流程、增强竞争力。这些企业成功的关键在于：不急于求成，而是从评估入手，精准定位 AI 能真正发挥作用的切入点；依据自身业务特点，明确问题域，对 AI 模型进行定制与微调，使其紧密贴合企业需求；将 AI 交到员工手中，让最懂业务的人去充分挖掘 AI 的潜力；为开发者松绑，打造高效的开发平台，加速 AI 应用落地；大胆设定自动化目标，借助 AI 重塑工作流程。

OpenAI 的《AI in the Enterprise》报告也有力地印证了基于现实使用情况进行结构化、迭代式 AI 集成的必要性。报告建议从小处着手，进行早期投资，针对相关性开展微调，并从高影响力用例进行拓展，而非急于全面采用。在上述七个案例中，一个共同的主题贯穿始终：有效的 AI 应用建立在严格的实验、强大的工具以及授权给最接近问题的人的基础之上。对于技术和业务领导者而言，OpenAI 的指南为企业实现长期 AI 成功提供了清晰且可操作的实践指导。