从尝鲜到规模化：OpenAI 总结了企业 AI 落地的 5 个关键动作

上 AI 很简单，先买账号，开权限，拉一个群，组织几场 prompt 培训。老板很快开始期待：效率是不是该翻倍了？人力是不是能省了？业务是不是可以自动跑起来了？

结果往往有点尴尬。

员工确实开始用了。会议纪要快了一点，邮件润色顺了一点，PPT 初稿也能丢给 AI 了。可再往下问：它有没有进入核心流程？有没有稳定提高业务结果？有没有形成一套可复用的组织能力？很多公司就沉默了。

今天，OpenAI 发布了一份企业 AI 指南，标题是 How enterprises are scaling AI^[1]。这份指南基于 Philips、BBVA、Mirakl、Scout24、JetBrains、Scania 等欧洲企业领导者的访谈，讨论的是一个很现实的问题：企业到底怎么把 AI 从尝鲜工具，变成稳定的生产力系统？

在这份指南里，OpenAI 提出了 AI 规模化落地的 5 个关键动作。

OpenAI 总结的第一个关键动作是 Culture before tooling，先有文化，再谈工具。

Philips 的案例很典型。它是一家横跨医疗和科技的大公司，员工超过 7 万人。对这种公司来说，AI 不只是某个部门的小工具，它会影响临床质量、患者体验和内部流程。

所以 Philips 没有一上来就把 AI 包装成专家技能，而是先做 AI literacy，让更多人理解 AI 能做什么、不能做什么、该怎么安全尝试。他们先培训高级管理者，再让一线团队提出真实场景里的用法。

很多公司做 AI 培训，习惯从“教员工写 prompt”开始。这个当然有用，但它只能解决表层问题。真正影响采用率的，是员工有没有信心、有没有安全边界、有没有空间把 AI 用在自己的工作里。

如果一个员工心里想的是“我用了会不会出错？出错算谁的？公司到底允不允许？”，那他大概率只会拿 AI 做一些无关痛痒的事：润色邮件、总结公开资料、写点没人认真看的周报。

这不是工具能力的问题，是组织还没有给 AI 进入真实工作的条件。

很多人一听到治理、合规、法务，就觉得这是 AI 创新的阻力。

OpenAI 在 BBVA 的案例里给了一个相反的答案：治理如果设计得好，反而会让团队跑得更快（Governance as an enabler）。

BBVA 是全球银行，天然处在高监管行业。它不可能像一个小团队那样，看到新工具就直接开干。安全、法务、合规、IT 都绕不开。

但 BBVA 的关键做法是：这些部门从一开始就参与设计，而不是等产品做完之后再来审核。

很多企业 AI 项目最痛苦的地方，是业务团队先兴冲冲做了一个 demo，准备上线时才发现合规不同意、数据不能这样用、权限边界没想清楚。于是项目被打回，大家互相埋怨。

BBVA 反过来做。先把边界画清楚，再让团队在边界内跑。

OpenAI 提到一个具体数据：BBVA 在秘鲁做的内部助手，被 3000 多名员工采用，把平均查询处理时间从大约 7.5 分钟降到 1 分钟左右。

这不是“AI 很酷”的展示，而是一个非常朴素的信号：AI 真的改善了每天都要发生的工作。

当员工发现它能解决真实问题，而且公司已经把安全边界处理好，采用率自然会上来。更进一步，BBVA 现在正在把 ChatGPT Enterprise 推向全球 12 万多名员工。

这背后不是一次工具采购，而是一套组织信任机制。边界越清楚，团队越敢用；责任越清楚，速度反而越快。

OpenAI 总结的第三个模式是 Ownership over consumption。这句话有点绕，意思却很简单：不要只把员工当 AI 消费者，要让员工成为流程改造者。

很多公司的 AI 推广，停在“人人都可以用”这一层。听起来很民主，但它不一定能带来深层改变。员工只是把 AI 当成一个外部工具：原来怎么工作，现在还是怎么工作，只是在某些步骤里问一下 AI。

这就像给一辆老车装了一个新导航，确实方便了一点，但车本身还是那辆车。

Mirakl 是一家法国起家的企业级电商技术公司，成立于 2012 年，核心业务是帮助零售商、品牌商和 B2B 企业搭建 marketplace、dropship、商品目录管理、广告和支付等电商基础设施。

所以 Mirakl 的 AI 落地场景很重：商品目录要接入，客服要提效，内部技术文档要持续维护，供应商和平台之间有大量重复但不能出错的流程。

Mirakl 不只是推动员工使用 AI，而是给团队工具和自主权，让他们自己构建 Agent，重新设计工作流。

结果也很具体：

• 内部技术文档创建速度提升 70%
• 客服效率提升 37%
• catalog onboarding 加速 91%
• 客户满意度保持在 96%，错误率大约降到原来的一半。

这些数字背后的重点，不只是“AI 提效了多少”。它说明 AI 已经进入了业务流程。

技术文档、客服、商品目录接入，这些都不是单点小任务。它们是公司每天反复发生的工作链条。AI 一旦进入这种链条，价值就不再是帮某个人省 10 分钟，而是改变整个系统的运转方式。

很多公司真正缺的，是重新设计工作的勇气。

Scout24 的案例特别适合给所有急着上线 AI 产品的团队泼一盆冷水。

它做的是 AI 房产搜索。这个场景听起来很适合 AI：用户用自然语言描述需求，AI 帮你理解、筛选、推荐。

但 Scout24 没有急着把功能推给所有用户。OpenAI 提到，他们投入了大量精力做评估，建立自定义测试框架，还参考了 OpenAI Evals 的思路，通过内部测试找边界、校准信任。质量没达到标准，功能就延迟发布。

Quality before scale，这句话很普通，但在 AI 时代其实很稀缺。

现在很多 AI 产品喜欢先上线，再说自己会持续优化。问题是，某些场景里用户不会给你太多第二次机会。房产搜索、医疗、金融、代码生成、客服决策，都是这样。

AI 的问题往往更隐蔽：看起来合理，但其实错了；语气很自信，但依据不稳；流程跑通了，但结果偏了。

所以 Scout24 的经验可以总结成一句话：质量不是规模化之后自然出现的东西，它需要在规模化之前被定义清楚。

如果一个公司连“什么叫好”都说不清楚，接入 AI 以后，只会更快地产生一堆不知道好不好的东西。

这也是为什么 eval 会越来越重要。

以后企业用 AI，不会只问模型能不能回答，还会问：它在我们的场景里准不准？错的时候能不能被发现？哪些输出必须人工复核？质量低于什么标准就不能上线？

这些问题听起来不性感，但它们决定 AI 能不能真正进生产。

最后一个关键动作来自 JetBrains 的案例。

这家公司做开发工具，所以它看 AI 编程会比很多人更冷静。OpenAI 在指南里提到，JetBrains 并没有只把 AI 当成“生成更多代码”的机器。

因为开发者不只是写代码。开发者还要 review，要推理，要设计系统，要考虑可读性、可维护性和长期质量。

JetBrains 的观点很清楚：AI 应该支持这些高阶判断，帮助人把时间放在更有价值的决策上（Protecting judgment work）。

这点我觉得很关键。

现在谈 AI 提效，很容易滑向一个粗暴指标：更快，更多，更省人。但很多知识工作真正值钱的部分，不是产出速度，而是判断质量。

一个程序员的价值，不只是敲出多少行代码，还包括知道哪些代码不该写。一个产品经理的价值，不只是写多少需求文档，还包括判断什么需求值得做。医生、律师、分析师、研究员，也都是这样。

AI 可以帮人处理大量低价值步骤，让人从重复劳动里出来。但如果公司只把 AI 当成吞吐量机器，最后可能会得到一种很糟糕的结果：内容更多了，判断更少了；代码更多了，系统更脆了；决策更快了，但没人真正负责。

OpenAI 在指南里指出一个方向：企业正在从 individual productivity 走向 workflow-level automation，再走向 agents，同时保留 human oversight。也就是，从个人效率，到流程自动化，再到智能体协作，但人的监督和责任不能消失。

这才是企业 AI 的关键平衡。

OpenAI 还配套了一份 PDF AI 落地指南^[2] 里面用了一个词：capability gap（能力鸿沟）。意思是，AI 模型本身已经跑得很快，但大多数组织把 AI 变成稳定结果的能力，还没跟上。

过去两年，AI 叙事的中心是模型能力。谁的模型更强，谁的上下文更长，谁的推理更好，谁的代码能力更猛。

但今天，企业规模化落地 AI 的关键，已经从模型能力转向组织能力

OpenAI 在指南里反复强调三个词：trust、ownership、quality。翻译成人话就是：

• 员工敢不敢把重要工作交给 AI？
• 团队有没有权力改造自己的流程？
• 公司知不知道 AI 输出什么才算好？

如果这三个问题没有答案，AI 用得越多，组织反而越容易乱。

这件事对大公司重要，对小团队也一样重要。这些问题不回答，AI 很容易变成一种热闹的装饰。回答了，它才可能变成真正的工作系统。

以前公司拼的是谁更会用软件，接下来拼的是，谁能“接住” AI。

工具可以买，账号可以开，但这种能力，得自己长出来。