编者按企业AI正在经历从“部门试用”到“全员标配”的关键跨越。Uber的这次决定或许会成为2026年企业软件采购风向的标志性事件。3万人一起用Uber把ChatGPT Work推向全员据TechCrunch报道出行巨头Uber宣布将ChatGPT Work部署至公司全部约3万名员工。此前Uber仅在一个规模较小的团队中开展了试点项目用以评估这款企业级AI智能体在真实工作场景中的表现。试点结束后Uber没有选择继续观望而是直接将服务扩展至全公司。这一决定的份量在于“全员”二字。企业采购AI工具并不新鲜但多数公司仍停留在几十人或数百人的试点阶段担心数据泄露、输出不可靠、员工不使用、投资回报难以量化。Uber把3万人一次性纳入相当于用组织规模为ChatGPT Work投下信任票。ChatGPT Work是什么为什么企业在意ChatGPT Work也称ChatGPT Enterprise是OpenAI面向企业客户推出的版本。与消费版相比它通常强调几件事企业数据不被用于训练基础模型、更高的安全与合规标准、更长的上下文窗口、管理后台与使用分析以及可连接内部知识库和业务系统的工作流能力。换句话说它不只是一个“更聪明的聊天框”而是试图成为嵌入企业流程的AI智能体可以读取会议纪要、生成营销文案、辅助代码审查、整理客服工单甚至在授权范围内调用内部工具完成多步任务。对Uber这样业务横跨出行、外卖、货运和广告的公司而言这种“通用助手企业治理”的组合具有天然吸引力。试点之后为什么Uber选择加速原文并未披露试点覆盖的具体部门与量化结果但从行业惯例看企业级AI试点通常围绕三类指标评估效率提升如文档处理时间、工单响应速度、质量改善如代码缺陷率、内容一致性以及风险可控性如数据访问边界、审计日志。当试点证明“可用且可控”剩余的问题就变成组织推广成本。Uber的选择也与其业务结构有关。平台型公司拥有大量标准化程度较高的知识工作司机与乘客支持、政策解释、运营分析、本地化内容、内部培训材料等。这些场景恰好是生成式AI擅长的领域。将工具交给全员能让各团队自行探索用例形成“自下而上”的AI应用扩散而不是仅靠中央团队推动。企业AI竞赛进入“规模化验证”阶段Uber的动作放在更大的行业图景中并不孤立。微软把Copilot嵌入Office与WindowsGoogle将Gemini引入WorkspaceAnthropic力推Claude EnterpriseSalesforce、ServiceNow等SaaS厂商也在把智能体塞进自己的工作流产品。企业AI的竞争焦点正从“模型能力”转向“部署规模”与“组织渗透率”。谁能率先让数万名员工每天真实使用AI谁就更有机会积累流程数据、打磨智能体、建立使用习惯——这比单次模型评测分数更能决定企业市场的胜负。在这个意义上Uber的全员部署既是采购行为也是一次组织实验。它要回答的问题不是“AI能不能写邮件”而是“当3万人同时拥有AI助手公司的知识流动、决策方式和岗位分工会发生什么变化”。风险不会因为全员推广而消失当然规模越大治理难度越高。数据权限如何与员工角色精准匹配、敏感信息如何防止被粘贴进对话、AI生成内容出现错误时责任如何界定、员工是否会把工具当成“万能答案”而削弱判断力这些都是全员部署必须面对的问题。此外投资回报的衡量也不容易。AI助手带来的时间节省往往分散在无数个小任务中难以直接折算成财务数字。Uber若要证明这笔投入合理可能需要建立更细的使用分析体系把工具使用与业务指标如支持解决率、内容产出周期、工程交付效率关联起来。结语Uber把3万名员工送上ChatGPT Work传递出的信号很明确企业AI已经越过“要不要用”的阶段进入“如何规模化用好”的阶段。接下来值得关注的不只是Uber内部的使用数据还有多少公司会跟随这一脚步把AI助手从试点项目变成像邮箱一样的基础设施。本文编译自TechCrunch。本文首发于赢政天下 获取更多深度技术内容与资源欢迎访问官网。
编者按企业AI正在经历从“部门试用”到“全员标配”的关键跨越。Uber的这次决定或许会成为2026年企业软件采购风向的标志性事件。3万人一起用Uber把ChatGPT Work推向全员据TechCrunch报道出行巨头Uber宣布将ChatGPT Work部署至公司全部约3万名员工。此前Uber仅在一个规模较小的团队中开展了试点项目用以评估这款企业级AI智能体在真实工作场景中的表现。试点结束后Uber没有选择继续观望而是直接将服务扩展至全公司。这一决定的份量在于“全员”二字。企业采购AI工具并不新鲜但多数公司仍停留在几十人或数百人的试点阶段担心数据泄露、输出不可靠、员工不使用、投资回报难以量化。Uber把3万人一次性纳入相当于用组织规模为ChatGPT Work投下信任票。ChatGPT Work是什么为什么企业在意ChatGPT Work也称ChatGPT Enterprise是OpenAI面向企业客户推出的版本。与消费版相比它通常强调几件事企业数据不被用于训练基础模型、更高的安全与合规标准、更长的上下文窗口、管理后台与使用分析以及可连接内部知识库和业务系统的工作流能力。换句话说它不只是一个“更聪明的聊天框”而是试图成为嵌入企业流程的AI智能体可以读取会议纪要、生成营销文案、辅助代码审查、整理客服工单甚至在授权范围内调用内部工具完成多步任务。对Uber这样业务横跨出行、外卖、货运和广告的公司而言这种“通用助手企业治理”的组合具有天然吸引力。试点之后为什么Uber选择加速原文并未披露试点覆盖的具体部门与量化结果但从行业惯例看企业级AI试点通常围绕三类指标评估效率提升如文档处理时间、工单响应速度、质量改善如代码缺陷率、内容一致性以及风险可控性如数据访问边界、审计日志。当试点证明“可用且可控”剩余的问题就变成组织推广成本。Uber的选择也与其业务结构有关。平台型公司拥有大量标准化程度较高的知识工作司机与乘客支持、政策解释、运营分析、本地化内容、内部培训材料等。这些场景恰好是生成式AI擅长的领域。将工具交给全员能让各团队自行探索用例形成“自下而上”的AI应用扩散而不是仅靠中央团队推动。企业AI竞赛进入“规模化验证”阶段Uber的动作放在更大的行业图景中并不孤立。微软把Copilot嵌入Office与WindowsGoogle将Gemini引入WorkspaceAnthropic力推Claude EnterpriseSalesforce、ServiceNow等SaaS厂商也在把智能体塞进自己的工作流产品。企业AI的竞争焦点正从“模型能力”转向“部署规模”与“组织渗透率”。谁能率先让数万名员工每天真实使用AI谁就更有机会积累流程数据、打磨智能体、建立使用习惯——这比单次模型评测分数更能决定企业市场的胜负。在这个意义上Uber的全员部署既是采购行为也是一次组织实验。它要回答的问题不是“AI能不能写邮件”而是“当3万人同时拥有AI助手公司的知识流动、决策方式和岗位分工会发生什么变化”。风险不会因为全员推广而消失当然规模越大治理难度越高。数据权限如何与员工角色精准匹配、敏感信息如何防止被粘贴进对话、AI生成内容出现错误时责任如何界定、员工是否会把工具当成“万能答案”而削弱判断力这些都是全员部署必须面对的问题。此外投资回报的衡量也不容易。AI助手带来的时间节省往往分散在无数个小任务中难以直接折算成财务数字。Uber若要证明这笔投入合理可能需要建立更细的使用分析体系把工具使用与业务指标如支持解决率、内容产出周期、工程交付效率关联起来。结语Uber把3万名员工送上ChatGPT Work传递出的信号很明确企业AI已经越过“要不要用”的阶段进入“如何规模化用好”的阶段。接下来值得关注的不只是Uber内部的使用数据还有多少公司会跟随这一脚步把AI助手从试点项目变成像邮箱一样的基础设施。本文编译自TechCrunch。本文首发于赢政天下 获取更多深度技术内容与资源欢迎访问官网。
平方复杂度无法被常规优化消除｜TaoToken 统一 Key 通道实测)
