摘要
- OpenAI在企业信号报告中披露,使用率排名前10%的企业人均活跃用户Token使用量是普通企业的8.3倍,较1月的2.6倍明显扩大
- Basis将新员工入职时间从2小时缩短到30分钟,Clay则通过按账户配置的子智能体,每晚为员工节省约1小时的收件箱整理时间
- Exa Labs让Codex从发掘集成机会、撰写PR到测试、准备周报全程包办,但上线前的审核仍由人工把关
根据OpenAI近期公布的企业信号报告,AI使用率位居前10%的头部企业,人均活跃用户产出的Token量达到普通企业的8.3倍。而在今年1月,这一差距还只有2.6倍——短短半年时间,差距几乎扩大了三倍。OpenAI解释称,这种鸿沟并不只是"用得更多"那么简单,真正的分水岭在于企业把公司内部信息和工具与智能体绑定的深度,以及愿意交给智能体多少实质性工作。
差距为何扩大到三倍
OpenAI此次公布的指标以2025年4月为基准值(记为1倍),此后每月追踪每位活跃用户产出的输出Token量指数。截至2026年6月,头部企业的指数已升至17.1倍,普通企业则为2.1倍,两者相除便得出8.3倍的差距。OpenAI指出,这种差异不是简单的用量增长,而是体现在运营方式的转变上:把智能体与公司内部信息、工具打通,交付更重的任务,并让跑通的工作流程可以反复复用。
OpenAI举出三家初创公司作为这一趋势的例证:为会计师事务所打造AI智能体的Basis、为销售与市场营销团队打造自动化引擎的Clay,以及为AI智能体构建网页搜索基础设施的Exa Labs。这三家公司所在行业各不相同,但做法却颇为相似——先让智能体学会一套稳定的流程,再随着任务变化不断补充上下文信息,最后让智能体把发现的机会转化为经过验证的执行结果。
Basis:把新人入职做成可教授的流程
在Basis,新员工第一天的入职流程过去要花2小时,现在只需30分钟。员工入职当天就能直接使用Codex和公司专属的入职技能包,由Codex亲自完成欢迎介绍、讲解核心概念,并在后台处理账号关联等设置工作。一旦出现重复出现的疑问或特殊情况,人力资源团队可以立即修改技能包内容,供下一批新人使用。这样一来,入职流程不再依赖某一个人的日程安排,而遇到特殊问题时仍有人工介入。
Clay:为分散的销售信息找到归处
Clay要解决的问题很常见——促成一笔交易所需的信息分散在CRM、邮件、Slack、通话记录、演示文稿、短信以及内部团队沟通当中。Clay的一位GTM工程师尝试为每个客户账户配置常驻工作区和专属子智能体。子智能体会在夜间梳理一手资料并更新交易文件夹,到了早上,协调智能体再把这些更新整理成优先级列表。据Clay透露,这套工作流程让每晚整理收件箱的时间减少了约1小时,而且每条推荐建议都始终附带一手资料来源,方便销售人员在采取行动前自行核实依据。
Exa Labs:把发现的机会转化为经过验证的执行
Exa Labs打造面向AI智能体的搜索API,提出了"Exa everywhere"的目标,希望在开发者活跃的每一个角落都接入自家API。过去,开发者关系团队和客户团队需要亲自翻查代码仓库和生态系统,寻找有潜力的集成机会;而现在,Codex会持续监控优先级较高的集成机会,收集相关背景信息,创建拉取请求(PR),运行测试,并基于Slack和Notion上的资料准备周报。如有需要,它甚至会起草公告文案交给团队审阅。不过,哪些机会真正重要、要做出什么样的承诺、如何维系外部关系,这些决策权仍然掌握在人手中。
三个案例的共同结构
| 公司 | 智能体承担的工作 | 上下文信息来源 | 人工介入环节 |
|---|---|---|---|
| Basis | 新人入职指引、账号关联 | 公司专属入职技能包 | 特殊问题解答、技能包修订 |
| Clay | 梳理交易信息、给出优先级建议 | CRM、邮件、Slack、通话记录 | 执行前核实依据 |
| Exa Labs | 发掘集成机会、撰写PR、测试 | 代码仓库、Slack、Notion | 上线前审核与批准 |
三家公司都有一个共同点:把每一次出现的特殊情况当作打磨下一次执行的养分。Basis靠反复出现的特殊问题来修订技能包,Clay靠新账户动态和销售人员的核实来保持信息更新,Exa Labs则靠测试结果和人工审核来不断收窄下一次执行的边界。
企业现在可以做的事
针对这一趋势,OpenAI给企业管理者提出了可参考的六个步骤:选定一项成效明显、重复频率高的工作;为这项工作设定目标和衡量标准(周期、质量、成本、风险);明确智能体何时启动任务、何时该停下交由人工审核;厘清围绕智能体的人员分工(业务成果、访问权限、落地责任);把实验成果重新打包成技能包、插件或共享工作区以便复用;将跑通的运营模式推广到下一项工作。OpenAI同时引用了自家的研究数据:在推行六个月后,入职不满一年的员工每周发给ChatGPT的消息数比高管还多出13条,以此强调"给员工试错空间"反而能带来更好的成效。
此前OpenAI通过ChatGPT Work内部演示公开:从会议简报到战略PPT这篇教程,展示了如何把Work模式应用到销售、市场营销和战略工作中,与这次的趋势也是一脉相承。
编辑视角
这份差距报告绝不只是一份现状汇报。当OpenAI说头部企业的Token用量是普通企业的8.3倍时,这也意味着它们在Codex和Work上的订阅费用同样水涨船高。因此,这次发布与"让智能体深度嵌入业务场景"的产品战略高度契合——OpenAI选中的这三家初创公司,无一例外都把Codex或ChatGPT当作核心执行工具,这绝非巧合。
对亲历过早期ERP、CRM系统推广的人来说,这种模式并不陌生。当年只有少数部门深度使用系统,其余部门只是浅尝辄止,几年之后,这种差距就演变成了组织竞争力的差距。智能体的普及似乎正沿着同样的曲线演进——只不过这一次速度快得多,半年时间差距就扩大了三倍,这是最大的不同。
对国内企业来说,有一条实用的参考标准:不要把Token用量本身当作KPI,而应该用入职耗时、收件箱整理时间、PR处理数量这类具体业务指标来衡量成效。正如Basis和Clay的案例所示,自动化不该一上来就铺开整个组织,而应从一项重复频率高的工作切入;从一开始就把"特殊情况"设计成改进技能包的养料,后续才能省心省力。
可以预见,未来几个月OpenAI很可能会以这类差距数据为依据,按企业规模进一步细化Work和插件的定价方案,并将Codex的常驻监控功能推广到更多行业案例中。差距越大,OpenAI就越有理由持续推出面向落后企业的咨询型内容,帮助它们迎头赶上。
评论