OpenAI企業AI論文中的零結果

OpenAI本週與哥倫比亞大學和沃頓商學院發佈了一篇工作論文，數據來自截至2026年3月的ChatGPT Enterprise遙測。摘要給出的頭條結果——採用AI後使用量增長七倍、採用者以大企業為主、任務分佈廣泛——並不讓人意外。但論文中真正值得花時間看的，是Table 2裏的一個係數：在企業規模與使用強度的迴歸中，第三項顯著為負，第四項卻是一個“零結果”。

具體而言，在已採用AI的企業中，員工人數越多，人均消息數、人均周活躍用户數和人均輸出Token數都顯著更低，係數分別為-0.266、-0.032和-0.667，且在1%水平上顯著。然而第四項指標——每名周活躍用户發送的消息數——的估計值幾乎是零（-0.002），標準誤差是估計值的四倍，統計上不顯著。換句話説，一家20萬人的公司與一家500人公司相比，那些真正在用的用户，其參與深度沒有差別。這個零結果意味着，大型企業的人均使用差距不是來自“用起來之後用得深不深”，而是來自“到底有多少人在用”。

如果把問題定義為參與度，你會去買培訓、優化提示詞、做內部佈道和用例庫——這正是當下整個enablement產業在做的事。但論文給出的證據是，這未必能解決普及率問題。更容易出現的情況是，你測量了參與度，卻以為它解釋了普及率。數據無法回答的是那些“沒有第二次登錄”的人為什麼不回來；而這個問題發生在所有培訓機制發揮作用之前，對圍繞入職後階段建立的產業來説是個尷尬的發現。

論文還考察了哪些因素預測企業是否率先採用AI。他們用2021財年的三類無形資產做預測：人均研發存量、人均資本化軟件、人均SG&A存量（作為組織與管理能力的粗略代理）。結果顯示，SG&A存量最強且最穩健；而物質資本密集度在控制規模後反而與採用負相關。也就是説，最早行動的企業不是技術最強或軟件資產最深的，而是那些早已在“重新設計工作方式”的管理職能上投入多年的公司。吸收新技術的能力與建設新技術的能力是兩種不同的資產。這也暗示一個令人不安的動態：如果最能吸收AI的企業恰好是最大、最有價值的公司，那麼模型的普遍可用並不會拉平差距，反而可能擴大它。

另一個值得內部審視的發現是，採用六個月後，使用強度與職級的關係和多數治理設計的假設相反：初級員工和受訓者比公司內平均活躍用户每週多發送約8到9條消息，高管、創始人和合夥人則更少。任務類型也沿同一條線分化：文檔和技術寫作覆蓋超過一半的活躍用户，是絕對主力；高管則集中在主題概覽、事實與數字、法律監管、財務税務等消費與綜合類任務上。這意味着最缺乏經驗的員工正在藉助模型大量生產書面材料，而最資深的員工在閲讀摘要，二者之間的審核層卻仍按“初級產出更慢、更費力”的時代設計。

論文還提示了一個監控盲點：法律、監管、財務和税務任務“覆蓋面廣但消息佔比小”。很多用户偶爾會用到，但如果組織按消息量監控——管理後台通常只能這樣做——這些類別恰恰是抽樣最少的，而它們出錯的代價又最高。此外，論文是一組相關性分析：只覆蓋ChatGPT Enterprise，不包含API、內部工具、其他供應商或個人賬户；非採用企業可能也在用AI，只是數據看不到；職位數據不完整；財務分析僅限美國上市公司；且用量不等於產出或生產力。作者也承認，用量高不代表價值高。其真正站得住的結論是：採用只是部署的開始。未來兩年的差距不會來自誰能訪問模型，而來自合同簽署後18個月裏組織如何消化它，而這個階段幾乎沒有被好好測量。