OpenAI 發布了一份名為《AI in the Enterprise》的報告，內容非常充實，包括如何將 AI 引入工作，AI 如何重塑新一代工作模式，AI 如何解鎖開發者能力，以及如何評估，微調模型。分享了與 7 家“前沿公司”合作的經驗教訓。不僅僅有技術展示，更有實打實的落地策略。第一時間啃完這份報告，給大家劃個重點

　　地址：

　　https://cdn.openai.com/business-guides-and-resources/ai-in-the-enterprise.pdf

　　OpenAI 觀察到，AI 正在三大前線為企業帶來顯著、可衡量的改進：

　　一是提升員工效能 (Workforce performance)，讓員工在更短時間內，產出更高質量的工作成果；

　　二是自動化日常運營 (Automating routine operations)，把人從重復性工作中解放出來，聚焦高價值任務；

　　三是賦能產品創新 (Powering products)，提供更相關、更快速響應的客戶體驗。

　　但要注意，用 AI 跟搞傳統軟件或云應用不是一回事。成功的公司往往把它視為一種新范式，擁抱實驗心態和迭代方法，這樣才能更快看到價值，并獲得用戶和決策者的支持

　　OpenAI 自身也采用迭代開發 (iterative development)的方式，快速部署、獲取反饋、持續改進模型性能和安全性。這意味著，合作企業能更早用上新技術，并且他們的反饋會直接影響 AI 的未來形態

　　七大核心經驗：來自前沿企業的實戰真經

　　報告總結了 7 條關鍵經驗，每條都配有具體案例，干貨滿滿：

　　Lesson 1: 從評估 (Evals) 開始，確保質量與安全

　　核心思想：在投入生產前，必須用系統化的評估流程來衡量 AI 模型在具體場景下的表現。這不僅是“測驗”，更是持續改進的基礎。

　　案例：摩根士丹利 (Morgan Stanley)

　　場景：金融服務，高度敏感和個性化。核心訴求是提升財務顧問效率

　　做法：對每個 AI 應用進行嚴格評估 (evals)，具體包括評估語言翻譯的準確性和質量；評估內容摘要的準確性、相關性和連貫性；以及將 AI 輸出與人類專家對比，評判準確性和相關性

　　效果：98% 的顧問每天使用 OpenAI；文檔信息獲取率從 20% 躍升至 80%，搜索時間大幅縮短；顧問有更多時間維護客戶關系，過去需要幾天的跟進，現在幾小時內完成

　　什么是 Evals？這是一個驗證和測試模型輸出的過程。嚴謹的 Evals 能確保應用穩定可靠，更能抵抗變化。它圍繞具體任務，對照基準（如準確度、合規性、安全性）來衡量模型輸出質量

　　Lesson 2: 將 AI 嵌入產品，創造新體驗

　　核心思想：利用 AI 處理海量數據、自動化繁瑣任務，從而創造更人性化、個性化的客戶體驗。

　　案例：Indeed (全球最大招聘網站)

　　場景：優化職位匹配，提升用戶體驗

　　做法：使用 GPT-4o mini 模型，不僅推薦職位，更重要的是向求職者解釋“為什么”這個職位適合他。AI 分析候選人背景和經驗，生成個性化的“邀請申請 (Invite to Apply)”理由

　　效果：對比舊引擎，新版職位申請發起率提升 20%，下游成功率（雇主更傾向于雇傭）提升 13%。考慮到 Indeed 每月發送超 2000 萬條信息、擁有 3.5 億月活用戶，這個提升的商業影響巨大

　　優化：為控制成本和提高效率（因為調用量大），OpenAI 協助 Indeed 微調了一個更小的 GPT 模型，在減少 60% token 消耗的情況下，達到了相似的效果。

　　Lesson 3: 立刻行動，盡早投資，享受復利

　　核心思想：AI 不是即插即用的方案，其價值通過迭代不斷增長。越早開始，組織從“知識復利”中獲益越多。

　　案例：Klarna (全球支付與購物平臺)

　　場景：優化客戶服務

　　做法：引入 AI 客服助手。通過持續測試和優化，幾個月內，AI 處理了三分之二的客服聊天，相當于數百名人工坐席的工作量，平均解決時間從 11 分鐘縮短到 2 分鐘

　　效果：預計帶來4000 萬美元的利潤提升，同時客戶滿意度與人工客服持平。更重要的是，90% 的 Klarna 員工在日常工作中使用 AI，全員對 AI 的熟悉加速了內部創新和客戶體驗的持續優化，AI 的效益在整個業務中實現了“復利增長”

　　Lesson 4: 定制與微調 (Fine-tune) 模型，釋放特定價值

　　核心思想：針對特定業務數據和需求定制或微調模型，能顯著提升 AI 應用的價值。

　　案例：Lowe's (家得寶)

　　場景：改善電商平臺的商品搜索準確性和相關性

　　挑戰：供應商眾多，產品數據不完整或不一致

　　做法：與 OpenAI 合作，微調 (fine-tuning) 模型。這不僅需要準確的產品描述和標簽，還需要理解不同品類下消費者搜索行為的動態變化

　　效果：產品標簽準確率提升 20%，錯誤檢測能力提升 60%

　　什么是 Fine-tuning？如果說 GPT 模型是“成衣”，那微調就是“量身定制”。用你獨有的數據（如產品目錄、內部 FAQ）訓練模型，讓它更懂你的業務術語、風格和場景，輸出更相關、更符合品牌調性的結果，同時減少人工編輯和核對，提升效率

　　Lesson 5: 把 AI 交到一線專家手中

　　核心思想：最了解業務流程和痛點的人，往往最能找到 AI 的用武之地。讓一線專家直接使用 AI，比構建通用方案更有效。

　　案例：BBVA (西班牙對外銀行)

　　場景：在全球超過 12.5 萬員工中推廣 AI 應用

　　做法：與法務、合規、IT 安全團隊緊密合作，確保負責任使用的前提下，在全球范圍內部署了 ChatGPT Enterprise。然后，鼓勵員工自行探索應用場景，創建定制化的 GPTs (Custom GPTs)

　　效果：5 個月內，員工創建了超過2900 個定制 GPTs，將許多項目和流程的時間線從幾周縮短到幾小時。應用遍及多個領域：信貸風險團隊用它更快更準地評估信用；法務團隊用它每年回答 4 萬個關于政策、合規等問題；客戶服務團隊則用它自動化 NPS 調研的情感分析。AI 的成功應用已擴展到市場、風險管理、運營等更多領域

　　Lesson 6: 為開發者“松綁”，加速創新

　　核心思想：開發者資源是許多組織的創新瓶頸。利用 AI 構建開發平臺層，可以統一和加速 AI 應用的構建。

　　案例：Mercado Libre (拉美最大電商和金融科技公司)

　　場景：解決工程團隊不堪重負、創新緩慢的問題

　　做法：與 OpenAI 合作，基于 GPT-4o 和 GPT-4o mini 構建了一個名為 "Verdi" 的開發平臺層。該平臺整合了語言模型、Python 節點和 API，以自然語言為核心交互方式，幫助其1.7 萬名開發者更快、更一致地構建高質量 AI 應用，而無需深入源代碼。安全、護欄和路由邏輯都內置其中

　　效果：AI 應用開發顯著加速，賦能多項業務，例如通過 GPT-4o mini Vision 提升庫存能力 100 倍；將欺詐檢測準確率提高到近 99%；定制化產品描述以適應不同方言；通過自動化評論摘要增加訂單；并個性化通知以提高參與度

　　未來：計劃用 Verdi 優化物流，減少延遲交付，并在全組織內承擔更多高影響力任務

　　Lesson 7: 設定大膽的自動化目標

　　核心思想：許多流程中都存在大量重復性工作，是自動化的沃土。不要滿足于低效現狀，要敢于設定高遠目標。

　　案例：OpenAI 自身

　　場景：內部支持團隊耗費大量時間在訪問系統、理解問題、撰寫回復和執行操作上

　　做法：構建了一個內部自動化平臺，疊加在現有工作流和系統之上，自動化重復工作，加速洞察和行動。首個用例是在 Gmail 之上工作，自動起草客戶回復并觸發后續動作（如訪問客戶數據、知識庫，更新賬戶，創建工單）

　　效果：該平臺每月處理數十萬個任務，釋放人力從事更高價值的工作。該系統正推廣到其他部門。

　　這些案例的共同點是：開放、實驗的心態，嚴謹的評估，以及安全護欄。成功的企業并非一蹴而就地將 AI 注入所有流程，而是先聚焦高回報、低門檻的場景，通過迭代學習，再將經驗推廣到新領域

　　結果顯而易見：更快的流程、更高的準確性、更個性化的體驗，以及更有價值感的工作。

　　OpenAI 還觀察到新趨勢：企業開始集成 AI 工作流，利用工具、資源和智能體 (Agents)來自動化日益復雜的流程。報告中提到了Operator，能自主瀏覽網頁、點擊按鈕、填寫表單、跨系統工作的“虛擬員工”，無需定制集成或 API，就能實現端到端的自動化。例如：自動化軟件測試和 QA，像真實用戶一樣交互并標記 UI 問題；以及在沒有技術指令或 API 連接的情況下，代表用戶更新記錄系統

　　希望 OpenAI 分享的這些經驗，能給你帶來一些啟發

　　參考：

　　https://cdn.openai.com/business-guides-and-resources/ai-in-the-enterprise.pdf