OpenAI 给管理层的 AI 采用五步法

很多公司谈 AI，第一反应还是“先找几个场景试试”。OpenAI 这份给管理层的指南更有意思的一点，是它几乎不讨论模型参数、Agent 架构或者供应商选型，而是直接把问题落到组织层面：AI 进展太快，真正拖慢公司的，通常不是技术本身，而是组织没有准备好。

报告开头给了几个很直白的信号：前沿规模模型的发布频率自 2022 年以来增长了 5.6x，GPT-3.5 级别模型的运行成本在 18 个月内下降了 280x，AI 的采用速度也比早年的桌面互联网快了 4x。更关键的是，OpenAI 引用的数据里还提到，先行采用 AI 的企业，收入增长速度已经达到同业的 1.5x。这份材料的目标很明确，不是证明 AI 值不值得做，而是回答管理层更现实的问题：如果已经知道要做，组织应该怎么跟上。

报告把 Align 放在第一步，这个顺序是对的。很多 AI 项目推不动，并不是因为员工抗拒新工具，而是大家根本不知道公司为什么要做、做到什么程度算成功、这件事和自己的日常工作有什么关系。

OpenAI 给出的做法并不复杂，但都很务实：

• 领导层要把“为什么现在必须做 AI”讲清楚
• 设一个全公司都能理解的 AI 采用目标
• 让高层公开示范自己怎么用 AI
• 让各业务负责人把 AI 和本部门的真实流程连起来

这里我最认同的是“公司级采用目标”这个动作。很多组织把 AI 当作创新项目，最后自然会变成局部试验；一旦把它写进年度规划、KPI 或日常工作预期，它才会从“有人在试”变成“这是新的工作方式”。报告里提到 Moderna 的 CEO 曾明确要求员工每天使用 ChatGPT 20 次，做法是否适合所有公司可以讨论，但它至少说明了一件事：管理层必须给出足够清楚的信号，组织才会真的动起来。

第二步 Activate 讲的是激活使用。这里的核心也很朴素：员工不是天然不会用 AI，他们更常见的问题是“不知道该怎么把 AI 用到自己那摊具体工作里”。

所以 OpenAI 的建议不是做一轮通识宣讲就结束，而是把训练设计成更贴近业务的支持系统：

• 做角色化、部门化的 AI 技能培训
• 建立内部 AI champion 网络，让先跑起来的人带动别人
• 给团队固定的实验时间，不要只靠下班后自发摸索
• 把 AI 使用和绩效、晋升、认可机制挂钩

这里有两个案例很值得记。一个是 San Antonio Spurs，把 AI fluency 从 14% 提升到了 85%，关键做法不是单独开课，而是把训练嵌进日常工作流。另一个是 Notion，用一次聚焦的 AI hackathon 做出了后来成为 Notion AI 的原型。两件事放在一起看，其实很说明问题：AI 采用要想扩大，靠的不是一次性动员，而是让员工反复在真实任务里用起来，并且看到它确实能带来结果。

第三步 Amplify 很像很多公司最容易忽略的一环。AI 项目往往不是没成果，而是成果散在各团队里，A 组调出来的 prompt、B 组摸出来的工作流、C 组踩过的坑，彼此看不见，最后每个团队都在重复起步。

OpenAI 的建议是把这些零散经验变成共享资产：

• 建一个单一入口的 AI knowledge hub
• 持续分享成功案例，而且要写清楚别人怎么复用
• 建内部社区，让 champion 和使用者持续交流
• 让团队主管在例会上常态化复盘 AI 带来的小改进

这一步听起来偏运营，但它决定了 AI 是否能从“几个明星团队的能力”变成“组织能力”。我比较赞同报告里的一个隐含判断：放大并不靠再做一个大项目，而是先把已有成果用更低成本复制出去。对大多数企业来说，这比继续追新模型更现实。

第四步 Accelerate 讲得很直接。很多公司口头上支持 AI，实际流程却还是老样子：申请工具要排队，拿数据要走长流程，项目从想法到试点再到生产没有清晰入口，最后大家只能在试点层面反复打转。

OpenAI 给的几个动作都指向同一件事，就是减少摩擦：

• 尽快打通工具和数据访问
• 建一个简单透明的 AI 项目 intake 与优先级流程
• 设立能拍板、能解阻塞的跨部门 AI council
• 对做出效率和业务结果的团队继续追加资源

这部分我最想保留的判断是，AI 转型不缺点子，缺的是把点子送进生产环境的通道。报告里提到 Estée Lauder 建了一个集中式 GPT Lab，收集了 1000+ 个员工想法，再把高价值用例原型化并推动落地；BBVA 则通过中央 AI 网络去筛选高价值项目、加快跨部门协作。两种路径其实说的是同一件事：组织要给 AI 项目一条短链路，而不是让每个团队自己撞流程墙。

最后一步 Govern 也写得很克制。报告没有把治理写成一套厚重的审批体系，而是强调“轻量、清晰、可执行”的 responsible AI playbook。它的思路是，治理应该帮助团队判断什么是 safe to try，什么需要升级处理，而不是让每件小事都重新走合规审查。

OpenAI 给出的做法主要有两条：

• 写一份简单、明确、面向实际工作的 AI 使用手册
• 按季度复查治理规则，看它有没有随着工具、风险和监管变化而更新

这背后的取舍我很认同。AI 项目如果没有治理，风险很快会反噬业务；但如果治理设计成新的瓶颈，团队又会重新回到“不做最安全”。所以治理最合理的状态，往往不是多加几层审批，而是把边界说清楚，把升级路径说清楚，让大多数低风险尝试可以在边界内快速发生。

这份报告的内容并不新潮，但胜在没有飘在半空。真要落地，我会优先抓四件事。

第一，先定义一个组织级目标，不一定像“每天用 20 次”这么激进，但至少要能衡量，比如周活、核心岗位覆盖率、重点场景落地数，或者从想法到生产的周期。

第二，把培训改成角色化支持。别再用统一大课解决所有人的问题，市场、销售、法务、工程、财务面对的 AI 工作流完全不同。

第三，尽快补一条项目快车道。没有 intake、优先级和拍板机制，再多 hackathon 最后也只是素材库。

第四，把治理写薄一点，但写清楚一点。员工最怕的不是有规则，而是不知道规则到底是什么。

我读完这份指南后最强的感受是，OpenAI 其实在提醒管理层一件很现实的事：AI 不再只是“新技术引入”，而是在改写组织怎么学习、怎么扩散经验、怎么做决策、怎么控制风险。

所以真正决定一家企业能不能跟上 AI 的，未必是它最先买了哪个模型，或者最早做了几个 demo，而是它有没有把这五件事补齐：先对齐方向，再激活使用，接着放大成果，然后压缩落地链路，最后用轻量治理把速度留住。

这听起来不性感，但很可能比继续追下一波 AI 热词更重要。