OpenAI 发布了一份名为《AI in the Enterprise》的报告，内容非常充实，包括如何将 AI 引入工作，AI 如何重塑新一代工作模式，AI 如何解锁开发者能力，以及如何评估，微调模型。分享了与 7 家“前沿公司”合作的经验教训。不仅仅有技术展示，更有实打实的落地策略。第一时间啃完这份报告，给大家划个重点

地址：

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

OpenAI 观察到，AI 正在三大前线为企业带来显著、可衡量的改进：

一是提升员工效能 (Workforce performance)，让员工在更短时间内，产出更高质量的工作成果；

二是自动化日常运营 (Automating routine operations)，把人从重复性工作中解放出来，聚焦高价值任务；

三是赋能产品创新 (Powering products)，提供更相关、更快速响应的客户体验。

但要注意，用 AI 跟搞传统软件或云应用不是一回事。成功的公司往往把它视为一种新范式，拥抱实验心态和迭代方法，这样才能更快看到价值，并获得用户和决策者的支持

OpenAI 自身也采用迭代开发 (iterative development)的方式，快速部署、获取反馈、持续改进模型性能和安全性。这意味着，合作企业能更早用上新技术，并且他们的反馈会直接影响 AI 的未来形态

七大核心经验：来自前沿企业的实战真经

报告总结了 7 条关键经验，每条都配有具体案例，干货满满：

Lesson 1: 从评估 (Evals) 开始，确保质量与安全

核心思想：在投入生产前，必须用系统化的评估流程来衡量 AI 模型在具体场景下的表现。这不仅是“测验”，更是持续改进的基础。

案例：摩根士丹利 (Morgan Stanley)

场景：金融服务，高度敏感和个性化。核心诉求是提升财务顾问效率

做法：对每个 AI 应用进行严格评估 (evals)，具体包括评估语言翻译的准确性和质量；评估内容摘要的准确性、相关性和连贯性；以及将 AI 输出与人类专家对比，评判准确性和相关性

效果：98% 的顾问每天使用 OpenAI；文档信息获取率从 20% 跃升至 80%，搜索时间大幅缩短；顾问有更多时间维护客户关系，过去需要几天的跟进，现在几小时内完成

什么是 Evals？ 这是一个验证和测试模型输出的过程。严谨的 Evals 能确保应用稳定可靠，更能抵抗变化。它围绕具体任务，对照基准（如准确度、合规性、安全性）来衡量模型输出质量

Lesson 2: 将 AI 嵌入产品，创造新体验

核心思想：利用 AI 处理海量数据、自动化繁琐任务，从而创造更人性化、个性化的客户体验。

案例：Indeed (全球最大招聘网站)

场景：优化职位匹配，提升用户体验

做法：使用 GPT-4o mini 模型，不仅推荐职位，更重要的是向求职者解释“为什么”这个职位适合他。AI 分析候选人背景和经验，生成个性化的“邀请申请 (Invite to Apply)”理由

效果：对比旧引擎，新版职位申请发起率提升 20%，下游成功率（雇主更倾向于雇佣）提升 13%。考虑到 Indeed 每月发送超 2000 万条信息、拥有 3.5 亿月活用户，这个提升的商业影响巨大

优化：为控制成本和提高效率（因为调用量大），OpenAI 协助 Indeed 微调了一个更小的 GPT 模型，在减少 60% token 消耗的情况下，达到了相似的效果。

Lesson 3: 立刻行动，尽早投资，享受复利

核心思想：AI 不是即插即用的方案，其价值通过迭代不断增长。越早开始，组织从“知识复利”中获益越多。

案例：Klarna (全球支付与购物平台)

场景：优化客户服务

做法：引入 AI 客服助手。通过持续测试和优化，几个月内，AI 处理了三分之二的客服聊天，相当于数百名人工坐席的工作量，平均解决时间从 11 分钟缩短到 2 分钟

效果：预计带来 4000 万美元的利润提升，同时客户满意度与人工客服持平。更重要的是，90% 的 Klarna 员工在日常工作中使用 AI，全员对 AI 的熟悉加速了内部创新和客户体验的持续优化，AI 的效益在整个业务中实现了“复利增长”

Lesson 4: 定制与微调 (Fine-tune) 模型，释放特定价值

核心思想：针对特定业务数据和需求定制或微调模型，能显著提升 AI 应用的价值。

案例：Lowe’s (家得宝)

场景：改善电商平台的商品搜索准确性和相关性

挑战：供应商众多，产品数据不完整或不一致

做法：与 OpenAI 合作，微调 (fine-tuning) 模型。这不仅需要准确的产品描述和标签，还需要理解不同品类下消费者搜索行为的动态变化

效果：产品标签准确率提升 20%，错误检测能力提升 60%

什么是 Fine-tuning？ 如果说 GPT 模型是“成衣”，那微调就是“量身定制”。用你独有的数据（如产品目录、内部 FAQ）训练模型，让它更懂你的业务术语、风格和场景，输出更相关、更符合品牌调性的结果，同时减少人工编辑和核对，提升效率

Lesson 5: 把 AI 交到一线专家手中

核心思想：最了解业务流程和痛点的人，往往最能找到 AI 的用武之地。让一线专家直接使用 AI，比构建通用方案更有效。

案例：BBVA (西班牙对外银行)

场景：在全球超过 12.5 万员工中推广 AI 应用

做法：与法务、合规、IT 安全团队紧密合作，确保负责任使用的前提下，在全球范围内部署了 ChatGPT Enterprise。然后，鼓励员工自行探索应用场景，创建定制化的 GPTs (Custom GPTs)

效果：5 个月内，员工创建了超过 2900 个定制 GPTs，将许多项目和流程的时间线从几周缩短到几小时。应用遍及多个领域：信贷风险团队用它更快更准地评估信用；法务团队用它每年回答 4 万个关于政策、合规等问题；客户服务团队则用它自动化 NPS 调研的情感分析。AI 的成功应用已扩展到市场、风险管理、运营等更多领域

Lesson 6: 为开发者“松绑”，加速创新

核心思想：开发者资源是许多组织的创新瓶颈。利用 AI 构建开发平台层，可以统一和加速 AI 应用的构建。

案例：Mercado Libre (拉美最大电商和金融科技公司)

场景：解决工程团队不堪重负、创新缓慢的问题

做法：与 OpenAI 合作，基于 GPT-4o 和 GPT-4o mini 构建了一个名为 “Verdi” 的开发平台层。该平台整合了语言模型、Python 节点和 API，以自然语言为核心交互方式，帮助其 1.7 万名开发者更快、更一致地构建高质量 AI 应用，而无需深入源代码。安全、护栏和路由逻辑都内置其中

效果：AI 应用开发显著加速，赋能多项业务，例如通过 GPT-4o mini Vision 提升库存能力 100 倍；将欺诈检测准确率提高到近 99%；定制化产品描述以适应不同方言；通过自动化评论摘要增加订单；并个性化通知以提高参与度

未来：计划用 Verdi 优化物流，减少延迟交付，并在全组织内承担更多高影响力任务

Lesson 7: 设定大胆的自动化目标

核心思想：许多流程中都存在大量重复性工作，是自动化的沃土。不要满足于低效现状，要敢于设定高远目标。

案例：OpenAI 自身

场景：内部支持团队耗费大量时间在访问系统、理解问题、撰写回复和执行操作上

做法：构建了一个内部自动化平台，叠加在现有工作流和系统之上，自动化重复工作，加速洞察和行动。首个用例是在 Gmail 之上工作，自动起草客户回复并触发后续动作（如访问客户数据、知识库，更新账户，创建工单）

效果：该平台每月处理数十万个任务，释放人力从事更高价值的工作。该系统正推广到其他部门。

写在最后

这些案例的共同点是：开放、实验的心态，严谨的评估，以及安全护栏。成功的企业并非一蹴而就地将 AI 注入所有流程，而是先聚焦高回报、低门槛的场景，通过迭代学习，再将经验推广到新领域

结果显而易见：更快的流程、更高的准确性、更个性化的体验，以及更有价值感的工作。

OpenAI 还观察到新趋势：企业开始集成 AI 工作流，利用工具、资源和智能体 (Agents) 来自动化日益复杂的流程。报告中提到了 Operator ，能自主浏览网页、点击按钮、填写表单、跨系统工作的“虚拟员工”，无需定制集成或 API，就能实现端到端的自动化。例如：自动化软件测试和 QA，像真实用户一样交互并标记 UI 问题；以及在没有技术指令或 API 连接的情况下，代表用户更新记录系统

希望 OpenAI 分享的这些经验，能给你带来一些启发

参考：

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