OpenAI 这组企业数据让我改了一个判断：AI 落地的分水岭已经不是“有没有账号”，而是有没有把个人用法变成共享工作流
OpenAI 8 月 12 日发布了一组企业使用数据。
里面最吸引眼球的数字很多：
截至 6 月，
Codex 占企业客户 Codex + ChatGPT 输出 Token 的 64%
“前沿企业”——每月 AI 使用量排名前 10% 的公司——每个活跃用户生成的输出 Token，是典型企业的：
8.3 倍
而 1 月这个差距还是：
2.6 倍
还有一组更意外的数据。
从 2 月以来，企业 Codex 周活用户增长：
Legal：108×
Sales：41×
Recruiting：41×
Marketing：26×
Engineering：5×
如果只看标题，很容易得出一个结论：
AI 正在爆发。
但我看完这组数据以后，真正改变的是另一个判断：
企业之间的 AI 差距，正在从“有没有模型”变成“能不能把有效个人用法扩散成组织工作流”。
同一家模型、差不多的许可证、相似的员工规模，最后能拉开 8.3 倍使用深度，说明模型本身已经不是唯一变量。
“买了账号”这一步越来越没有区分度
2024 年很多 AI 项目还能以：
公司给员工开通了企业版
作为数字化成果。
到了 2026 年，这件事的区分度已经非常低。
因为大多数公司都可以获得：
- Chat；
- Coding Agent；
- 文件；
- 搜索；
- 企业连接；
- Tool；
- Plugin；
- Skill。
真正的差距变成：
员工是否知道什么时候该用
有没有现成工作流
能不能接企业数据
有没有权限
结果是否能直接进入下一步业务流程
账号只是入口。
Workflow 才是产能。
为什么 64% 的输出 Token 来自 Codex 值得看
这个数字不能简单解释成：
64% 的企业员工都在写代码。
不是。
Agentic Workflow 天生会产生更多输出：
读文件
写文件
调用工具
生成 Patch
运行测试
修复
继续执行
所以 Token 占比既反映使用频率，也反映任务深度。
它更像是在说明：
企业 AI 正在从“一问一答”
走向“委派执行”
以前员工说：
帮我写一封邮件。
现在开始说：
读一下这几个客户历史，
找出续约风险，
生成跟进方案，
把结果整理成表格。
后者才是 Agent。
更意外的是 Legal 108×
工程一直被认为是 Coding Agent 最自然的应用场景。
但 OpenAI 的数据里，2 月以来增长最快的居然是 Legal：
108×
Sales 和 Recruiting：
41×
Engineering：
5×
这不代表法务的绝对使用量一定超过工程。
它反映的是：
Agent 已经开始从“程序员工具”向知识工作流程扩散。
这对企业做 AI 平台有一个直接影响。
如果你的 Agent 平台只能：
读 Git
写代码
跑命令
它很快就不够了。
下一层会需要：
CRM
合同
文档库
招聘系统
财务系统
工单
BI
邮件
日历
而这时 Tool 权限和业务治理会比 Prompt 更难。
21% vs 9%，说明“高级能力”才是真正的使用深度
OpenAI 把高使用企业叫 frontier firms。
这些企业里，每周活跃用户使用 Plugins 的比例：
21%
典型企业：
9%
Skills：
19%
vs
3%
这组数据比“每天多少消息”更有意思。
因为 Plugin 和 Skill 代表的是：
把 AI 接到组织上下文、工具和可重复流程
一个人每天问 ChatGPT 50 次，和一个 Agent 能直接读取 CRM、套用销售方法、生成可审查方案，是完全不同的生产方式。
OpenAI 自己的 Plugin 周使用率是 95%
这组数据更极端。
OpenAI 内部活跃用户中，每周使用 Plugin 的比例达到：
95%
当然，OpenAI 不是典型企业，不能直接拿来要求所有公司。
但它至少说明：
“连接工具和上下文”
不是高级用户的偶尔玩法
在足够成熟的组织里，它可以成为默认工作方式。
我现在会把企业 AI 成熟度分成五层
第一层：
个人问答
员工自己写 Prompt。
第二层：
模板化
公司有 Prompt Library、固定模板。
第三层：
连接上下文
AI 能读取企业文档、项目、客户和系统。
第四层：
执行工作流
AI 能调用 Tool、创建 Artifact、推进任务。
第五层：
组织复用
一个员工跑通的 Workflow 能被其他人直接使用，并且有 Owner、版本、权限、评测和成本。
我觉得现在真正拉开差距的是第四、第五层。
为什么很多“AI 使用率很高”的公司仍然没有明显 ROI
因为统计的是：
DAU
MAU
Message Count
这些指标都能被“聊天”刷高。
真正应该看的是：
Completed Workflow
Task Success
Human Minutes Saved
Cost per Successful Task
Adoption by Workflow
Reuse Rate
例如销售部门：
ChatGPT 月活 90%
这并不告诉你 AI 有没有真的改变工作。
更有意义的是：
续约分析 Workflow：
每周 420 次
成功率 91%
平均节省人工 18 分钟
被 37 名销售复用
这才开始像组织能力。
一个好用法如果只能存在某个人脑子里，价值很有限
很多公司其实已经有大量 AI 高手。
问题是他们的 Workflow 长这样：
张三知道：
先打开 CRM
复制三段数据
再去某个文档
用自己那条 800 字 Prompt
然后把结果改一下
张三很高效。
公司没有变高效。
因为知识只存在：
张三脑子里
真正值得平台化的是把它变成：
sales-renewal-review-v4
输入：
customer_id
Tools：
crm.read
contract.read
support.search
Skill：
renewal-playbook-v7
输出：
renewal-risk.json
任何授权销售都能跑。
这才叫 Workflow Diffusion。
我会专门跟踪“个人工作流转公共工作流”的转化率
比如：
个人 Agent/Prompt：1200 个
被复用 ≥ 5 人：180 个
进入团队目录：60 个
正式生产 Workflow：22 个
然后计算：
Workflow Promotion Rate
这比 Prompt 数量更有价值。
因为 Prompt 越多不一定越成熟。
有时候只是：
重复建设
为什么早期员工使用更多也值得注意
OpenAI 的数据里，企业采用六个月后，early-career 员工每周比 executive 多发：
13 条消息
这和很多调查里“高管最积极用 AI”的结论不一样。
我觉得很合理。
高管可以很积极地谈 AI。
真正每天要：
写材料
找资料
改表
做分析
整理客户
写代码
的员工，更容易形成高频 Workflow。
企业真正应该做的不是让老板天天发“大家要拥抱 AI”。
而是找到公司里已经用得特别深的人，把他们的工作方式提取出来。
我会做一个 AI Workflow Mining
步骤很简单。
第一步，找：
高频用户
第二步，不问：
“你觉得 AI 好不好？”
直接问：
你每周重复让 AI 做哪 5 件事？
第三步记录：
输入是什么
需要哪些系统
人工会改什么
失败通常在哪
输出去了哪里
第四步判断哪些值得产品化。
一个 Workflow 值不值得平台化，我会看四个数
Frequency
Repeatability
Business Value
Verification
高频、重复、价值高、可验证的优先。
例如：
每周 500 次
流程基本固定
结果可以核验
非常值得。
如果：
一年两次
每次都完全不同
高度依赖专家判断
未必适合。
8.3× 的差距不会靠培训一场课补上
这是我看完这组数据后的核心判断。
很多公司的 AI 推广方式还是：
采购账号
↓
做两场培训
↓
发 Prompt 手册
↓
看 MAU
这种方式可以把大家带到第一、第二层。
但要真正进入 Agentic Workflow，需要：
企业上下文
Tool
权限
Workflow Catalog
Owner
版本
评测
反馈
成本
这已经是一套平台工程。
所以下一步真正稀缺的不是 Prompt Engineer
而是：
Workflow Product Owner
Agent Platform Engineer
Domain Expert
Evaluator
AI Governance
因为真正难的事情变成：
把一个人的有效方法
变成 100 个人可以安全复用的能力
这个过程非常像软件产品化。
最后一个判断
OpenAI 这组数据最容易被读成：
大家都越来越爱用 AI。
我觉得太浅了。
更值得看的其实是：
前沿企业和普通企业的使用深度
正在快速拉大。
而这个差距同时伴随着 Plugin、Skill、Agent Workflow 的更高使用率。
也就是说，下一阶段企业 AI 的竞争不再只是：
谁先买到更强模型
而是：
谁能更快把零散的个人 AI 技巧，变成有权限、有工具、有版本、能复用的组织工作流。
模型每家公司都能买。
组织能力没法一键开通。
更多企业级 AI 应用、Agent、RAG 与模型工程化内容，我会继续整理在 智元界：
https://www.zyentor.com/