3.5万人领到AI账号后：企业真正该规模化的，是“会用AI”的组织能力

如果一家公司一次性给3.5万人开通企业级AI，项目算成功了吗？我认为，这只能说明采购和部署完成了。真正难的部分，恰恰从账号发下去的那一刻开始：员工知道哪些事能交给AI吗？知道哪些信息不能输入吗？部门里有人能把零散的提问，沉淀成可复用的工作方法吗？

7月7日，OpenAI披露三菱UFJ银行（MUFG）正分阶段向约35,000名员工部署ChatGPT Enterprise。这个案例值得企业管理者关注，不是因为人数足够大，而是它把“全员可用”拆成了一套可执行的采纳机制：先建立安全使用的共同语言，再让部门把工具变成自己的工作流。

账号覆盖率是投入指标，不是成果指标。真正值得被管理的，是员工能否在明确边界内，把AI稳定地嵌进真实工作。

第一步：把“能不能用”变成共同规则

金融机构对数据、审批和责任边界的要求极高。MUFG没有把AI当成一款任由员工摸索的通用软件：员工在获得账号前必须完成线上培训，已获账号员工的培训参与率达到100%。这不是一道形式化的合规门槛，而是让每个人先回答三个基础问题：哪些材料可用、哪些任务适合、遇到不确定的结果该如何升级处理。

这组顺序很重要。很多企业把治理理解成“禁止清单”，于是员工要么不敢用，要么绕开公司工具私下尝试。更有效的治理，是同时给出允许的任务、可信的数据范围、必要的审批路径和求助入口。边界越清晰，探索反而越能发生在组织看得见、改得动的地方。

第二步：让使用方法从“中央宣讲”走到业务现场

MUFG配套了面向全员的培训、定制GPT工作坊和管理层学习，并在各部门设置AI champions（AI推广者）。后者尤其值得借鉴：总部能提供平台与规则，却很难替信贷、运营、客服、市场逐一判断什么提示词、知识材料和审核节点最有效。真正的业务语境，只在一线团队手中。

4个月内，MUFG员工创建了1,800多个定制GPT；在部分研究类任务中，员工报告工作量减少20%至30%。这不是一张可以直接套用到所有公司的ROI承诺，却说明了一个更可迁移的规律：当业务人员能把自己的高频任务封装出来，AI才会从“偶尔问一问的聊天框”，变成团队可接力的能力组件。

第三步：衡量“组织学会了什么”，而不只衡量省了多久

MUFG把节省下来的时间，指向客户拜访、方案质量和仍需人来判断的决策，而不是简单等同于减人。这也提醒我们：AI落地的指标要分层。底层看安全培训完成率、活跃使用率和合规事件；中层看岗位工作流覆盖率、可复用智能体数量、人工复核与返工率；顶层才看客户响应、决策质量、收入或成本等业务结果。

IBM近期针对1,000位高管的研究也从侧面印证了这一点：91%的受访者尚未完全理解自身跨供应商、模型和基础设施的AI依赖关系；只有7%处于AI控制能力最成熟的层级。企业若只把AI当作账号福利，最终会得到一堆无法盘点、无法接管、也无法持续改进的个人实践。

STARBOX视角：把“个人会用”接进“组织会做”

从STARBOX服务企业内容与营销场景的经验看，最容易被低估的不是模型能力，而是中间那一层“工作方法的容器”。组织层要先定义目标、品牌边界、权限和审核规则；BOX层应沉淀行业知识、4×4内容策略、客户旅程和优秀案例；智能体层再据此完成选题、生成、分发、分析等具体动作。

今天某位同事写出一个好提示词，不应只是他的个人效率技巧。通过BOX把输入材料、判断标准、审批节点和效果反馈结构化，才可能在DDABC闭环中反复校准，逐渐变成新同事也能使用的组织能力。MUFG案例的新启发正在这里：规模化不是把同一个工具推给更多人，而是让更多人共同参与把工作变得可委派、可验证、可复用。

下一次你准备汇报“全员开通AI”时，不妨再加一个问题：三个月后，我们能展示多少条被业务团队验证过、其他人也能接手的AI工作流？这个数字，或许比账号数更接近AI转型真正的进度。